高分辨率光学遥感场景分类的深度度量学习方法

P237; 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测绘学报 Vol. 48; no. 6; pp. 698 - 707
Main Authors 叶利华, 王磊, 张文文, 李永刚, 王赠凯
Format Journal Article
LanguageChinese
Published 同济大学电子与信息工程学院,上海201804 01.06.2019
嘉兴学院数理与信息工程学院,浙江嘉兴314001%同济大学电子与信息工程学院,上海,201804%嘉兴学院数理与信息工程学院,浙江嘉兴,314001
Subjects
遥感影像
场景分类
均值中心度量损失
度量学习
深度学习
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2019.20180434

Cover

More Information
Summary:P237; 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
DOI:10.11947/j.AGCS.2019.20180434