科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对高分辨率卫星影像地表覆盖自动化分类精度与效率问题，研究了基于深度学习的地表覆盖分类方法，设计了一种适用于高分辨率卫星影像的卷积神经网络LCC-CNN。LCC-CNN在使用高分二号与北京二号影像数据构建训练样本集的基础上，通过在卷积神经网络中使用不同扩张率的扩张卷积，设计能够区分模糊地表覆盖分类边界的损失函数，实现了多尺度地表覆盖特征的融合与精准提取，利用编码-解码结构输出像素级地表覆盖分类成果。通过实验对比，LCC-CNN在实验区域地表覆盖分类总体精度达到87.17%，IOU及Kappa系数分别为0.773 2与0.829 1，精度优于传统的决策树与SVM方法8%以上，IOU及Kappa系数提高了10%以上，且在地表覆盖分类过程中不需要人工提取分类特征与设定分类参数，降低了建模难度与时间成本，提高了自动化分类的精度与效率。
- 单位
