深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN (Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。     

基于深度卷积神经网络的云检测方法

本文将Fmask云检测结果作为标记样本对深度卷积神经网络进行训练以实现云检测。在仅利用可见光波段和近红外波段的前提下,本文方法的云检测总体精度达到87.65%,高于Fmask的86.92%,而且单景Landsat 8影像的识别用时18 s,远低于Fmask的72 s,具有更高的精度和效率。另外,该方法适用于不同的地表土地覆盖类型,具有很强的泛化能力,是一个通用性强的算法,为进一步的遥感应用打下基础。