基于卷积神经网络的高分遥感影像多标签分类

摘要

每一分钟世界失去48个足球场的原始森林,为了遏止破坏原始森林的行为,统计人类在森林地区的活动痕迹尤为重要,其困难之处在于森林地区遥感影像中地物交错,而且气象特征难以用区域分割方式表达.本文针对高分遥感影像多标签分类问题,提出一种基于卷积神经网络将多标签分类问题转化为多类分类问题的方法,用sigmoid激活函数替代多类分类中的softmax激活函数,用阈值搜索函数求得二分类的自适应阈值,相比手动提取特征的XGBoost方法和OVR方法的F2值(召回率和准度的调和平均数的变体,权重为2)高出0.03到0.05.试验中基于八万平方米森林地区的3米分辨率红、绿、蓝、近红外四波段卫星遥感影像,进行了包括树木、云、居民区、道路、水体等17类多标签分类研究.实验结果表明,本文提出的sigmoid激活函数结合阈值搜索的方法可以有效的提高多标签分类的性能,该研究将有助于进行高分影像场景理解,更精准地发现原始森林砍伐行为.