基于OverFeat模型的長(zhǎng)江口南匯潮灘植被分類

李靜, 韓震,2,*, 王文柳, 崔艷榮

基于OverFeat模型的長(zhǎng)江口南匯潮灘植被分類

李靜1, 韓震1,2,*, 王文柳1, 崔艷榮1

1. 上海海洋大學(xué) 海洋科學(xué)學(xué)院, 上海 201306 2. 上海河口海洋測(cè)繪工程技術(shù)研究中心, 上海 201306

潮灘地帶環(huán)境復(fù)雜多變, 有些植被之間光譜特性相似, 為了解決植被精細(xì)分類精度不高的問題, 利用基于ImageNet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)OverFeat模型, 以高分二號(hào)(GF-2)衛(wèi)星遙感影像作為實(shí)驗(yàn)數(shù)據(jù), 對(duì)長(zhǎng)江口南匯潮灘不同生長(zhǎng)狀態(tài)的植被進(jìn)行了深度特征提取, 然后將模型訓(xùn)練好的深度特征輸入到支持向量機(jī)(SVM)分類器中, 得到植被分布信息。研究結(jié)果表明, 與基于光譜特征的SVM分類方法相比, 文章所用方法的分類精度更高, 總體精度可達(dá)96.08%, 證明了使用基于ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同生長(zhǎng)狀態(tài)的植被可以實(shí)現(xiàn)較好的識(shí)別。

ImageNet; 卷積神經(jīng)網(wǎng)絡(luò); OverFeat; 特征提取; 分類

0 前言

海岸帶潮灘地帶是海洋向陸地的過渡帶, 其環(huán)境復(fù)雜多變, 且植被覆蓋范圍廣, 植被間同物異譜、同譜異物現(xiàn)象較為普遍, 對(duì)于植被的精細(xì)分類, 基于光譜統(tǒng)計(jì)特征的分類方法準(zhǔn)確度不高。卷積神經(jīng)網(wǎng)絡(luò)模擬大腦通過多層神經(jīng)網(wǎng)絡(luò)建立學(xué)習(xí)機(jī)制, 從低層向高層逐層提取抽象特征, 在復(fù)雜圖像的分類上有一定優(yōu)勢(shì)。近年來, 卷積神經(jīng)網(wǎng)絡(luò)在遙感圖像上的應(yīng)用日益增多。J. Donahue等[1]提取了基于ImageNet訓(xùn)練集的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的輸出特征, 實(shí)現(xiàn)了不同種類圖像的分類識(shí)別。Hu等人[2]對(duì)現(xiàn)有的深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析, 并對(duì)其各隱含層的輸出進(jìn)行對(duì)比, 提出了使用深度學(xué)習(xí)對(duì)光學(xué)遙感影像進(jìn)行特征提取。張偉等[3]通過預(yù)訓(xùn)練好的AlexNet卷積神經(jīng)網(wǎng)絡(luò)對(duì)GF-1多光譜影像進(jìn)行特征提取, 分析了其地表覆蓋分類, 得到了更高的分類精度。黨宇等[4]使用大量數(shù)據(jù)微調(diào)AlexNet模型, 有效計(jì)算了各圖斑的地類隸屬, 實(shí)現(xiàn)了自動(dòng)地表覆蓋分類圖斑量化評(píng)價(jià)。葛蕓等[5]證明了在ImageNet上訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)用于遙感圖像檢索是一種有效方法。李冠東等[6]利用基于ImageNet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)Inception-v3模型提取了高分影像的特征向量, 并將其輸入到新的全連接層, 經(jīng)少量帶標(biāo)簽影像場(chǎng)景數(shù)據(jù)訓(xùn)練后得到最終分類結(jié)果。綜上所述, 基于ImageNet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)不僅可以進(jìn)行不同種類圖像的分類, 在遙感影像的識(shí)別分類上, 如地表覆蓋分類、遙感圖斑地類隸屬、高分場(chǎng)景影像以及遙感圖像檢索方面的識(shí)別分類效果也比較好。

