• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于深度學習特征融合的遙感圖像場景分類應(yīng)用

    2023-07-06 20:53:38王李祺張成侯宇超譚秀輝程蓉高翔白艷萍
    南京信息工程大學學報 2023年3期
    關(guān)鍵詞:圖像分類遷移學習支持向量機

    王李祺 張成 侯宇超 譚秀輝 程蓉 高翔 白艷萍

    摘要 針對傳統(tǒng)手工特征方法無法有效提取整體圖像深層信息的問題,本文提出一種基于深度學習特征融合的場景分類新方法.利用灰度共生矩陣(GLCM)和局部二值模式(LBP)提取具有相關(guān)空間特性的紋理特征和局部紋理特征的淺層信息;通過基于AlexNet遷移學習網(wǎng)絡(luò)提取圖像的深層信息,在去除最后一層全連接層的同時加入一層256維的全連接層作為特征輸出;將兩種特征進行自適應(yīng)融合,最終輸入到網(wǎng)格搜索算法優(yōu)化的支持向量機(GS-SVM)中對遙感圖像進行場景分類識別.在公開數(shù)據(jù)集UC Merced的21類目標數(shù)據(jù)和RSSCN7的7類目標數(shù)據(jù)的實驗結(jié)果表明,5次實驗的平均準確率分別達94.77%和93.79%.該方法可有效提升遙感圖像場景的分類精度.關(guān)鍵詞 圖像分類;卷積神經(jīng)網(wǎng)絡(luò);灰度共生矩陣;局部二值模式;遷移學習;支持向量機

    中圖分類號TP183

    文獻標志碼A

    0 引言

    隨著遙感技術(shù)的不斷發(fā)展[1],遙感圖像分類被廣泛應(yīng)用于土地管理、城市規(guī)劃、交通監(jiān)管等眾多領(lǐng)域[2].然而,目前遙感場景圖像包含的信息和結(jié)構(gòu)豐富復(fù)雜,如何合理利用遙感圖像中豐富的信息獲取精準有效的特征,還面臨諸多挑戰(zhàn)[3].

    遙感圖像場景分類中常用傳統(tǒng)手工特征提取圖像的特征,包括顏色直方圖、紋理特征、全局特征信息 (GIST)、尺度不變特征變換 (SIFT)等.李孚煜等[4]指出基于SIFT的遙感圖像配準技術(shù)在尺度旋轉(zhuǎn)不變性上具有優(yōu)勢;許君一等[5]將灰度共生矩陣(GLCM)作為主成分分析(PCA)的第一主分量,充分利用了GLCM在獲取紋理特征上的穩(wěn)健性.盡管傳統(tǒng)手工特征具有較好的穩(wěn)定性和表達整體淺層信息的能力,直接應(yīng)用于低分辨率遙感圖像場景分類任務(wù)中是可行的,但傳統(tǒng)手工特征過于依賴人工設(shè)計且無法有效提取高分辨率遙感圖像特征信息,使得在分類任務(wù)中不具有廣泛應(yīng)用能力.

    為了有效解決上述問題和依靠單一特征導(dǎo)致模型缺乏泛化能力和分類性能低下的情況,學者們先后提出多種特征融合分類方法.陳旭等[6]提出基于GLCM和Tamura融合特征的紋理材質(zhì)分類算法,通過提升GLCM的旋轉(zhuǎn)不變性和減少大量的冗余信息,增強算法的魯棒性和分類性能;張慶春等[7]采用多特征融合的算法提取局部熵、紋理特征等多個特征提高圖像的分類性能;王鈺等[8]采用新空間特征——二階矩特征和光譜特征融合的方法實現(xiàn)道路精化;康健等[9]利用RFB模塊獲取高階水體語義信息與多尺度,將初始多尺度特征與原始特征進行深層次融合,完成多尺度特征的提取,增強高階水體語義信息特征.這些方法在考慮全局特征信息的同時,保留了淺層局部信息,通過淺層信息和全局特征信息融合的方法,在一定程度上提高了算法的泛化能力和分類性能.然而,這種特征融合會增加計算量,從而導(dǎo)致模型復(fù)雜度的增加和過擬合情況的發(fā)生.因此,本文算法中引入PCA模塊,選用合適的主成分貢獻率,去除冗余信息的同時提升模型分類性能

