基于改进密集连接网络的土地卫片场景分类方法

为提高土地卫片图像场景识别的效率和精度,本文构建拉普拉斯金字塔-密集连接卷积网络(Lap-DenseNet)模型对土地场景应用进行识别分类,在Lap-DenseNet模型中Lap采用三层金字塔结构,DenseNet模型选用169层结构。将构建好的Lap-DenseNet模型应用到含有6种土地场景的卫片分类中,结果显示:Lap-DenseNet模型训练集的迭代次数不宜过多,否则会因为过拟合现象导致分类效果降低,当迭代次数为200次时分类效果最佳;Lap-DenseNet模型对农村道路分类效果最好,对以绿色背景为主的耕地复耕、未建设用地、农用地复绿分类效果较差,6种场景的平均分类准确率为93.66%;与谷歌卷积网络(GoogLeNet)、快速特征嵌入卷积网络(CaffeNet)、基于密集连接的双流深度特征融合卷积网络(TEX-TS-Net)、基于VGG16的附加资源卷积网络(ARCNet-VGG16)、基于Inception-v3的胶囊卷积网络(Inception-v3-CapsNet)、基于全局上下文空间注意和密集连接的卷积网络(GCSANet)共6种场景分类方法相比,Lap-DenseNet模型的分类效果最好,可在土地卫片场景分类工作中予以合理运用。