摘要
在遥感图像场景分类中,基于卷积神经网络(convolutional neural network,CNN)的分类算法存在对训练数据的依赖性,且在缺乏训练数据时分类效果差等问题,提出一种基于迁移学习的分类算法.首先,选取现有的多个CNN预训练模型,利用迁移学习的优势对模型进行微调,目的是提取图像不同的高层特征;然后,融合图像的多种高层特征,使得特征信息更加丰富;最后,将融合后的高层特征输入到基于逻辑回归的遥感图像分类器中,得到遥感影像的分类结果.在UC-Merced_LandUse遥感数据集中进行实验,与现有算法进行比较分析,所提算法在3种评价指标上有明显提升.通过分析实验结果表明,该算法在仅有10％的训练数据下,能够达到92.01％的分类准确率和91.61％的Kappa系数.
维普
万方数据