结合密集连接和特征重标定的高分影像分类方法

现有的基于深度学习的面向对象分类方法存在特征表达不充分,难以处理蕴含复杂信息的高分辨率遥感影像等问题。为了实现高分辨率遥感影像高精度分类目的,本文提出了一种结合密集连接和特征重标定的影像分类方法。首先构建具有密集连接方式的DenseNet网络作为基础网络,密集连接的方式能实现每一层输入都是前面所有层信息的汇总;然后引入可实现特征重标定功能的SE模块,以增加特征代表性和区分性;最后设计得到最优SE_DenseNet网络模型,提取特征表达更充分的多层次融合影像,提高影像分类精度。基于ISPRS公开数据集,将本文方法与传统方法和其他深度学习分类模型进行对比,实验结果表明:本文方法优于其他方法,SE_DenseNet网络模型提取的多层次特征较其他方法表达更加充分,可实现高分辨率遥感影像的高精度分类。

引入SPP的高分辨率遥感影像深度学习分类方法

当前,深度学习技术与传统的面向对象技术相结合的分类方法已经较好地应用于高分辨率遥感影像的分类任务当中,但是仍存在如下问题:高分辨遥感影像地物目标复杂,依靠单一数据源进行分割效果不佳;标准的卷积神经网络只能接受固定尺寸大小的输入,分割对象在拉伸变形至固定尺寸的过程中会造成信息的损失。该文首先结合DSM数据进行协同分割,获得更佳的分割结果;然后将空间金字塔池化层(Spatial Pyramid Pooling,SPP)引入卷积神经网络中,构建了一种能接受任意尺寸输入的深度学习面向对象分类模型,从而令分割对象的特征表达更完整,以提高影像分类精度。实验结果表明:引入空间金字塔池化层的高分辨率遥感影像深度学习分类方法,可有效提高影像分类精度,进而得到更加真实可靠的分类结果。