基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

• 作者: 王协 章孝灿 苏程
• 来源期刊: 浙江大学学报（理学版）
• 学科: 工学
• 关键词: 高分辨率遥感图像 土地利用分类 多尺度学习 深度卷积神经网络(DCNN)
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 地球科学
• 页码范围: 715-723
• 页数: 9页
• 分类号: TP79
• 语种: 中文
• DOI: 10.3785/j.issn.1008-9497.2020.06.009

摘要

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法.目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性.为此,提出一种基于多尺度学习与深度卷积神经网络(deep convolutional neural network,DCNN)的多尺度神经网络(multi-scale neural network,MSNet)模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络.以浙江省0.5m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97％,并将其与传统全卷积网络(fully convolutional networks,FCN)方法和基于支持向量机(support vector machine,SVM)的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强.