联合卷积神经网络与集成学习的遥感影像场景分类算法

"该资源是一篇发表在《遥感学报》上的研究论文，作者包括余东行、张保明、赵传、郭海涛和卢俊，主要探讨了利用联合卷积神经网络（CNN）与集成学习进行遥感影像场景分类的方法。论文指出传统的人工设计特征在处理复杂场景时存在精度不足的问题，而CNN则需要大量的训练数据。为解决这些问题，论文提出了一个结合迁移学习和集成学习的新算法。通过预训练的CNN模型提取图像的高层语义特征，然后利用Stacking集成方法，结合Logistic回归和支持向量机（SVM）对这些特征进行建模和融合，最终由SVM对概率特征进行分类。实验在UCMerced_LandUse和NWPU-RESISC45两个遥感影像数据集上进行，即使训练样本仅占10%，分类精度也能达到90.74%和87.21%。关键词包括遥感影像、场景分类、CNN、迁移学习和集成学习。" 这篇论文详细阐述了一个针对遥感影像场景分类的创新方法，它将深度学习与传统机器学习技术相结合，以提高分类准确性和泛化能力。首先，鉴于人工设计的特征对于中、低层信息的捕捉有限，且可能无法充分描述复杂遥感影像的多样性，论文引入了卷积神经网络。CNN因其在图像处理中的强大功能，能够自动学习并提取多层次的特征，尤其在高层特征的获取上，有助于理解图像的语义内容。 然而，CNN模型通常需要大量的标注数据来训练，这在遥感领域可能是个挑战。为解决这个问题，论文采用了迁移学习策略。通过预训练在大规模自然图像数据集上的CNN模型（如VGG、ResNet等），这些模型已经学习到了通用的视觉特征，可以被用作遥感影像的特征提取器，减少了对大量遥感数据的需求。 接下来，为了进一步提升分类性能，论文应用了集成学习，特别是Stacking方法。Stacking是一种组合多个分类器预测的策略，它将多个模型的输出（在此案例中是Logistic回归和SVM的预测概率）作为新的输入特征，然后使用另一个模型（在这里是SVM）对这些概率特征进行二次学习和分类。这种方法可以整合不同模型的优势，减少过拟合风险，提高整体分类精度。 实验部分，研究者在UCMerced_LandUse和NWPU-RESISC45两个不同规模的遥感影像数据集上验证了该方法的有效性。即使训练样本数量相对较少（10%），分类效果依然显著，达到了90.74%和87.21%的分类精度。这表明提出的联合CNN和集成学习的框架对于小样本学习场景具有良好的适应性，对于实际应用中的遥感影像分析具有很大的潜力。 这篇论文揭示了如何通过结合深度学习和集成学习来改善遥感影像的场景分类问题，尤其是当训练数据有限时。这种方法对于未来遥感影像分析的研究提供了有价值的参考，并有可能促进遥感技术在灾害监测、城市规划等领域的应用。