基于残差网络的光学遥感图像场景分类算法 
下载： 1005次
Scene Classification of Optical Remote Sensing Images Based on Residual Networks
河北工业大学人工智能与数据科学学院, 天津300100
图 & 表
图 1. 同一类的差异性。(a)(b)(c)教堂类别;(d)(e)(f)火车站类别
Fig. 1. In-class diversity. (a) (b) (c) Church category; (d) (e) (f) railway station category
下载图片 查看原文
图 2. 不同类的相似性。(a)(b)高速公路与跑道类别;(c)(d)工业区与火车站类别;(e)(f)体育馆与火车站类别
Fig. 2. Between-class similarity. (a) (b) freeway versus runway; (c) (d) industrial area versus railway station; (e) (f) stadium versus train station
下载图片 查看原文
图 3. 残差块结构
Fig. 3. Shortcut connection of resnet
下载图片 查看原文
图 4. 网络结构图
Fig. 4. Network structure diagram
下载图片 查看原文
图 5. 跳跃连接的图形示例
Fig. 5. Graphic example of jump connection
下载图片 查看原文
图 6. UC Merced Land Use遥感图像数据集。(a)海滩类别;(b)棒球场类别;(c)立交桥类别
Fig. 6. UC Merced Land Use remote sensing image dataset. (a) Beach; (b) baseball field; (c) overpass
下载图片 查看原文
图 7. Google of SIRI-WHU遥感图像数据集。(a)河流类别;(b)池塘类别;(c)港口类别
Fig. 7. Google of SIRI-WHU sensing image dataset. (a) River; (b) pond; (c) harbor
下载图片 查看原文
图 8. NWPU-RESISC45遥感图像数据集。(a)森林类别;(b)圆形农田类别;(c)河流类别
Fig. 8. NWPU-RESISC45 sensing image dataset. (a) Forest; (b) circular farmland; (c) river
下载图片 查看原文
图 9. UC Merced Land Use 数据集的分类结果
Fig. 9. UC Merced Land Use data set classification results
下载图片 查看原文
图 10. Google of SIRI-WHU 数据集的分类结果
Fig. 10. Google of SIRI-WHU data set classification results
下载图片 查看原文
图 11. NWPU-RESISC45数据集的分类结果
Fig. 11. NWPU-RESISC45 data set classification results
下载图片 查看原文
表 1实验环境介绍
Table1. Introduction of experimental environment
| Experimental environment | Environment configuration |
|---|
| Operating system | Ubuntu 16.04 | | Software environment | Python 2.7,pytorch 0.4.1 | | CPU | Xeon(R).W-2123 | | Internal memory | DDR4,32G |
|
查看原文
表 2不同模型在UC Merced Land Use数据集的分类结果
Table2. Comparison of the classification results obtained for the UC Merced Land Use dataset unit: %
| Model | OA |
|---|
| DCA[7] | 96.90 | | AlexNet+MSCP[14] | 96.70 | | SCCov[16] | 98.04 | | ResNet | 96.70 | | Ours | 99.76 |
|
查看原文
表 3不同模型在Google of SIRI-WHU数据集的分类精度
Table3. Comparison of the classification results obtained for the Google of SIRI-WHU dataset unit: %
| Model | OA |
|---|
| SRSCNN[17] | 93.40 | | AlexNet+Softmax[18] | 95.63 | | AlexNet+SVM[18] | 95.83 | | ResNet | 93.75 | | Ours | 97.91 |
|
查看原文
表 4不同模型在NWPU-RESISC45数据集的分类精度
Table4. Comparison of the classification results obtained for the NWPU-RESISC45 dataset unit: %
| Model | OA |
|---|
| DCNN[9] | 89.22 | | VGG+MSCP[14] | 88.93 | | SCCov[16] | 89.30 | | ResNet | 87.61 | | Ours | 92.45 |
|
查看原文
汪鹏, 刘瑞, 辛雪静, 刘沛东. 基于残差网络的光学遥感图像场景分类算法[J]. 激光与光电子学进展, 2021, 58(2): 0210001. Peng Wang, Rui Liu, Xuejing Xin, Peidong Liu. Scene Classification of Optical Remote Sensing Images Based on Residual Networks[J]. Laser & Optoelectronics Progress, 2021, 58(2): 0210001.
PDF全文
