深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

• 作者: 张亚庆 徐新良 王宏志 王首泰 陈斌
• 来源期刊: 测绘通报
• 学科: 地球科学
• 关键词: 空间分辨率 深度学习 遥感分类 GoogleNet
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 学术研究
• 页码范围: 29-33,40
• 页数: 6页
• 分类号: P237
• 语种: 中文
• DOI: 10.13474/j.cnki.11-2246.2019.0179

摘要

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题.研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物(不透水层、植被、水体和其他用地)的自动分类提取,并将分类结果与传统最大似然分类(ML)结果进行了对比分析.研究表明:基于深度学习方法的遥感影像总体分类精度高达88.33％,Kappa系数为0.8342,明显优于传统ML方法总体分类精度83％和Kappa系数0.7550,而且有效抑制了地物在分类过程中出现的像元混分现象.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王宏志	华中师范大学城市与环境科学学院地理过程分析与模拟湖北省重点实验室	46	304	9.0	16.0
2	徐新良	中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室	73	2447	26.0	48.0
3	张亚庆	中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室	2	3	1.0	1.0
4	陈斌	华中师范大学城市与环境科学学院地理过程分析与模拟湖北省重点实验室	7	27	3.0	5.0
5	王首泰	华中师范大学城市与环境科学学院地理过程分析与模拟湖北省重点实验室	1	3	1.0	1.0