基于多尺度特征迁移学习的树种遥感分类研究

On the Remote Sensing Classification of Tree Species Based on Multi-scale Feature Transfer Learning

针对树种影像分类过程中图像太少、人工标注和分类精度低等问题,提出了一种基于迁移学习的高分辨率影像树种分类方法。以安徽省滁州市皇甫山森林公园为研究区,基于QuickBird高分辨率影像和野外调查数据,进行多尺度分割,利用ESP分割尺度工具快速确定各地物最佳分割尺度,并提取树种的光谱特征和纹理特征,应用决策树分类器制作训练样本集作为深度卷积神经网络的输入,有效减少了人工标注的成本。模型训练部分,利用在ImageNet上训练的VGG16模型对影像树种特征进行提取,并在网络的末端加入一个新的全连接层和softmax层,更改输出层的节点数量,通过反向传播和Adam算法优化模型。实验结果显示,传统深度卷积神经网络、基于迁移学习的ResNet50网络模型、基于迁移学习的VGG16网络模型的总体精度分别达到了65.1%、72.5%和84.5%,Kappa系数分别为0.59、0.68和0.81。表明实验算法在保证树种精度的同时提高了目标分类识别的准确性。