一种基于深度传递迁移学习的遥感影像分类方法
面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题.ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征.对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度.但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限.为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法.该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度.首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取.最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类.本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50％和25％数量的训练样本进行实验.实验结果表明,在50％和25％数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了 0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了 0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显.
遥感影像分类、深度神经网络、迁移学习、VGG16、SegNet、传递迁移学习、资源三号影像、全局平均池化
24
国家自然科学基金;国家自然科学基金
2022-04-11（万方平台首次上网日期，不代表论文的发表时间）
共13页
495-507
