【论文精选】基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类学术资讯

来源：农业工程学报

《农业工程学报》2020年第36卷第14期刊载了燕山大学刘帅、张旭含、李笑迎与田野的论文——“基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类”。该研究由国家自然科学基金项目（项目号：61601398）等资助。

高精度监测土地利用对强化土地资源的高效管理、实现可持续发展、发挥土地资源的最大价值都有重要意义。然而，由于遥感传感器成像的限制和地物的复杂性，单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求，充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足，提高分类识别的精确性和可靠性。

该研究设计双分支卷积神经网络（Dual Branch Convolutional Neural Network，DBCNN）协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像，设计3维-1维卷积神经网络（3D-1D Convolutional Neural Networks，3D-1D CNN）分支自动提取高光谱图像的空间-光谱特征；针对多光谱图像，设计 3 维卷积神经网络（3D Convolutional Neural Networks，3D CNN）分支提取多光谱图像的空间-光谱特征；设计融合层将从高光谱和多光谱图像提取的特征进行融合，最后通过全连接层输出土地利用类别。

研究表明，与决策树（Decision Tree，DT）、支持向量机（Support Vector Machine，SVM）以及 1D、2D和3D CNN 方法相比，该文提出的基于双分支卷积神经网络的方法在两个数据集上 Kappa 系数平均分别提升了 15.9、8.1、5.4、5.4 和 2.7 个百分点。从 Chikusei 和 Pavia University 两种不同类型的区域分析，试验结果表明 DBCNN 总体分类精度都为最高，说明本文方法在不同区域有较好的适用性。从高光谱和多光谱数据融合来看，融合后的分类精度比仅使用单一的遥感影像的分类精度更高，说明本文方法有较好地多源光谱数据融合分类效果。该研究为基于多源遥感数据的土地利用分类提供参考和新的研究思路。

长按识别二维码关注“农业工程学报”

来源：gh_c45100f8f9c0 农业工程学报

原文链接：http://mp.weixin.qq.com/s?__biz=MjM5NjU1MzcwNQ==&mid=2652997828&idx=2&sn=e1498a5bccafbaf92e00b3c6e9204a37&chksm=bd325e428a45d754d510ea2eb94ce0406e57e737cf8b3f6fa789569852226b75b5841cdf8169&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn