10.3969/j.issn.1003-0107.2020.11.020
基于Unet的高分辨率遥感图像地物分类
遥感图像地物分类一直是遥感解释的难题.在过去的发展中,传统的分割方法在应用上受到很大限制.在近些年各种出色的语义分割模型提出之后,基于语义分割方法对遥感图像地物分类的研究上得到了非常大的进展.在该实验中,首先通过对数据集进行数据扩增,然后采用迁移学习的方法进行训练,并基于U-Net网络模型的基础上进行改进,采用ResNet50,ResNet101等作为U-Net的主干网络,对原网络的解码部分进行微调.在训练过程中采用early stopping和学习率下降等训练技巧进行训练.实验结果表明,改进之后的U-Net的F1分数基本都达到0.9左右,在训练集和验证集上都可以达到94％左右的精确度,接近人工标注.
遥感地物分类、语义分割、深度学习、U-Net、ResNet
TP751(遥感技术)
2020-12-04（万方平台首次上网日期，不代表论文的发表时间）
共8页
69-76