OverFeat模型是預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)中比較常用的模型, 其是在AlexNet模型的基礎(chǔ)上改進(jìn)發(fā)展的, 并基于ImageNet訓(xùn)練集訓(xùn)練模型參數(shù), 可實(shí)現(xiàn)深度特征提取和分類的功能。Marmanis D等[7]將基于ImageNet訓(xùn)練集的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)OverFeat模型應(yīng)用于UC Merced Land數(shù)據(jù)集的分類, 準(zhǔn)確率可達(dá)到92.4%。OverFeat模型廣泛應(yīng)用于圖像識(shí)別方向, 而CaffeNet、VGG等卷積神經(jīng)網(wǎng)絡(luò)在遙感圖像的識(shí)別上, 由于層數(shù)過多會(huì)產(chǎn)生過擬合現(xiàn)象, 故本文選取OverFeat模型。

圖1 技術(shù)路線

Figure 1 Technical route

本文通過基于ImageNet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)OverFeat模型, 將模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)應(yīng)用到遙感圖像上, 以GF-2衛(wèi)星遙感影像為實(shí)驗(yàn)數(shù)據(jù), 對(duì)長(zhǎng)江口南匯潮灘的植被進(jìn)行深度特征提取, 技術(shù)路線如圖1所示, 結(jié)果表明利用OverFeat模型提取的植被深度特征進(jìn)行分類與基于光譜特征的分類方法相比精度更高。

1 模型方法

1.1 OverFeat模型

OverFeat模型是Sermanet P等提出的一種基于ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò), 可以達(dá)到分類、預(yù)測(cè)、定位的目的, 其充分利用了卷積神經(jīng)網(wǎng)絡(luò)的特征提取功能[8]。 OverFeat模型包括Fast和Accurate兩種網(wǎng)絡(luò)結(jié)構(gòu), Fast模型的運(yùn)行速度更快, 但是Accurate模型的準(zhǔn)確度更高一些, 所以本文選擇使用Accurate模型。Accurate模型分為9層, 其中前6層為卷積層, 后3層為全連接層。OverFeat Accurate模型主要進(jìn)行的運(yùn)算有卷積、池化、以及ReLU激活函數(shù)的使用, 如圖2所示。

OverFeat模型的卷積過程可以描述為:

F=(F–?W+b) (1)

其中F(1≤≤6)為第層卷積層,?為通過卷積核對(duì)第-1層特征進(jìn)行卷積運(yùn)算,W表示第層卷積核的權(quán)重,b表示第層的偏置, 最終通過激勵(lì)函數(shù)輸出特征。

池化層一般直接在卷積層之后進(jìn)行, 用于對(duì)特征圖的下采樣, 可以達(dá)到降維的目的, 并在一定程度上保持特征的尺度不變。OverFeat模型使用最大值池化函數(shù), 只采用了普通的池化, 其步長(zhǎng)為3。模型僅在第1、2、6層卷積層之后使用最大值池化。

OverFeat模型使用ReLU激活函數(shù)來有效改善梯度消失和收斂波動(dòng)。ReLU函數(shù)的數(shù)學(xué)表達(dá)式為:

()=max(0,) (2)

是非飽和線性函數(shù), 只要通過一個(gè)閾值就可以得到激活值, 所以在隨機(jī)梯度下降時(shí)的收斂速度比Sigmoid函數(shù)快。

圖2 OverFeat Accurate模型基本功能

Figure 2 Basic functions of OverFeat accurate model

模型采用Dropout來抑制過擬合, 在訓(xùn)練過程中每次輸入數(shù)據(jù)時(shí), 都會(huì)激活不同的隱含網(wǎng)絡(luò)結(jié)構(gòu), 但是由于權(quán)重共享, 使得神經(jīng)元之間的復(fù)雜互適應(yīng)關(guān)系明顯降低, 從而有效抑制了過擬合問題, 提高了模型的泛化能力。

模型參數(shù)的更新是基于梯度下降算法的, 其中超參數(shù)的設(shè)置如下: 動(dòng)量項(xiàng)為0.6, L2權(quán)重的衰減系數(shù)為10-5, 初始學(xué)習(xí)率為0.05, 并且在每迭代30、50、60、70、80次后, 學(xué)習(xí)率每衰減0.5倍, Dropout為0.5。每層的權(quán)重服從(,)=(0, 0.01)的高斯分布。

1.2 SVM分類方法

SVM分類的基本思想是通過核函數(shù)將輸入向量轉(zhuǎn)化到高維空間, 根據(jù)間隔最大理論尋找最優(yōu)分類面, 用最優(yōu)分類面進(jìn)行分類, 其分類包括2個(gè)部分: 訓(xùn)練SVM分類器和分類。通過給定訓(xùn)練樣本, 構(gòu)造并求解凸二次規(guī)劃問題, 其求得的解對(duì)應(yīng)的樣本就是支持向量, 以此完成SVM分類器的訓(xùn)練; 之后構(gòu)造分劃超平面, 求得決策函數(shù), 將待分類影像中的未知樣本特征帶入到?jīng)Q策函數(shù)中, 完成樣本的分類。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 研究區(qū)域

本文選取的研究區(qū)域分布在長(zhǎng)江口南匯潮灘, 位于30°52′10″N—30°52′23″N, 121°55′50″E—121° 56′33″E, 具體遙感影像如圖3(b)所示, 成像時(shí)間為2016年5月4日, 圖像大小為400ⅹ400。研究區(qū)域內(nèi)有大范圍的潮灘植被, 主要的植被類型有蘆葦、一枝黃花。

2.2 實(shí)驗(yàn)數(shù)據(jù)

高分二號(hào)(GF-2)衛(wèi)星于2014年8月19日發(fā)射成功, 是我國(guó)自主研制的空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星, 具體的衛(wèi)星有效載荷技術(shù)指標(biāo)如表1所示[9]。由于研究區(qū)域臨近東海岸邊, 5月初氣溫還比較低, 蘆葦雖正屬于生長(zhǎng)期, 但其生長(zhǎng)狀態(tài)不一致, 部分枯黃的蘆葦還保留在原地, 其在圖像上的表現(xiàn)有所差異, 所以將研究區(qū)域的蘆葦分為兩類, 其中一種為展葉期蘆葦, 另一種為還保留飄絮的枯黃期蘆葦。一枝黃花也正處于生長(zhǎng)期, 長(zhǎng)勢(shì)有所不同, 其中一種為高植株, 另一種為剛出苗的低植株。本文從圖像中選取了1646個(gè)樣本點(diǎn), 其中蘆葦I(展葉期蘆葦)312個(gè)樣本點(diǎn), 蘆葦II(枯黃期蘆葦)432個(gè)樣本點(diǎn), 一枝黃花I(高植株)324個(gè)樣本點(diǎn), 一枝黃花II(低植株)418個(gè)樣本點(diǎn), 水體78個(gè)樣本點(diǎn), 裸地82個(gè)樣本點(diǎn)。實(shí)驗(yàn)選取880個(gè)樣本點(diǎn)作為測(cè)試數(shù)據(jù), 選取766個(gè)樣本作為驗(yàn)證數(shù)據(jù)。

圖3 研究區(qū)域

Figure 3 Research area

2.3 潮灘植被主成分分析特征提取

主成分分析是一種線性變換方法, 可實(shí)現(xiàn)圖像增強(qiáng), 減少計(jì)算數(shù)據(jù)量, 同時(shí)可消除特征向量中各特征的相關(guān)性, 增強(qiáng)分類信息。本實(shí)驗(yàn)由于之后OverFeat模型的輸入要求為221ⅹ221ⅹ3, 所以取前三個(gè)主成分參與分類研究。

t-SNE算法是Maaten等[10]提出的一種非線性降維的流形學(xué)習(xí)算法, 其基本原理是通過將數(shù)據(jù)點(diǎn)之間的歐氏距離轉(zhuǎn)換為表示相似性的條件概率來將高維空間點(diǎn)對(duì)映射到低維空間, 保持點(diǎn)對(duì)之間的特性不變。實(shí)驗(yàn)選取220個(gè)樣本點(diǎn)進(jìn)行特征分析, 前三個(gè)主成分上樣本的光譜特征經(jīng)過t-SNE算法得到的結(jié)果如圖4所示, 其中蘆葦II與裸地、一枝黃花II樣本點(diǎn)混雜在一起, 兩種一枝黃花和兩種蘆葦也交錯(cuò)分布, 僅利用地物的光譜特征分類, 在4種植被和裸地之間易存在錯(cuò)分區(qū)域。

表1 GF-2衛(wèi)星有效載荷技術(shù)指標(biāo)

圖4 長(zhǎng)江口南匯潮灘植被光譜特征散點(diǎn)圖

Figure 4 Scatter plot of spectral characteristics of vegetation in Nanhui tidal flat of the Yangtze Estuary

