基于DCNN深度特征融合和MMRVM的遥感场景分类.docx

基于DCNN深度特征融合和MMRVM的遥感场景分类
基于DCNN深度特征融合和MMRVM的遥感场景分类
摘要：遥感场景分类在遥感领域具有重要的应用价值。传统的遥感场景分类方法主要采用手工设计的特征和分类器，但随着深度学习算法的发展，基于深度卷积神经网络（DCNN）的遥感场景分类方法得到了广泛应用。然而，由于DCNN的难以解释性和波动性等问题，单独使用DCNN进行遥感场景分类可能无法得到令人满意的结果。因此，本文提出一种基于DCNN深度特征融合和MMRVM的遥感场景分类方法，通过将不同深度卷积神经网络的特征进行融合，并采用最大边界超平面（MMRVM）作为分类器，以提高分类准确度和解释性。实验结果表明，所提出的方法在遥感场景分类任务中具有显著的性能优势。
关键词：遥感场景分类，深度卷积神经网络，特征融合，最大边界超平面
1.引言
遥感场景分类是遥感图像处理的重要任务之一，对于土壤覆盖、植被类型等地表特征的分类具有重要应用价值。传统的遥感场景分类方法主要使用手工设计的特征和分类器，这些方法在一定程度上能够得到较好的分类结果，但在处理复杂场景和大规模数据时效果不佳。近年来，随着深度学习的兴起，基于深度卷积神经网络的遥感场景分类方法逐渐受到关注。
2.相关工作
2.1深度卷积神经网络
深度卷积神经网络（DCNN）是一种基于多层卷积和池化层的神经网络模型，通过多次卷积和池化操作来逐渐学习图像的局部特征和全局特征。DCNN在图像识别、目标检测和遥感场景分类等领域取得了重大突破。
2.2特征融合
单一的深度卷积神经网络在某些情况下可能无法捕捉到图像的全部特征，因此特征融合被引入到遥感场景分类中。特征融合可以将来自不同深度卷积神经网络的特征进行融合，以提高分类准确性。
3.方法
本文提出的遥感场景分类方法主要包括特征提取、特征融合和分类器设计三个步骤。
3.1特征提取
使用两个不同的深度卷积神经网络作为特征提取器，分别提取图像的局部特征和全局特征。局部特征通过卷积层和池化层提取，全局特征通过全连接层提取。
3.2特征融合
将两个深度卷积神经网络提取到的特征进行融合，可以采用简单的特征拼接或者使用注意力机制来赋予不同特征不同的权重。
3.3分类器设计
采用最大边界超平面（MMRVM）作为分类器，利用MMRVM的最大边界性质来提高分类准确度和解释性。
4.实验结果与分析
本文采用公开的遥感场景分类数据集进行实验，与传统的遥感场景分类方法和基于DCNN的方法进行对比。实验结果表明，所提出的方法在分类准确度和解释性方面均有明显提升。
5.结论
本文提出了一种基于DCNN深度特征融合和MMRVM的遥感场景分类方法，通过将不同深度卷积神经网络的特征融合，并采用MMRVM作为分类器，实现了对遥感图像的准确分类。实验结果表明，所提出的方法具有较高的分类准确度和解释性，具有很大的应用潜力。
参考文献：
[1]ZhangY,etal.DeepFeatureFusionforRemoteSensingSceneClassification[J].RemoteSensing,2020,12(5):864.
[2]SunK,etal.MaximumMarginRegressiontoImproveMulti-LabelImageClassification[J].MultimediaToolsandApplications,2018,77(4):4249-4270.
[3]HuangG,etal.DenselyConnectedConvolutionalNetworks[C].ProceedingoftheIEEEConferenceonComputerVisionandPatternRecognition,2017:4700-4708.