一种基于深度学习的遥感图像分类及农田识别方法

文章针对现有的神经网络收敛速度慢、识别准确率不高的缺点，提出了一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核，有效地提取梯度信息；设计深度为6层的卷积神经网络，提高了网络的分类效果，且大大降低了网络的训练次数。
CNN框架的识别图像是经过融合处理后的遥感图像，包含多种不同的土地类别，因此要对遥感图像进行均匀剪裁。CNN需要对输入的图片进行多次卷积，而卷积神经网络对图像特征提取时，要求图像的大小不小于网络的局部感受视野，要求图片有合适的大小。
本文通过改变卷积层的数量和滤波器的大小来提高模型识别的准确率；在减层后的网络中加入BN(Batch Normalization)可以提高网络的收敛速度和分类识别的准确率。
文章中使用的遥感图像数据及来源于UC Merced Land Use Dataset和美国地质调查局网站，分为农田、建筑、荒漠以及植被四个类型共18000张41x41的图像，每类选取3750张图像作为训练模型的训练集，剩余750张图像作为测试集。
模型验证：改进模型以及AlexNet作为原型，以识别准确率、模型数据量大小和训练收敛次数作为性能指标，针对网络模型整体结构、滤波器大小和训练超参数进行了一系列的实验。
文章使用6层网络模型对较小的图片进行分类。在此基础上，再在此6层网络中加入BN。有效提高识别准确率，大幅降低了训练迭代次数。
增大卷积核可以提高网络的学习性能。
注：文章选自《一种基于深度学习的遥感图像分类及农田识别方法》宫浩等