    近年來,因深度學習算法在圖像識別方面表現(xiàn)出的優(yōu)越性,眾多學者將卷積神經(jīng)網(wǎng)絡(luò)(CNN)引入遙感圖像場景分類中.盡管目前CNN在場景分類方法中取得了較好的結(jié)果,但深度學習需要大量的數(shù)據(jù)標簽,在可供學習樣本較少的遙感圖像場景分類領(lǐng)域,難以獲取更可靠的圖像特征信息.遷移學習通過ImageNet預(yù)訓(xùn)練網(wǎng)絡(luò),在小樣本條件下的場景分類中能夠獲得較好的效果.Han等[10]利用預(yù)訓(xùn)練的AlexNet網(wǎng)絡(luò)結(jié)合空間金字塔池化方法提高場景分類精度.有研究表明,提取CNN的深層特征進行不同方式的特征融合,最終將融合特征輸入SVM(支持向量機)分類,效果優(yōu)于CNN直接分類.因此本文選用網(wǎng)格搜索優(yōu)化的SVM(GS-SVM)作為最終的分類器.Li等[11]指出在場景分類中融合預(yù)訓(xùn)練的CNN特征相比于原始CNN特征表現(xiàn)出更好的區(qū)分能力.Lu等[12]采用一種應(yīng)用于場景分類的特征聚合(FACNN),通過預(yù)訓(xùn)練的CNN作為特征抽取器探索語義標簽信息來學習圖像特征.

    綜上所述,基于傳統(tǒng)手工特征依賴人工設(shè)計、表達特征能力弱,特征融合增加模型復(fù)雜度和計算量,深度學習在缺乏大量數(shù)據(jù)標簽時性能不佳,所以,本文提出基于深度學習特征融合的遙感圖像場景分類方法(GL-LBP-CNN),對數(shù)據(jù)集UC Merced的21類和RSSCN7數(shù)據(jù)集的7類圖像進行分類.利用GLCM和LBP(局部二值模式)提取具有相關(guān)空間特性的紋理特征和局部紋理特征的淺層特征,再利用基于AlexNet網(wǎng)絡(luò)的遷移學習(AleCNN)提取全連接層的深度特征,并將提取的淺層特征與深度特征自適應(yīng)融合后通過PCA降低冗余信息,最后輸入到GS-SVM中進行分類.

    1 特征提取高分辨率遙感圖像場景分類主要利用圖像的空間信息和少量的光譜信息來識別遙感圖像的場景類別[13].本文在進行遙感圖像分類時,通過灰度共生矩陣提取具有相關(guān)空間特性的紋理特征,然而只關(guān)注整體的紋理特征具有局限性,局部二值模式可以有效地提取遙感圖像的局部紋理特征,最終構(gòu)建一個整體特征與局部特征相融合的淺層紋理特征.再加入基于AlexNet網(wǎng)絡(luò)的遷移學習模塊提取遙感圖像深層特征,最后將淺層特征與深層特征進行特征融合得到遙感圖像最終特征.

    1.1 灰度共生矩陣

    1.2 局部二值模式

    1.3 遷移學習

    2 本文方法

    結(jié)合上述3種特征提取使用GS-SVM(網(wǎng)格搜索支持向量機)作為分類器,提出GL-LBP-CNN方法.

    2.1 GS-SVM模型

    2.2 方法步驟

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集

    3.2 實驗設(shè)置

    實驗在MATLAB R2019b的環(huán)境下進行,處理器型號為AMD Ryzen5 3500X.本文模型實驗中在UC Merced數(shù)據(jù)集上訓(xùn)練集和測試集分別為每類的80%和20%,在RSSCN7數(shù)據(jù)集上訓(xùn)練集和測試集均為每類的50%.AlexNet預(yù)訓(xùn)練網(wǎng)絡(luò)基于ImageNet數(shù)據(jù)集,實驗中批量大小為10,初始學習率為0.0001, 迭代次數(shù)為 10 次.實驗部分采用分類精度、時間開銷、混淆矩陣、F1和kappa系數(shù)作為評價指標.

    3.3 對比實驗為對比手工特征模塊相較于單一手工特征的性能,將兩個基準數(shù)據(jù)集通過GLCM-LBP、GLCM和LBP手工特征進行分類精度、F1和kappa系數(shù)比較.結(jié)果如表1所示.

