1. 研究目的与意义
一直以来，从遥感数据进行信息提取是一个长期的遥感科学难题。遥感图像分类是遥感图像信息处理中最基本的问题之一，其分类技术是遥感应用系统中的关键技术，遥感图像分类方法的精度直接影响着遥感技术的应用发展。通在遥感图像分类处理的实际应用中，要获得高精度的分类结果，需要大量的训练数据，标记这些训练数据需要大量的人力和物力，而且还很费时。另一方面，在遥感领域，现代高分辨率传感器技术的采用，使从影像获得大量的未标记数据成为可能，收集未标记数据是比较容易和经济的。如何在少标记训练样本下，充分利用大量的未标记样本来提高遥感图像分类的精度是研究的重点。随着髙空间分辨率遥感数据越来越多，如何综合运用各类信息提取技术，集成多尺度信息提取的结果，更好地从各类遥感数据提取定量信息，是值得关注并开展研究的科学问题。遥感技术很多方面的应用都涉及遥感图像分类问题的研究，因此，遥感图像分类方法的提高直接影响着遥感技术的应用发展。无论是专题信息提取、变化监测，还是专题地图制作、遥感数据库的建立都离不开遥感图像分类技术。
2. 研究内容和预期目标
（1）获取遥感图像目标分类数据集；
（2）掌握卷积神经网络基本原理；
（3）深入学习深度学习目标分类方法，了解有限标注情形的影响；
3. 研究的方法与步骤
（1）获取数据集，对数据集进行预处理，划分训练集和测试集。
（2）学习分类网络，进行神经网络搭建。
（3）使用分类网络训练数据集，得到模型文件。
4. 参考文献
| [1] han w, feng r, wangl, et al. a semi-supervised generative framework with deep learning featuresfor high-resolution remote sensing image scene classification[j]. isprsjournal of photogrammetry and remote sensing, 2018: s0924271617303428. [2] zhang l, zhang l,bo d. deep learning for remote sensing data: a technical tutorial on thestate of the art[j]. ieee geoscience amp; remote sensing magazine, 2016,4(2):22-40. [3] qin z, ni l, tongz, et al. deep learning based feature selection for remote sensing sceneclassification[j]. ieee geoscience and remote sensing letters, 2015,12(11):1-5.
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
5. 计划与进度安排
|
