论文部分内容阅读
本文对遥感图像分类的研究意义以及近几年来遥感图像分类领域的发展现状进行简要梳理,重点分析了传统分类方法与近期热点深度学习方法,在对深度学习方法特别是卷积神经网络模型进行深入研究的基础上,采用经典的卷积神经网络模型作为分类器,进行了遥感图像分类实验。在对传统遥感图像分类方法如视觉词袋、人工神经网络的研究过程中,发现此类方法在进行分类任务时通常需要人工选择特征、提取,这种分类方法准确率的高低依赖于提取特征的好坏,自动化程度不高,无法应对大数据的挑战。针对这个问题,本文提出使用大规模深度神经网络来提升遥感图像分类的自动化程度与分类准确率。引入图像分类模型DenseNet,通过特征重标定策略对其进行改进,从而实现遥感图像分类;针对实验数据量少的问题,采用权值迁移策略处理,大大缩短训练时间,避免出现过拟合。最后在Linux系统的Tensorflow环境中对NWPU-RESISC45遥感图像数据集进行了基于DenseNet模型的遥感图像分类、基于SE-DenseNet模型的遥感图像分类、基于改进训练方法的SE-DenseNet模型的遥感图像分类、基于权值迁移的遥感图像分类四类实验,最后将实验结果与传统方法及深度学习方法对比,与传统方法的对比结果验证了将无复杂预处理过程的深度学习方法用于遥感图像分类领域从而提升自动化程度与分类精度的可行性,与深度学习方法的对比结果验证了本文提出改进算法的有效性。在对大规模深度神经网络的研究过程中,发现大规模深度神经网络容易提取到样本的本质特征,但与此同时,对于样本数量的要求也相应提高;在某些领域的分类问题里,目标数据集的建立通常受到各种主观以及客观条件的制约,个人很难得到大规模数据或者得到的数据类别与数量相差较大,而基于权值迁移的遥感图像分类方法本质上也是通过大规模数据集进行训练而获得的。针对这个问题,本文提出利用小规模深度神经网络降低模型对样本数量的要求。引入图像分类模型VGG,通过激活函数、批归一化层、全局平均池化进行改进,从而实现遥感图像分类;并在训练方法上,通过Dropout方式防止过拟合,提升分类准确率。最后在Linux系统的Tensorflow环境中对NWPU-RESISC45遥感图像数据集进行了基于VGG-16-ReLU遥感图像分类、基于VGG-16-Leaky的遥感图像分类、基于VGG-14的遥感图像分类三类实验,最后将实验结果与基于改进训练方法的SE-DenseNet模型的遥感图像分类算法、他人算法对比,对比结果表明利用小规模深度神经网络降低模型对样本数量的要求从而提升分类精度的可行性,与他人算法对比的结果验证了本文提出改进算法的有效性。