基于特征整合的卷积神经网络草地分类算法

计算机工程与科学

基于特征整合的卷积神经网络草地分类算法

张猛，钱育蓉，杜娇，范迎迎

（新疆大学软件学院,新疆乌鲁木齐 830046）

收稿日期:2017-12-25 修回日期:2018-04-11 出版日期:2019-07-25 发布日期:2019-07-25
基金资助:
国家自然科学基金（61562086,61363083）

A grassland classification algorithm using convolutional

neural network based on feature integration

ZHANG Meng，QIAN Yurong，DU Jiao，FAN Yingying

（Software College,Xinjiang University,Urumqi 830046,China）

Received:2017-12-25 Revised:2018-04-11 Online:2019-07-25 Published:2019-07-25

摘要/Abstract

摘要：

为提高遥感影像草地分类的精度，分析了卷积神经网络中提取图像特征的特点，提出了一种基于特征整合深度神经网络的遥感影像特征提取算法。首先，将遥感影像数据进行PCA白化处理，降低数据之间的相关性，加快神经网络学习的速率；其次，将从卷积神经网络中提取到的浅层特征和深层特征进行双线性整合，使得整合后的新特征更加完善和优化；最后，对遥感数据进行训练，由于新特征中有效信息的增加，使得特征表达能力得到提高，达到提高草地分类准确率的目的。实验结果表明:该算法能够有效地提高草地分类的准确率，分类精度达到94.65%，相较于卷积神经网络、BP神经网络和基于SVM的分类算法分别提高了4.3%、10.39%和15.33%。

关键词: 遥感影像, 草地分类, 卷积神经网络, 特征整合, PCA白化

Abstract:

In order to improve the precision of grassland classification from remote sensing images, we analyze the characteristics of image features extracted from convolutional neural networks (CNNs), and propose a remote sensing image feature extraction method based on feature-integrated depth neural networks. Firstly, PCA whitening is performed on the remote sensing image to reduce the correlation between data and accelerate the learning rate of neural networks. Secondly, both low-level features and high-level features are bilinearly integrated to enhance and optimize the integrated features. Finally, the remote sensing data is trained. As the introduction of effective information in new features, both feature expression ability and the grassland classification accuracy are improved. Experimental results show that the proposed algorithm can effectively improve the accuracy of grassland classification. The classification accuracy reaches up to 94.65%. Compared with the traditional convolutional neural network, BP neural network and SVM algorithm, our accuracy is increased by 4.3%, 10.39% and 15.33% respectively.

Key words: remote sensing image, grassland classification, convolutional neural network, integrated feature, PCA whitening

张猛，钱育蓉，杜娇，范迎迎. 基于特征整合的卷积神经网络草地分类算法[J]. 计算机工程与科学.

ZHANG Meng，QIAN Yurong，DU Jiao，FAN Yingying.

A grassland classification algorithm using convolutional

neural network based on feature integration

[J]. Computer Engineering & Science.

[1]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[2]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[3]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[4]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[5]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[6]	秦文强, 吴仲城, 张俊, 李芳, . 基于异构平台的卷积神经网络加速系统设计[J]. 计算机工程与科学, 2024, 46(01): 12-20.
[7]	周理, 赵祉乔, 潘国腾, 铁俊波, 赵王. 基于RISC-V的图卷积神经网络加速器设计[J]. 计算机工程与科学, 2023, 45(12): 2113-2120.
[8]	余子丞, 凌捷. 基于Transformer和多特征融合的DGA域名检测方法[J]. 计算机工程与科学, 2023, 45(08): 1416-1423.
[9]	刘俊奇, 涂文轩, 祝恩. 图卷积神经网络综述[J]. 计算机工程与科学, 2023, 45(08): 1472-1481.
[10]	易啸, 马胜, 肖侬. 深度学习加速器在不同剪枝策略下的运行优化[J]. 计算机工程与科学, 2023, 45(07): 1141-1148.
[11]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[12]	排日旦·阿布都热依木, 吐尔地·托合提, 艾斯卡尔·艾木都拉, . 基于深度学习的实体关系抽取方法研究[J]. 计算机工程与科学, 2023, 45(05): 895-902.
[13]	董芃杉, 张晶, 金日泽. 基于双通道门控复合网络的中文产品评论情感分析[J]. 计算机工程与科学, 2023, 45(05): 911-919.
[14]	刘子建, 丁维龙, 邢梦达, 李寒, 黄晔. Conv-WGAIN：面向多元时序数据缺失的卷积生成对抗插补网络模型[J]. 计算机工程与科学, 2023, 45(05): 931-939.
[15]	胡宗承, 段晓威, 周亚同, 何昊. 基于多模态融合的动态手势识别研究[J]. 计算机工程与科学, 2023, 45(04): 665-673.