联合Fisher核编码和卷积神经网络的影像场景分类

摘要：

针对高分辨率遥感影像场景分类中使用中、低层特征不能有效表达高分影像的语义信息,造成分类精度不高的问题,提出了一种联合Fisher核编码和卷积神经网络的高分影像场景分类方法.首先利用Fisher核编码框架提取影像的中层语义特征,然后利用深度卷积神经网络提取影像高层语义特征,最后融合中、高层特征利用支持向量机进行分类.实验采用迁移学习方法来克服深度卷积神经网络对训练数据量的需求.实验数据采用UC-Merced 21类和WHU-RS 19类2个高分影像数据集.实验结果表明,中、高层融合特征包含更丰富的场景信息,增加了目标的可区分性,相比已有方法,该方法能够有效提高分类精度;迁移学习方法能够克服深度卷积神经网络对训练数据量的依赖性.

关键词：Fisher核、深度卷积神经网络、迁移学习、高分辨率遥感影像、场景分类

所属期刊栏目：33

分类号：P237(摄影测量学与测绘遥感)

资助基金：流域生态与地理环境监测国家测绘地理信息局重点实验室资助课题WE2016016;国家重点研发计划项目2016YFB0501403

在线出版日期：2018-12-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：8-15