深层和浅层特征融合框架用于遥感开采煤矿现场识别现场识别

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 计算机视觉 计算机视觉

背景情况:

• 对开放式煤矿区的有效监测对于环境管理至关重要.
• 现有的土地利用和损害识别方法面临局限性,包括手动特征设计和严重依赖样本数据.

研究的目的:

• 开发一个先进的场景识别框架,用于采矿区的遥感图像.
• 通过融合深层和浅层特征,克服传统和深度学习方法的局限性.

主要方法:

• 一个三分支的特征提取框架,结合了深度特征 (DF) 和浅层特征 (SF).
• 使用邻近特征注意模块和图形卷积网络 (GCN) 增强了深度特征.
• 通过灰级共发生矩阵 (GLCM) 和Gabor过器提取的浅特征,通过粒子群算法优化支向量机 (PSO-SVM) 进行融合和分类.

主要成果:

• 深度特征提取模型实现了97.53% (AID) 和96.73% (RSSCN7) 的高精度.
• 使用PSO-SVM进行的融合特征分类的准确率达到了92.78%.
• 拟议的方法表现优于其他四种分类方法.

结论:

• 拟议的框架有效地融合了深层和浅层特征,以实现精确的遥感场景识别.
• 这种方法提高了采矿地区的土地使用和损害评估,采样量较少.
• 该研究表明,采矿地区的环境监督和管理方法优越.