最新发表:深度学习在GlobeLand30-2010产品优化中的应用研究

发布日期:2019-10-17 09:47
浏览次数:270
深度学习GlobeLand30优化
   
本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本(BNU-GLC7, 224万样本量);其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型(GoogleNet Inception V3);最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,本文训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30基于本文测试样本的精度(总体精度75.1%、kappa系数0.71)有了明显提升。在四个试验区的GlobeLand30产品优化实验表明,本文提出的方法能够有效优化GlobeLand30产品的分类精度。

该论文发表于最新一期《遥感技术与应用》上。  

REF: 
刘天福,陈学泓,董琪,曹鑫,陈晋. 深度学习在GlobeLand30-2010 产品分类精度优化中应用研究[J]. 遥感技术与应用,2019,34(4):685-693.

分享到: