[發(fā)明專(zhuān)利]基于支路特征融合卷積網(wǎng)絡(luò)的遙感場(chǎng)景分類(lèi)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010484751.0
• 申請(qǐng)日: 2020-06-01
• 公開(kāi)（公告）號(hào): CN111723685B
• 公開(kāi)（公告）日: 2022-07-26
• 發(fā)明（設(shè)計(jì)）人: 石翠萍;王濤;劉超;苗鳳娟
• 申請(qǐng)（專(zhuān)利權(quán)）人: 齊齊哈爾大學(xué)
• 主分類(lèi)號(hào): G06V10/774
• 分類(lèi)號(hào): G06V10/774;G06V10/80;G06V10/764;G06V20/10;G06K9/62;G06N3/04
• 代理公司: 哈爾濱市松花江專(zhuān)利商標(biāo)事務(wù)所 23109
• 代理人: 時(shí)起磊

基于支路特征融合卷積網(wǎng)絡(luò)的遙感場(chǎng)景分類(lèi)方法，本發(fā)明涉及遙感場(chǎng)景分類(lèi)方法。本發(fā)明的目的是為了解決現(xiàn)有遙感場(chǎng)景圖像具有復(fù)雜的空間結(jié)構(gòu)，容易產(chǎn)生較大的類(lèi)內(nèi)差異性和類(lèi)間相似性的問(wèn)題，以及現(xiàn)有多數(shù)具有較好分類(lèi)性能的深層CNN模型具有較高的復(fù)雜度，淺層CNN模型復(fù)雜度較低，但在分類(lèi)準(zhǔn)確率上又無(wú)法達(dá)到遙感領(lǐng)域?qū)嶋H應(yīng)用的要求的問(wèn)題。過(guò)程為：一、建立LCNN?BFF網(wǎng)絡(luò)模型；二、采用數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)模型；三、采用測(cè)試集驗(yàn)證預(yù)訓(xùn)練好的模型的準(zhǔn)確率，若準(zhǔn)確率達(dá)到要求，即得到訓(xùn)練好的模型，否則，繼續(xù)訓(xùn)練模型，直至準(zhǔn)確率達(dá)到要求；四、采用訓(xùn)練好的模型對(duì)待識(shí)別遙感場(chǎng)景進(jìn)行分類(lèi)。本發(fā)明用于遙感場(chǎng)景分類(lèi)領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感場(chǎng)景分類(lèi)方法。

背景技術(shù)

遙感領(lǐng)域的相關(guān)研究工作已經(jīng)引起了越來(lái)越多的研究人員關(guān)注和重視，其中遙感場(chǎng)景分類(lèi)是一項(xiàng)根據(jù)隨機(jī)場(chǎng)景的圖像內(nèi)容為其分配指定的標(biāo)簽[1-3]([1]Lu X,Zheng X,YuanY.Remote sensing scene classification by unsupervised representationlearning[J].IEEE Transactions on Geoscience and Remote Sensing,2017,55(9):5148-5157.[2]Li E,Xia J,Du P,et al.Integrating multilayer featuresofconvolutional neural networks for remote sensing scene classification[J].IEEE Transactions on Geoscience and Remote Sensing,2017,55(10):5653-5665.[3]Gong Z,Zhong P,Yu Y,et al.Diversity-promoting deep structural metric learningfor remote sensing scene classification[J].IEEE Transactions on Geoscienceand Remote Sensing,2017,56(1):371-390.)。它的研究成果被廣泛應(yīng)用于許多重要的領(lǐng)域，例如：國(guó)防安全，氣候變化監(jiān)測(cè)，環(huán)境監(jiān)測(cè)管理，不同用途的土地分類(lèi)，地面目標(biāo)的識(shí)別與檢測(cè)以及自然災(zāi)害的損失評(píng)估等各個(gè)重要領(lǐng)域[4-8]([4]Cheng G,Han J.A survey onobject detection in optical remote sensing images[J].ISPRS Journal ofPhotogrammetry and Remote Sensing,2016,117:11-28.[5]Han J,Zhang D,Cheng G,etal.Object detection in optical remote sensing images based on weaklysupervised learning and high-level feature learning[J].IEEE Transactions onGeoscience and Remote Sensing,2014,53(6):3325-3337.[6]Ghassemian H.Areviewofremote sensing image fusion methods[J].Information Fusion,2016,32:75-89.[7]Dan T,Yang Y,Xing L,et al.Multifeature energy optimization framework andparameter adjustment-based nonrigid point set registration[J].Journal ofApplied Remote Sensing,2018,12(3):035006.[8]Liang L,Zhao W,Hao X,et al.Imageregistration using two-layer cascade reciprocal pipeline and context-awaredissimilarity measure[J].Neurocomputing,2020,371:pp.1-14.)。