基于深度学习服务的遥感影像农作物分类系统设计
2018-04-24王丹丹莫东霖
中国农业信息 2018年6期
王丹丹,范 冲,莫东霖
(中南大学,地球科学与信息物理学院,湖南 长沙 410083)
0 引言
我国是人口大国,同时也是农业大国,各类农作物的结构、产量等种植情况,将对国际农作物价格产生较大影响。及时获取并掌握农作物生长信息,意义重大。其时效性也不可忽视,精确并快速地了解农作物情况,无论是对生产管理而言,还是对科学决策避免损失而言,都具有重要意义。
遥感应用于农业的传统方法主要依靠人工解译,由专业人员结合影像光谱特征进行目视解译来获取目标信息,相当费时、费力。后来发展出人机交互解译[1]、多种技术结合的半自动解译[2],丰富了分类方法,改善了分类效果。但由于遥感影像存在“同物异谱”和“异物同谱”的现象,精确的作物分类仍然是一项极具挑战的任务,在这样的背景下,研究者将机器学习算法如神经网络(Neural Networks,NNs)、支持向量机(Support Vector Machine,SVM)等应用于遥感影像的分类,并且在分类过程中加入影像的纹理、结构等特征[3-5]。无论是SVM 还是NNs 都属于浅层学习算法[6],由于计算单元有限,浅层学习的网络很难有效地表达复杂函数,所以随着样本数量的增大以及样本多样性增强,浅层模型也逐渐不能适应复杂的样本。而由多层非线性映射层组成的深度学习网络拥有强大的函数表达能力,最近的研究表明,通过神经网络的特征表示,在大规模图像识别方面[7-9],目标检测[10-11]和语义分割[12-13]均有应用,在复杂分类上具有很好的效果和效率[14]。2014 年,Chen Y 等[15]首次应用深度学习的自动编码器进行高光谱数据分类,并取得了良好的分类结果。……
登录APP查看全文