2.4 潮灘植被OverFeat模型深度特征提取

2.4.1 微調(diào)OverFeat模型

本實(shí)驗(yàn)采用OverFeat Accurate模型的前7層網(wǎng)絡(luò), 包括6層卷積層、1層全連接層。因?yàn)镺verFeat模型是基于ImageNet訓(xùn)練集訓(xùn)練好的網(wǎng)絡(luò), f8提取的特征語義性更強(qiáng), 但是也更加符合ImageNet訓(xùn)練集的分類。而遙感影像不在ImageNet訓(xùn)練集內(nèi), 所以使用f7提取的特征, 分類精度更高。本實(shí)驗(yàn)主要對(duì)兩種蘆葦、兩種一枝黃花、水體、裸地6種地物分類, 所以輸出層的通道數(shù)為6。

2.4.2 深度特征提取

實(shí)驗(yàn)取研究區(qū)域遙感影像前3個(gè)主成分上選取的樣本, 使用最近鄰插值法使其鄰域擴(kuò)充到221× 221的像素。樣本數(shù)據(jù)輸入到模型第1層之后, 首先使用96個(gè)7×7×3的卷積核, 每間隔2個(gè)像元對(duì)輸入影像進(jìn)行卷積操作; 其結(jié)果經(jīng)過ReLU函數(shù)激活后以3ⅹ3的窗口大小每隔3個(gè)像元選取對(duì)應(yīng)最大值進(jìn)行池化處理。第1層的輸出結(jié)果作為第2層的輸入, 再一次進(jìn)行卷積池化運(yùn)算, 但卷積的步長(zhǎng)縮小為1, 池化層的窗口變?yōu)?×2, 步長(zhǎng)為2。將第2層的結(jié)果經(jīng)過3次3×3×1的卷積之后, 輸入到第6層中進(jìn)行3×3×1的卷積運(yùn)算提取特征, 再經(jīng)過3×3×3的池化降維, 最終輸入到全連接層中。

樣本數(shù)據(jù)輸入到OverFeat模型中進(jìn)行訓(xùn)練, 經(jīng)過模型訓(xùn)練的部分結(jié)果如圖5所示。以研究區(qū)域圖3(b)中紅框標(biāo)注的一幅蘆葦I影像為例, 圖5(a)為96張108ⅹ108的抽象特征圖, 是其經(jīng)過模型第一個(gè)卷積層的輸出, 特征值從藍(lán)色到紅色逐漸增大。第一次池化層結(jié)果如圖5(b)所示, 為96張36ⅹ36的特征圖, 數(shù)據(jù)量明顯減少, 達(dá)到降維目的。圖5(c)為模型第6次卷積層的輸出, 有1024張7ⅹ7的特征圖, 圖5(d)包括1024張2ⅹ2的特征圖, 是模型第6次池化層的輸出。對(duì)比第1次卷積、池化與第6次卷積、池化的結(jié)果, 可以發(fā)現(xiàn)OverFeat模型經(jīng)過對(duì)輸入影像的多次卷積池化, 使其激活的局部特征得到了有效的離散, 便于分類。

圖5 長(zhǎng)江口南匯潮灘蘆葦特征提取結(jié)果

Figure 5 Extraction results of reeds in the Nanhui tidal flat of the Yangtze Estuary

OverFeat模型提取的潮灘植被深度特征經(jīng)t-SNE算法運(yùn)算后得到圖6, 從圖像中可以發(fā)現(xiàn), 6種不同類別的數(shù)據(jù)點(diǎn)分別聚成簇, 而且不同簇之間分隔較大, 說明深度特征可以將相似地物之間的細(xì)微差別放大, 在對(duì)植被細(xì)節(jié)上的分類更準(zhǔn)確。

2.5 潮灘植被SVM分類

實(shí)驗(yàn)將訓(xùn)練樣本主成分分析后提取的潮灘植被光譜特征和基于OverFeat模型提取的潮灘植被深度特征分別輸入到SVM分類器中進(jìn)行訓(xùn)練。由于模型提取的深度特征維數(shù)很高, 所以本文選取線性核函數(shù)作為SVM分類器的核函數(shù)。最后, 對(duì)研究區(qū)域影像中的未知類別樣本分別進(jìn)行主成分分析光譜特征提取和OverFeat模型深度特征提取, 并將兩種特征分別輸入到相應(yīng)訓(xùn)練好的SVM分類器中, 得到最終的潮灘植被分類圖, 如圖7所示。

圖6 長(zhǎng)江口南匯潮灘植被深度特征散點(diǎn)圖

Figure 6 Scatter plot of depth characteristics of vegetation in Nanhui tidal flat of the Yangtze Estuary

2.6 潮灘植被分類結(jié)果

對(duì)比基于兩種特征的SVM分類方法的植被分類圖, 基于深度特征的SVM分類圖7(b)比基于光譜特征的SVM分類圖7(a)對(duì)不同植被之間的識(shí)別更加細(xì)致。對(duì)比研究區(qū)域圖, 本文選取2個(gè)區(qū)域進(jìn)行分析, 其中區(qū)域A為裸地與一枝黃花的交錯(cuò)區(qū)域; 區(qū)域B為蘆葦I、蘆葦II與一枝黃花II的交錯(cuò)區(qū)域。圖7(b)中區(qū)域A中的裸地部分被很好的區(qū)分出來, 而在圖7(a)中部分裸地被分為蘆葦II, 是由于雖然蘆葦II與裸地都屬于高亮度區(qū)域, 但是模型提取的蘆葦II與裸地的深度特征差別較大, 所以基于深度特征的SVM分類更準(zhǔn)確。對(duì)比研究區(qū)域圖, 在圖7(b)中區(qū)域B的分布更接近于兩種蘆葦和一枝黃花II的真實(shí)分布, 這是因?yàn)樯疃忍卣骺梢詫煞N相似地物的細(xì)微差別放大, 得到更精確的分類結(jié)果。

2.7 潮灘植被分類精度

表2為基于OverFeat模型深度特征的SVM分類與傳統(tǒng)SVM分類方法的混淆矩陣, 可以發(fā)現(xiàn)基于深度特征的SVM分類對(duì)于蘆葦I的分類可以達(dá)到100%, 而蘆葦II識(shí)別雖有提高, 但仍有一些裸地被分為蘆葦II, 這是因?yàn)楸疚难芯繀^(qū)域的裸地是一條兩旁長(zhǎng)滿植被的小路, 其寬為1m左右, 而GF-2影像分辨率為1m, 當(dāng)小路兩旁植被植株過高時(shí)會(huì)遮擋部分小路, 使得這部分像元有植被特性, 而裸地和蘆葦II都屬于高亮度區(qū)域, 所以這部分容易被誤分為蘆葦II。一枝黃花II識(shí)別的準(zhǔn)確率提高10.09%, 是因?yàn)闇p少了被分為一枝黃花I和蘆葦I的情況, 尤其是在蘆葦I、一枝黃花I與一枝黃花II的交錯(cuò)地帶, 從圖7也可明顯看出這一結(jié)論。本文所用方法的總體精度為96.08%, 分類精度較好。

3 結(jié)論

本文將基于ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)OverFeat模型應(yīng)用于GF-2衛(wèi)星影像, 通過對(duì)長(zhǎng)江口南匯潮灘不同植被進(jìn)行深度特征提取, 并利用深度特征訓(xùn)練SVM分類器, 得到了較好的植被分類結(jié)果。證明了使用基于ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)可以將不同生長(zhǎng)狀態(tài)的植被細(xì)微差別放大, 很好地解決了相似地物難區(qū)分的問題。

圖7 長(zhǎng)江口南匯潮灘地物分類結(jié)果

Figure 7 Classification results of the Nanhui tidal flat in the Yangtze Estuary

表2 基于兩種特征的SVM分類混淆矩陣/%

[1] DONAHUEO J, JIA Y, VINVALS O, et al. DeCAF: A deep convolutional activation feature for generic visual recognition[C]// International Conference on International Conference on Machine Learning. JMLR.org, 2014: I–647.

[2] HU F, XIA G S, HU J, et al. Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery[J]. Remote Sensing, 2015, 7(11): 14680–14707.

[3] 張偉, 鄭柯, 唐娉, 等. 深度卷積神經(jīng)網(wǎng)絡(luò)特征提取用于地表覆蓋分類初探[J]. 中國(guó)圖象圖形學(xué)報(bào), 2017, 22(8): 1144–1153.

[4] 黨宇, 張繼賢, 鄧喀中, 等. 基于深度學(xué)習(xí)AlexNet的遙感影像地表覆蓋分類評(píng)價(jià)研究[J]. 地球信息科學(xué)學(xué)報(bào), 2017, 19(11): 1530–1537.

