使用多光谱卫星图像的土地覆盖分类模型,基于深度学习协同语义细分网络

科学领域:

• 遥感 遥感 遥感 遥感
• 地理空间分析是什么
• 计算机视觉 计算机视觉

背景情况:

• 土地覆盖分类 (LCC) 对于利用卫星图像绘制和监测地球表面至关重要.
• 传统的LCC方法面临着越来越复杂的数据和要求更高分辨率的挑战.
• 深度学习,特别是卷积神经网络 (CNN),已经推进了卫星图像细分,但培训是资源密集的.

研究的目的:

• 为多光谱卫星图像开发一种改进的语义细分方法.
• 提高土地覆盖分类的准确性和稳定性.
• 通过利用预训练网络和一种新的后处理技术来解决深度学习的计算需求.

主要方法:

• 一种混合协同的语义细分方法,将Deeplab v3+网络与基于集群的后处理方案集成在一起.
• 后处理涉及到光谱词袋模型和K-medoids集群,以改进细分输出.
• 利用预先训练的网络来减轻对大量硬件和训练时间的需求.

主要成果:

• 拟议的方法准确地分类各种土地覆盖类型,包括森林,城市地区和水体.
• 与基线深度学习方法相比,混合方法提高了马修斯相关系数 (MCC) 约5.7%.
• 该方法证明了对数据不平衡和季节性变化的稳定性,动态更新其分类代码词.

结论:

• 协同的语义细分方法在卫星图像分类准确度方面取得了重大进展.
• 深度学习与基于集群的后处理的整合有效地完善了细分结果.
• 拟议的方法优于现有的最先进的方法,在基准测试中至少达到6%的MCC.