基于深度学习与狮群SVM算法的遥感场景分类

TP751; 针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80％的训练条件下,数据集UCM Land-...

Full description

Saved in:
Bibliographic Details
Published in吉林大学学报（理学版） Vol. 61; no. 4; pp. 863 - 874
Main Authors 王李祺, 侯宇超, 高翔, 谭秀辉, 程蓉, 王鹏, 白艳萍
Format Journal Article
LanguageChinese
Published 中北大学信息与通信工程学院,太原030051 2023
中北大学数学学院,太原030051%中北大学信息与通信工程学院,太原030051%中北大学数学学院,太原030051
Subjects
遥感图像
狮群优化算法
transfer learning
color coherence vector
图像分类
颜色聚合向量
image classification
lion swarm optimization algorithm
迁移学习
remote sensing image
Online AccessGet full text
ISSN1671-5489
DOI10.13413/j.cnki.jdxblxb.2022230

Cover

More Information
Summary:TP751; 针对高分辨遥感图像样本量小,以及传统优化支持向量机(SVM)算法易陷入局部最优解、寻优速度慢等问题,提出一种基于深度迁移学习与狮群优化SVM(LSO-SVM)算法对遥感图像场景进行分类.首先,通过自适应对比度增强图像后利用颜色聚合向量提取图像颜色特征;其次,利用3种预训练网络分别提取图像的迁移学习深度特征;最后,将手工提取的图像特征与用3种预训练网络获取的特征使用系列特征融合方法进行融合,并将其输入LSO-SVM进行图像场景分类.结果表明,该算法解决了小样本情况下深度学习较难训练及传统优化SVM算法易陷入局部最优解、寻优速度慢的问题.在80％的训练条件下,数据集UCM Land-Use和RSSCN7的分类精度分别达到99.52％和98.57％.
ISSN:1671-5489
DOI:10.13413/j.cnki.jdxblxb.2022230