    由表1可知:在UC Merced 數(shù)據(jù)集上GLCM-LBP模塊相較于GLCM和LBP單個特征在分類精度上分別提高19.53個百分點和4.53個百分點,在F1分數(shù)和kappa系數(shù)上均有不同程度的提升;在RSSCN7數(shù)據(jù)集上GLCM-LBP模塊相較于GLCM和LBP單個特征在分類精度上分別提高17個百分點和2.28個百分點,同樣在F1分數(shù)和kappa系數(shù)上都有更佳的表現(xiàn).結(jié)果表明傳統(tǒng)手工特征提取的淺層特征,經(jīng)過融合特征后表達圖像信息的能力優(yōu)于單一特征,且兩種不同的淺層特征可以起到信息互補的作用,從而增強模型的泛化能力和分類性能.然而,不管是GLCM-LBP模塊還是GLCM和LBP這種單一手工特征,在兩個基準數(shù)據(jù)集上均沒有取得優(yōu)良的分類性能,表明手工特征無法有效提取圖像更高層的語義信息和有效解決高分辨率遙感場景圖像分類的能力.圖6和圖7是GLCM-LBP模塊分別在UC Merced 數(shù)據(jù)集和RSSCN7數(shù)據(jù)集的混淆矩陣.由UC Merced 數(shù)據(jù)集的混淆矩陣可知,建筑物、密集住宅、路口、中型住宅、稀疏住宅、儲油罐和網(wǎng)球場7個類別的分類精度沒有超過83.1%,而這些類別具有圖像復(fù)雜的特征,且建筑物、密集住宅、中型住宅、稀疏住宅具有類間相似高、類內(nèi)相似低的特性,極大地干擾了模型分類的性能.密集住宅類別中分類錯誤的圖像大多被誤分類到了其他3類.由RSSCN7數(shù)據(jù)集的混淆矩陣可知,工業(yè)、居民區(qū)和停車場3個類別的分類精度沒有超過81.14%,其中工業(yè)類別分類錯誤的圖像有78.79%被錯誤分類到居民區(qū)和停車場中,居民區(qū)類別分類錯誤的圖像有84.21%被錯誤分類到工業(yè)和停車場中,停車場類別分類錯誤的圖像有81.25%被錯誤分類到工業(yè)和居民區(qū)中.因此,傳統(tǒng)手工特征無法充分表達復(fù)雜特征圖像的信息,且無法有效解決類間相似高、類內(nèi)相似低的問題.

    將GL-LBP-CNN方法在UC Merced數(shù)據(jù)集上與SVM-LDA[18]、MU-DenseNet[19]、FK-S[20]和MS-DCNN[21]比較,在RSSCN7數(shù)據(jù)集上與S-head-attention[22]、M-head-attention[22]、pre-trained Resnet50 features+SVM[23]和TLMoE-Resnet50[23]比較,結(jié)果如表2所示.

    由表2可知,在UC Merced 和RSSCN7數(shù)據(jù)集上GL-LBP-CNN分別取得了94.77%和93.79%的分類精度,均優(yōu)于對比方法.本文方法不僅在分類精度上具有優(yōu)越性,還具有較強的泛化能力,能適用于多種場景分類數(shù)據(jù)集.

    3.4 消融實驗為了更深入探究預(yù)訓(xùn)練AlexNet不同維數(shù)的全連接層表達圖像信息的能力,實驗對比了64維、256維和512維全連接層輸出的特征,結(jié)果如表3所示.

    由表3可知:在UC Merced數(shù)據(jù)集和RSSCN7數(shù)據(jù)集中,預(yù)訓(xùn)練AlexNet的全連接層的維數(shù)和時間開銷成正比,且倍數(shù)基本保持一致;在兩個數(shù)據(jù)集中,AlexNet-256的分類精度均優(yōu)于AlexNet-64和AlexNet-512.結(jié)果表明,全連接層輸出特征維數(shù)過高,會產(chǎn)生一定的冗余信息,在SVM分類器中效果不理想.特征融合后場景圖像輸出特征維數(shù)增加,模型的復(fù)雜度和計算量有所提高,大大增加了模型的時間開銷.本文通過對比不同的主成分貢獻率對GL-LBP-CNN分類精度和時間開銷的影響以獲取一個較優(yōu)的參數(shù).結(jié)果如表4所示.

