论文部分内容阅读
作为森林资源监测的最重要指标之一,树种识别在森林资源调查中具有重要的研究价值。传统的树种识别方法采用人工特征提取既费时费力,识别效果又较差。综合考虑树种图像的特点和卷积神经网络在图像分类中的优势,将两者结合应用于树种的识别分类中,本文提出了一种基于迁移学习思想的卷积神经网络遥感图像树种类型分类算法。该方法保留了大型数据集进行网络模型的训练的参数,从而有效解决小样本的树种精确识别的问题。为进一步提高识别的准确率,结合迁移学习思想对复杂的网络模型进行了集成学习。本文主要的研究内容如下:(1)针对遥感应用中人工提取特征耗时费力,提取精度不高,标注数据获取困难的问题,提出了基于迁移学习思想的卷积神经网络遥感图像树种类型分类算法。首先采用ImageNet上训练的AlexNet、Inception-v3、VGG-16三个模型作为特征提取器对树种图像特征进行提取,保留模型的大部分参数;使用AID部分数据集和自行采集的东北林业大学实验林场数据集训练一个新的全连接层和Softmax层,更改输出层的节点数量;然后引入Dropout函数改善过拟合现象;最后通过反向传播优化模型。实验证明可以将在大型数据集上学习到的权重作为初始权重应用到树种的识别分类上,使网络的训练仅仅使用有限数量的标注图像就能达到很高的分类精度。(2)在基于卷积神经网络的遥感图像研究基础上,将迁移的卷积神经网络模型与集成学习相结合,设计了一个基于迁移学习的集成卷积神经网络的遥感图像分类模型。使用AlexNet、Inception-v3、VGG-16三个预训练模型进行迁移学习优化的集成卷积神经网络模型的集成,通过Bagging算法对遥感图像进行数据抽样,使用抽样后的数据集对三个基分类器进行训练。使用相对多数投票法将训练好的基分类器集成,最后使用测试集对集成的树种分类模型进行测试,从而得到分类结果。实验结果表明,集成卷积神经网络模型在AID数据集和东北林业大学实验林场数据集上的总体精度为98.8%,Kappa系数为0.987,从而证明了本文算法能够准确的对树种进行识别,具有良好的泛化性能。