1、原文
Classification Of Hyperspectral Images Using Deep Learning Architecture for Remote Sensing Applications.
https://ieeexplore.ieee.org/document/9785300
2、摘要
土地利用和土地覆盖在自然资源管理中起着至关重要的作用。它用于绘制环境变化图以进行生态系统监测。自动测绘可以为农业、城市管理和林业带来许多价值。深度学习技术的进步在图像分类领域取得了显著成果,主要应用于遥感领域。本文提出了基于深度学习技术的土地覆盖分类。它由具有编码器和解码器阶段的U-Net架构组成。编码器通过利用卷积层来实现语义表示。解码器部分借助跳跃连接恢复空间信息。所提出的方法与最先进的方法进行了比较,并产生了81.23%的土地覆盖数据集。
3、正文
-----------------------------------------------------------------------------
----------------------------------------------------------------------------------------------
-------------------------------------------------------------------------
---------------------------------------------------------------------------------------
4、结论
在这项工作中,UNET深度学习架构用于对用于遥感应用的高光谱图像进行分类。在这种方法中,首先对图像进行预处理。输入图像具有具有不同值的不同像素。调整所有输入图像的大小。UNET的深度学习架构用于对植被土地、建筑物和道路的类别进行分类。所提出的方法针对各种时期和批量大小进行了实验。计算不同时期的交集对联合、损失和杰卡德系数的性能度量。该模型产生了81.23%的分类准确率。