    由表4可知,在UC Merced數(shù)據(jù)集上,主成分貢獻率為95%時分類精度最高,達94.77%,當主成分貢獻率為50%時,分類精度只有77.14%,表明在PCA降維過程中丟失了過多有效信息.在權(quán)衡時間開銷和分類精度的過程中,分類精度是至關(guān)重要的,因此選擇95%主成分貢獻率.在RSSCN7數(shù)據(jù)集上,主成分貢獻率為90%時分類精度最高,為93.79%,當主成分貢獻率為50%時,分類精度僅為83.07%,綜合分類精度與時間開銷,最終選擇90%主成分貢獻率.上述實驗結(jié)果表明,特征融合在增加模型復(fù)雜度和計算量的同時會產(chǎn)生冗余信息,在一定程度上會降低模型的分類精度.而本文引入的PCA方法可以有效降低冗余信息和模型計算量,在保證分類精度的同時,減少時間開銷.為探究在GL-LBP-CNN方法中淺層信息對預(yù)訓(xùn)練網(wǎng)絡(luò)提高場景分類性能的有效性,將GLCM和LBP單一手工特征分別和AleCNN融合,結(jié)果如表5、6所示.

    由表5可知,不同的手工特征對于AleCNN提取的圖像信息有不同程度的補充.在UC Merced數(shù)據(jù)集上,LBP-AleCNN和GLCM-AleCNN的分類精度優(yōu)于AleCNN.盡管GLCM的分類精度低于LBP,但在對AleCNN的特征信息補充上略微優(yōu)于LBP,表明兩種紋理特征在作用于深層語義特征時,會有不同的信息補充.在RSSCN7數(shù)據(jù)集上,LBP-AleCNN和GLCM-AleCNN的分類精度也優(yōu)于AleCNN.實驗結(jié)果表明淺層特征對于提高AleCNN場景分類能力具有一定的有效性.由表6可知,兩個數(shù)據(jù)集上GL-LBP-CNN相較于預(yù)訓(xùn)練AleCNN在F1和kappa系數(shù)上均取得更優(yōu)的結(jié)果,表明GL-LBP-CNN方法在每類的準確率和召回率上達到較高的精度且預(yù)測結(jié)果和實際分類結(jié)果具有較好的一致性.

    圖8和圖9是GL-LBP-CNN方法分別在UC Merced 數(shù)據(jù)集和RSSCN7數(shù)據(jù)集的混淆矩陣.將圖8與圖6比較,可知建筑物、密集住宅、路口、中型住宅、稀疏住宅、儲油罐和網(wǎng)球場7個類別的分類精度都有不同程度的提高,7類的平均分類精度由原來的64.29%上升到了87.14%.將圖9和圖7比較,可知工業(yè)、居民區(qū)和停車場3個類別的分類性能得到大幅度提升,其中居民區(qū)類別分類錯誤率僅有0.5%,且沒有被錯誤分類到工業(yè)和停車場中,停車場類別分類錯誤率僅有8%,且被錯誤分類到工業(yè)和居民區(qū)中的圖像大幅度減少.表明GL-LBP-CNN方法極大地增加了模型表達復(fù)雜圖像信息的能力,有效地解決了類間相似高、類內(nèi)相似低的問題.

    4 結(jié)論本文提出的GL-LBP-CNN方法,不僅能提取圖像的整體與局部相結(jié)合的淺層特征,還融入AleCNN提取的深度特征.通過PCA降維有效地解決了特征維數(shù)擴大后計算量增加等問題,在不影響分類精度的同時,提高了算法的分類效率.并采用網(wǎng)格搜索優(yōu)化SVM以提高分類器分類的性能.在UC-Merced數(shù)據(jù)集和RSSCN7數(shù)據(jù)集中的實驗結(jié)果表明,本文模型優(yōu)于對比方法,5次平均分類精度分別達94.77%和93.79%.未來將進一步優(yōu)化預(yù)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)以及從通道注意力、多尺度特征融合、優(yōu)化分類器角度出發(fā),設(shè)計出更加輕量高效的方法.

