高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题，本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心，其次基于欧氏距离方法设计均值中心度量损失项，最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明，本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上，与现有方法相比，分类准确率分别提高了1.46%、1.09%和2.51%。...

Full description

Saved in:
Bibliographic Details
Published in:Ce hui xue bao 2019-06, Vol.48 (6), p.698
Main Authors: 叶利华, 王磊, 张文文, 李永刚, 王赠凯
Format: Article
Language:chi ; eng
Subjects:
Accuracy
Classification
Clustering
Deep learning
Entropy
Euclidean geometry
High resolution
Image classification
Image resolution
Remote sensing
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题，本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心，其次基于欧氏距离方法设计均值中心度量损失项，最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明，本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上，与现有方法相比，分类准确率分别提高了1.46%、1.09%和2.51%。
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2019.20180434