基于深度学习特征融合的遥感图像场景分类应用

TP183; 针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵(GLCM)和局部二值模式(LBP)提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层 256 维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机(GS-SVM)中对遥感图像进行场景分类识别.在公开数据集 UC Merced的 21 类目标数据和RSSCN7 的 7类目标数据的实验结果表明,5 次实验的平均准确率分别达 94....

Full description

Saved in:
Bibliographic Details
Published in南京信息工程大学学报 Vol. 15; no. 3; pp. 346 - 356
Main Authors 王李祺, 张成, 侯宇超, 谭秀辉, 程蓉, 高翔, 白艳萍
Format Journal Article
LanguageChinese
Published 中北大学 数学学院,太原,030051%中北大学 信息与通讯工程学院,太原, 030051%中北大学 数学学院,太原,030051 2023
中北大学 信息与通讯工程学院,太原, 030051
Subjects
支持向量机
图像分类
卷积神经网络
灰度共生矩阵
局部二值模式
迁移学习
Online AccessGet full text

Cover

More Information
Summary:TP183; 针对传统手工特征方法无法有效提取整体图像深层信息的问题,本文提出一种基于深度学习特征融合的场景分类新方法.利用灰度共生矩阵(GLCM)和局部二值模式(LBP)提取具有相关空间特性的纹理特征和局部纹理特征的浅层信息;通过基于AlexNet迁移学习网络提取图像的深层信息,在去除最后一层全连接层的同时加入一层 256 维的全连接层作为特征输出;将两种特征进行自适应融合,最终输入到网格搜索算法优化的支持向量机(GS-SVM)中对遥感图像进行场景分类识别.在公开数据集 UC Merced的 21 类目标数据和RSSCN7 的 7类目标数据的实验结果表明,5 次实验的平均准确率分别达 94.77％和 93.79％.该方法可有效提升遥感图像场景的分类精度.
ISSN:1674-7070
DOI:10.13878/j.cnki.jnuist.20220322002