    參考文獻 References

    [1]Zhao B,Zhong Y F,Xia G S,et al.Dirichlet-derived multiple topic scene classification model for high spatial resolution remote sensing imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2016,54(4):2108-2123

    [2] Chen S Z,Tian Y L.Pyramid of spatial relatons for scene-level land use classification[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(4):1947-1957

    [3] Yu D H,Guo H T,Xu Q,et al.Hierarchical attention and bilinear fusion for remote sensing image scene classification[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,13:6372-6383

    [4] 李孚煜,葉發(fā)茂.基于SIFT的遙感圖像配準技術(shù)綜述[J].國土資源遙感,2016,28(2):14-20LI Fuyu,YE Famao.Summarization of SIFT-based remote sensing image registration techniques[J].Remote Sensing for Land & Resources,2016,28(2):14-20

    [5] 許君一,徐富寶,張雅瓊,等.基于灰度共生矩陣的未利用地疑似污染遙感識別[J].北京工業(yè)大學學報,2018,44(11):1423-1433XU Junyi,XU Fubao,ZHANG Yaqiong,et al.Monitoring suspected pollution on unutilized land using gray-level co-occurrence matrices[J].Journal of Beijing University of Technology,2018,44(11):1423-1433

    [6] 陳旭,高亞洲,陳守靜,等.基于T-GLCM和Tamura融合特征的紋理材質(zhì)分類[J/OL].南京信息工程大學學報(自然科學版):1-11[2022-03-05].http://kns.cnki.net/kcms/detail/32.1801.N.20211123.2031.004.htmlCHEN Xu,GAO Yazhou,CHEN Shoujing,et al.Classification of textured materials based on T-GLCM and Tamura fusion features[J/OL].Journal of Nanjing University of Information Science & Technology (Natural Science Edition):1-11[2022-03-05].http://kns.cnki.net/kcms/detail/32.1801.N.20211123.2031.004.html

    [7] 張慶春,佟國峰,李勇,等.基于多特征融合和軟投票的遙感圖像河流檢測[J].光學學報,2018,38(6):320-326ZHANG Qingchun,TONG Guofeng,LI Yong,et al.Riverdetection in remote sensing images based on multi-feature fusion and soft voting[J].Acta Optica Sinica,2018,38(6):320-326

    [8] 王鈺,何紅艷,譚偉,等.一種多特征融合的高分辨率遙感圖像道路提取算法[J].遙感信息,2019,34(1):111-116WANG Yu,HE Hongyan,TAN Wei,et al.High resolution remote sensing image road extraction algorithm based on multi-feature fusion[J].Remote Sensing Information,2019,34(1):111-116

    [9] 康健,管海燕,于永濤,等.基于RFA-LinkNet模型的高分遙感影像水體提取[J].南京信息工程大學學報(自然科學版),2023,15(2):160-168KANG Jian,GUAN Haiyan,YU Yongtao,et al.RFA-LinkNet:a novel deep learning network for water body extraction from hig-resolution remote sensing images[J].Journal of Nanjing University of Information Science & Technology (Natural Science Edition),2023,15(2):160-168

    [10] Han X B,Zhong Y F,Cao L Q,et al.Pre-trained AlexNet architecture with pyramid pooling and supervision for high spatial resolution remote sensing image scene classification[J].Remote Sensing,2017,9(8):848

    [11] Li E Z,Xia J S,Du P J,et al.Integrating multilayer features of convolutional neural networks for remote sensing scene classification[J].IEEE Transactions on Geoscience and Remote Sensing,2017,55(10):5653-5665

    [12] Lu X Q,Sun H,Zheng X T.A feature aggregation convolutional neural network for remote sensing scene classification[J].IEEE Transactions on Geoscience and Remote Sensing,2019,57(10):7894-7906

    [13] 錢曉亮,李佳,程塨,等.特征提取策略對高分辨率遙感圖像場景分類性能影響的評估[J].遙感學報,2018,22(5):758-776QIAN Xiaoliang,LI Jia,CHENG Gong,et al.Evaluation of the effect of feature extraction strategy on the performance of high-resolution remote sensing image scene classification[J].Journal of Remote Sensing,2018,22(5):758-776[14] 聶光濤,黃華.光學遙感圖像目標檢測算法綜述[J].自動化學報,2021,47(8):1749-1768NIE Guangtao,HUANG Hua.A survey of object detection in optical remote sensing images[J].Acta Automatica Sinica,2021,47(8):1749-1768

    [15] 余東行,張保明,趙傳,等.聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)與集成學習的遙感影像場景分類[J].遙感學報,2020,24(6):717-727YU Donghang,ZHANG Baoming,ZHAO Chuan,et al.Scene classification of remote sensing image using ensemble convolutional neural network[J].Journal of Remote Sensing,2020,24(6):717-727

    [16] Krizhevsky A,Sutskever I,Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM,2017,60(6):84-90

