購物車(0)
深度學習在GlobeLand30-2010產(chǎn)品分類精度優(yōu)化中應用研究
關(guān)鍵詞：深度學習 globeland30 產(chǎn)品優(yōu)化 google earth
摘要：本文提出結(jié)合深度卷積神經(jīng)網(wǎng)絡與在線高分遙感影像的分類方法,用于GlobeLand30地表覆蓋產(chǎn)品的質(zhì)量優(yōu)化。首先,通過對多源地表覆蓋產(chǎn)品的一致性分析,構(gòu)建深度學習訓練所需的高分辨率遙感大樣本(224萬樣本量);其次,基于該大規(guī)模樣本集訓練適用于GlobeLand30優(yōu)化的深度卷積神經(jīng)網(wǎng)絡模型(GoogleNet Inception V3);最后,利用訓練好的神經(jīng)網(wǎng)絡模型對在線高分影像進行分類,用以優(yōu)化GlobeLand30產(chǎn)品的不可靠區(qū)域。經(jīng)獨立測試樣本集驗證,經(jīng)過訓練的神經(jīng)網(wǎng)絡分類總體精度為87.7%,Kappa系數(shù)為0.86,相比原始GlobeLand30的精度(總體精度75.1%、Kappa系數(shù)0.71)有了明顯提升。在4個試驗區(qū)的GlobeLand 30產(chǎn)品優(yōu)化實驗表明:該方法能夠有效優(yōu)化GlobeLand30產(chǎn)品的分類精度。
遙感技術(shù)與應用雜志要求:
{1}來稿如獲得某種研究基金或課題資助，請在論文首頁左下角注明課題的名稱和編號。
{2}本刊堅決反對任何形式的論文署名“搭便車”現(xiàn)象，對多作者署名的文章將進行更為嚴格的審核。
{3}文題應以新穎獨特的邏輯文字組合準確地反映研究工作的內(nèi)容實質(zhì)和特點,文題要求簡潔而信息量豐富。
{4}來稿在正文之外，請?zhí)峁╊}名、內(nèi)容摘要 (300-500字)、關(guān)鍵詞 (3-5條)及其英譯
{5}文稿首頁頁腳處注明投稿日期和通信作者簡介（包括姓名、出生年、性別、職稱、學位、研究方向、E-mail）。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
