科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有基于深度卷积神经网络进行水稻（Oryza sativa L.）遥感识别中样本采集工作量大、样本标注要求高及水稻感受野尺度选择难等问题，构建了一种基于像元和多尺度的深度卷积神经网络（DCNN）水稻遥感识别模型。首先，针对水稻种植分布特点，综合深度卷积神经网络方法的特点，设计了基于像元的DCNN提取模型；其次，将多尺度与DCNN相结合，构建多尺度DCNN模型，增加感受野的多尺度特性；最后，为了验证多尺度DCNN模型提取水稻的效果，以高分一号和高分二号卫星影像为数据源，选取传统机器学习SVM模型、语义分割D-Linknet模型、单一尺度DCNN模型进行分类精度对比分析。结果表明，本研究提出的多尺度DCNN模型的准确率、精确率、召回率、平衡F分数分别为97.75%、96.68%、99.08%、97.85%；与其他模型相比，多尺度DCNN模型结构简单、样本制作简便、识别精度高，具有较好的应用价值。
- 单位
