期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于卷积神经网络模型的遥感图像分类
被引量:
25
1
作者
付秀丽
黎玲萍
+4 位作者
毛克彪
谭雪兰
李建军
孙旭
左志远
《高技术通讯》
北大核心
2017年第3期203-212,共10页
研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010...
研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。
展开更多
关键词
卷积神经网络(
cnn
)
模型
支持向量机(
svm
)
特征提取
遥感图像分类
下载PDF
职称材料
基于有效通道注意力的遥感图像场景分类
被引量:
4
2
作者
屈震
李堃婷
冯志玺
《计算机应用》
CSCD
北大核心
2022年第5期1431-1439,共9页
针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络(CNN)无法关注到遥感图像中显著分类特征的问题,提出了一种基于有效通道注意力(ECA)机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SV...
针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络(CNN)无法关注到遥感图像中显著分类特征的问题,提出了一种基于有效通道注意力(ECA)机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SVM。为了建立高效模型,一方面,设计了嵌入ECA模块的深度特征提取网络ECA-ResNeXt-8,通过端到端的学习使网络更关注分类特征明显的通道;另一方面,利用支持向量机(SVM)代替全连接层作为已提取到的深度特征的分类器,从而进一步提高模型的分类准确率与泛化能力。该模型在实验数据集UC Merced Land-Use上的分类准确率达到95.81%,相较于使用SE-ResNeXt50与ResNeXt50网络,分别提高了6%与18%,且在分类准确率为75%时所提模型的训练时间比上述两个网络分别减少了82%与81%。实验结果表明,所提模型能够有效地减少模型的收敛时间并提升遥感图像场景分类的准确率。
展开更多
关键词
遥感图像场景分类
有效通道注意力机制
支持向量机
深度学习
卷积神经网络
下载PDF
职称材料
题名
基于卷积神经网络模型的遥感图像分类
被引量:
25
1
作者
付秀丽
黎玲萍
毛克彪
谭雪兰
李建军
孙旭
左志远
机构
北京石油化工学院信息工程学院
北京化工大学信息科学与技术学院
中国农业科学院农业资源与农业区划研究所呼伦贝尔草原生态系统国家野外科学观测研究站
湖南农业大学资源环境学院
中南林业科技大学计算机与信息工程学院
东北农业大学文法学院
出处
《高技术通讯》
北大核心
2017年第3期203-212,共10页
基金
国家自然科学基金(41571427)
国家重点研发计划重点专项(2016YFC0500203)
+1 种基金
北京市属高校拔尖人才(CIT&TCD201504047)
北京市教委科研计划(KM201410017008)资助项目
文摘
研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。
关键词
卷积神经网络(
cnn
)
模型
支持向量机(
svm
)
特征提取
遥感图像分类
Keywords
convolutional neural network (cnn)
,
model
,
support vector machine (svm)
,
feature extrac- tion
,
remote sensing image classification
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP751 [自动化与计算机技术—检测技术与自动化装置]
下载PDF
职称材料
题名
基于有效通道注意力的遥感图像场景分类
被引量:
4
2
作者
屈震
李堃婷
冯志玺
机构
西安电子科技大学人工智能学院
出处
《计算机应用》
CSCD
北大核心
2022年第5期1431-1439,共9页
基金
国家自然科学基金资助项目(61836009,61906145)。
文摘
针对基于人工设计特征的方法不能提取高层次遥感图像信息以及以往利用VGGNet、ResNet等卷积神经网络(CNN)无法关注到遥感图像中显著分类特征的问题,提出了一种基于有效通道注意力(ECA)机制的遥感图像场景分类新模型——ECA-ResNeXt-8-SVM。为了建立高效模型,一方面,设计了嵌入ECA模块的深度特征提取网络ECA-ResNeXt-8,通过端到端的学习使网络更关注分类特征明显的通道;另一方面,利用支持向量机(SVM)代替全连接层作为已提取到的深度特征的分类器,从而进一步提高模型的分类准确率与泛化能力。该模型在实验数据集UC Merced Land-Use上的分类准确率达到95.81%,相较于使用SE-ResNeXt50与ResNeXt50网络,分别提高了6%与18%,且在分类准确率为75%时所提模型的训练时间比上述两个网络分别减少了82%与81%。实验结果表明,所提模型能够有效地减少模型的收敛时间并提升遥感图像场景分类的准确率。
关键词
遥感图像场景分类
有效通道注意力机制
支持向量机
深度学习
卷积神经网络
Keywords
remote
sensing
image
scene
classification
Efficient Channel Atten
tion
(ECA)mechanism
support
vector
machine
(
svm
)
deep learning
convolutional
neural
network
(
cnn
)
分类号
TP309. [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于卷积神经网络模型的遥感图像分类
付秀丽
黎玲萍
毛克彪
谭雪兰
李建军
孙旭
左志远
《高技术通讯》
北大核心
2017
25
下载PDF
职称材料
2
基于有效通道注意力的遥感图像场景分类
屈震
李堃婷
冯志玺
《计算机应用》
CSCD
北大核心
2022
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部