全卷积网络结合均值漂移分割的高分辨率遥感影像分类

"结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类" 本文探讨了在处理高分辨率遥感影像分类任务时，如何利用深度学习技术提高分类精度，特别是针对传统浅层机器学习算法在海量遥感数据下的不足。文章提出了一种融合全卷积神经网络（FCN）与均值漂移分割技术的新方法，旨在解决影像特征丢失和边缘分类精度不高的问题。 全卷积神经网络是深度学习在图像分析领域的一种重要模型，它允许网络直接处理像素级别的输入，并且可以进行端到端的学习，减少了手动特征工程的需求。然而，FCN在池化过程中可能会丢失部分图像特征，对此，文中引入了反卷积层来恢复这些丢失的细节，同时通过融合池化层和反卷积层，增强了网络对图像特征的保留能力。 为提升融合的可靠性，文章还添加了尺度变换层。尺度变换层允许网络适应不同的输入尺度，提高了模型的泛化能力，使得分类更加稳定和准确。 在考虑像素之间的空间相关性方面，作者采用了均值漂移分割技术。均值漂移是一种无参数的聚类方法，它通过迭代寻找数据点的概率密度峰值来确定类别的边界。在遥感影像中，这种方法能够捕获像素的空间关系，从而得到更精确的边缘分类结果。通过统计聚类区域像素概率的和最大、方差最小的原则，确定了每个区域的对象类别。 实验部分，作者选取了典型地区的高分辨率遥感影像进行分类，并将提出的分类方法与传统的全卷积神经网络、支持向量机（SVM）以及人工神经网络（ANN）进行了比较。实验结果显示，新方法在分类精度上显著优于传统机器学习方法，证明了结合均值漂移分割的全卷积神经网络在高分辨遥感影像分类中的优越性能。 关键词涉及的领域包括遥感技术、影像分类、深度学习、全卷积网络、高分辨率影像处理、均值漂移分割和反卷积融合。这项工作对于理解深度学习在遥感领域的应用以及如何改进现有算法以适应大规模遥感数据具有重要的参考价值。