一种深度卷积神经网络土地利用场景照片的分类方法

国土调查多角度实景举证照片具有视角多、分辨率高、层次丰富和剖面清晰的特点，透视且细致地刻画了土地利用图斑赋存状况和场景，弥补了遥感影像单一天顶视角的不足。本文基于语义分割提出了一种深度卷积神经网络（DCNN）实景照片土地利用场景分类方法，多语义标记照片场景，语义组合智能判定照片土地利用类别。该方法成功地应用在第三次国土调查照片自动核查工作中，减轻了人工判读工作量，提高了土地利用场景自动识别的精度。     

自然资源多时相遥感影像智能匹配方法研究

遥感影像是全民所有自然资源资产清查工作的基础数据之一,时序影像匹配是多时相遥感数据服务于自然资源资产评估的关键.大量的自然资源资产清查单元(林地、耕地、湖泊、草地、湿地)位于地形平坦地区,采用传统影像匹配方法得到的正确匹配点较少,匹配精度较低.提出了基于视野感知的CNN-SIFT描述符,利用孪生网络模型感知同名点的视觉差异特征,根据地形自适应调节视野范围,从而增强匹配能力.结果表明,与邻域范围为128×128的SIFT描述符相比,CNN-SIFT描述符的正确匹配点平均增加了41.32％,正确匹配率提高了18.64％,湖泊水面、平原区块田等平坦区域匹配率提高了19.20％,能满足全民所有自然资源资产清查实际工作的要求,为其他卫星影像进行大范围大批量的正射影像生产提供借鉴.