55、利用深度学习技术对高分辨率光学图像中的物体进行分类的方法

利用深度学习技术对高分辨率光学图像中的物体进行分类的方法

1. 引言

卷积网络是人工神经网络中一个非常有趣的变体。由于当前硬件的可用性，它们目前被广泛使用。最著名的卷积网络是卷积神经网络（CNNs）。

卷积网络在许多应用中都有出色表现：
- 在多光谱图像的自动特征提取中，CNN可用于标记和识别棕榈种植单元，生成特征图。
- 将CNN与虚拟现实结合，利用多模态数据，CNN用于图像分类，虚拟现实用于创建4D模型。
- 在对图像和视频中的宠物等物体进行分类时，使用CNN可达到90%的分类水平。
- 在从大量数据库中检索图像时，与传统神经网络相比，CNN的结果更优。
- 在车辆检测中，利用监控摄像头产生的视频，CNN也能取得可接受的结果。
- 使用基于SegNet的网络对临时卫星数据进行土地利用和土地覆盖的可视化解释，可将地面覆盖分为水体、森林、农田和建筑物四类，分类结果为0.84，被认为是一个不错的分类器。
- 卫星系统提供的异构数据可作为卷积神经网络的输入。
- 分析有水和冰存在的区域时，可通过应用神经网络和卷积网络进行光谱分析。
- 使用Sentinel - 2卫星的13个光谱波段，新的数据集经深度卷积神经网络评估，准确率达到98.57%。
- 为提高卷积网络的性能，可使用基于随机森林的分类器进行补充。

2. 材料和方法

2.1 卫星图像

卫星图像是以矩阵形式表示的数据，由太空任务中的光学仪器生成。这个数据矩阵取决于光学仪器的分辨率和特性。它由光谱波段组成，因此被称为多光谱图像。各波段包括可见光波段（红、绿、蓝）。