[5] 葛蕓, 江順亮, 葉發(fā)茂, 等. 基于ImageNet預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像檢索[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2018, 43(1): 67–73.

[6] 李冠東, 張春菊, 王銘愷, 等. 卷積神經(jīng)網(wǎng)絡(luò)遷移的高分影像場(chǎng)景分類學(xué)習(xí)[J]. 測(cè)繪科學(xué), 2019, 44(4): 116–123, 174.

[7] MARMANIS D, DATCU M, ESCH T, et al. Deep Learning Earth Observation Classification Using ImageNet Pretrained Networks[J]. IEEE Geoscience & Remote Sensing Letters, 2016, 13(1): 105–109.

[8] SERMANET P, EIGEN D, ZHANG X, et al. OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks[DB/OL]. 2013, http://arxiv.org/ abs/1312.6229.

[9] 中國(guó)資源衛(wèi)星應(yīng)用中心. 高分二號(hào)[EB/OL]. 2014-10-15 [2018-03-19]. http://www.cresda.com/CN/Satellite/3128.shtml.

[10] MAATEN L, HINTON G. Visualizing data using t-SNE[J]. Journal of Machine Learning Research, 2008, 9: 2579– 2605.

[11] ROMERO A, GATTA C, CAMPS-VALLS G. Unsupervised Deep Feature Extraction for Remote Sensing Image Classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(3): 1349–1362.

[12] 焦計(jì)晗, 張帆, 張良. 基于改進(jìn)AlexNet模型的油菜種植面積遙感估測(cè)[J]. 計(jì)算機(jī)測(cè)量與控制, 2018, 26(2): 186– 189.

[13] 劉笑, 王光輝, 楊化超, 等. 全卷積神經(jīng)網(wǎng)絡(luò)遙感影像道路提取方法[J]. 遙感信息, 2018, 33(1): 69–75.

[14] 周秋文, 羅婭, 蘇維詞, 等. 基于多元信息的巖溶區(qū)植被類型信息快速提取方法構(gòu)建[J]. 生態(tài)科學(xué), 2015, 34(1): 135–141.

OverFeat Model for vegetation classification in Nanhui tidal flat of the Yangtze Estuary

LI Jing1, HAN Zhen1,2,*, WANG Wenliu1, CUI Yanrong1

1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China 2. Shanghai Engineering Research Center of Estuarine and Oceanographic Mapping, Shanghai 201306, China

The environment of the tidal flat is complex and variable, and the spectral characteristics between some vegetations are similar. In order to solve the problem that the classification accuracy of fine vegetation classification is not high, we use the OverFeat Model, which is the convolutional neural network based on ImageNet pre-training and the GF-2 satellite remote sensing image as experimental data, to extract the depth features of two different growth states of vegetation in Nanhui tidal flat of the Yangtze Estuary. The depth features of model-trained was inputed to the Support Vector Machine (SVM) classification to get information about vegetation. The results show that the classification accuracy of the method used in this paper is higher compared with the SVM classification method which is based on spectral features, and the overall accuracy can reach to 96.08%. It is proved that the pre-training convolutional neural network based on ImageNet data set can achieve better recognition for different growth states of vegetation.

ImageNet; convolutional neural network;OverFeat; feature extraction; classification

10.14108/j.cnki.1008-8873.2019.04.019

TP79

A

1008-8873(2019)04-135-07

2018-07-17;

2018-09-20

國(guó)土資源部公益性行業(yè)科研專項(xiàng)(201211009)

李靜(1994—), 女, 碩士研究生, 主要從事遙感圖像分類研究, E-mail : 463211189@qq.com

韓震(1969—), 男, 博士、教授, 主要從事海洋信息探測(cè)與應(yīng)用研究, E-mail:zhhan@shou.edu.cn

李靜, 韓震, 王文柳, 等. 基于OverFeat模型的長(zhǎng)江口南匯潮灘植被分類[J]. 生態(tài)科學(xué), 2019, 38(4): 135-141.

LI Jing, HAN Zhen, WANG Wenliu, et al. OverFeat Model for vegetation classification in Nanhui tidal flat of the Yangtze Estuary[J]. Ecological Science, 2019, 38(4): 135-141.