集成CNN提升遥感影像场景分类精度与效率

本文主要探讨了一种创新的遥感影像场景分类方法，即基于集成卷积神经网络（CNN）的算法。该研究的核心在于利用CNN的深度学习能力来处理遥感图像的复杂性，并实现高效分类。首先，文章构建了一个反向传播网络，通过对场景图像的复杂度进行量化评估，这种方法有助于区分不同类型的遥感图像特征。根据图像的复杂度级别，选择合适的CNN模型进行分类，这既考虑了图像的特征细节，又提高了分类的准确性。 实验部分，研究人员使用了NWPU-RESISC45公开数据集对提出的算法进行了验证。在两个不同的实验类别下，该算法分别达到了89.33%和92.53%的分类准确率，显著优于精调训练的VGG-16模型。相较于后者，新算法的分类准确率分别提升了2.19%和2.17%，这意味着它在保持高水平分类性能的同时，具有更快的预测速度，平均运行时间仅为0.41秒，这在实时性和效率上具有明显优势。 集成卷积神经网络的优势在于其自动提取特征的能力，能够减少对人工特征工程的依赖，同时，通过集成多个CNN模型，进一步提高了模型的鲁棒性和泛化能力。实验结果表明，这种集成策略对于遥感影像场景分类任务是有效的，并且具有良好的实用价值。 关键词如"遥感"、"卷积神经网络"、"图像复杂度"和"场景分类"揭示了研究的核心技术领域，强调了在遥感数据分析中的关键概念。这项工作不仅为遥感图像处理提供了新的分类策略，而且展示了深度学习技术在提高遥感数据解析效率和精度方面的潜力。