    [17] 張成,侯宇超,焦宇倩,等.基于三通道分離特征融合與支持向量機的混凝土圖像分類研究[J].圖學學報,2021,42(6):917-923ZHANG Cheng,HOU Yuchao,JIAO Yuqian,et al.Research on concrete image classification based on three-channel separation feature fusion and support vector machine[J].Journal of Graphics,2021,42(6):917-923

    [18] Zhang F,Du B,Zhang L P.Saliency-guided unsupervised feature learning for scene classification[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(4):2175-2184

    [19] 張艷月,張寶華,趙云飛,等.基于雙通道深度密集特征融合的遙感影像分類[J].激光技術(shù),2021,45(1):73-79ZHANG Yanyue,ZHANG Baohua,ZHAO Yunfei,et al.Remote sensing image classification based on dual-channel deep dense feature fusion[J].Laser Technology,2021,45(1):73-79

    [20] Zhao B,Zhong Y F,Zhang L P,et al.The fisher kernel coding framework for high spatial resolution scene classification[J].Remote Sensing,2016,8(2):157

    [21] 許夙暉,慕曉冬,趙鵬,等.利用多尺度特征與深度網(wǎng)絡(luò)對遙感影像進行場景分類[J].測繪學報,2016,45(7):834-840XU Suhui,MU Xiaodong,ZHAO Peng,et al.Scene classification of remote sensing image based on multi-scale feature and deep neural network[J].Acta Geodaetica et Cartographica Sinica,2016,45(7):834-840

    [22] 李彥甫,范習健,楊緒兵,等.基于自注意力卷積網(wǎng)絡(luò)的遙感圖像分類[J].北京林業(yè)大學學報,2021,43(10):81-88LI Yanfu,F(xiàn)AN Xijian,YANG Xubing,et al.Remote sensing image classification framework based on self-attention convolutional neural network[J].Journal of Beijing Forestry University,2021,43(10):81-88

    [23] 龔希,陳占龍,吳亮,等.用于高分辨遙感影像場景分類的遷移學習混合專家分類模型[J].光學學報,2021,41(23):2301003GONG Xi,CHEN Zhanlong,WU Liang,et al.Transfer learning based mixture of experts classification model for high-resolution remote sensing scene classification[J].Acta Optica Sinica,2021,41(23):2301003

    Remote sensing image scene classification based on deep learning feature fusion

    WANG Liqi ZHANG Cheng HOU Yuchao TAN Xiuhui CHENG Rong GAO Xiang BAI Yanping

    1School of Mathematics,North University of China,Taiyuan 030051

    2School of Information and Communication Engineering,North University of China,Taiyuan 030051Abstract In view that traditional manual feature extraction method cannot effectively extract the overall deep image information,a new method of scene classification based on deep learning feature fusion is proposed for remote sensing images.First,the Grey Level Co-occurrence Matrix (GLCM) and Local Binary Patterns (LBP) are used to extract the shallow information of texture features with relevant spatial characteristics and local texture features as well;second,the deep information of images is extracted by the AlexNet migration learning network,and a 256-dimensional fully connected layer is added as feature output while the last fully connected layer is removed;and the two features are adaptively integrated,then the remote sensing images are classified and identified by the Grid Search optimized Support Vector Machine (GS-SVM).The experimental results on 21 types of target data of the public dataset UC Merced and 7 types of target data of RSSCN7 produced average accuracy rates of 94.77% and 93.79%,respectively,showing that the proposed method can effectively improve the classification accuracy of remote sensing image scenes.

    Key words image classification;convolutional neural network (CNN);grey level co-occurrence matrix (GLCM);local binary patterns (LBP);migration learning;support vector machine (SVM)

    猜你喜歡
    圖像分類遷移學習支持向量機
    基于多特征融合的跨域情感分類模型研究
    奇異值分解與移移學習在電機故障診斷中的應(yīng)用
    基于云計算的圖像分類算法
    基于錨點建圖的半監(jiān)督分類在遙感圖像中的應(yīng)用
    動態(tài)場景中的視覺目標識別方法分析
    論提高裝備故障預(yù)測準確度的方法途徑
    價值工程(2016年32期)2016-12-20 20:36:43
    基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預(yù)測
    價值工程(2016年29期)2016-11-14 00:13:35
    一種基于引導(dǎo)濾波和MNF的高光譜遙感圖像分類方法
    基于支持向量機的金融數(shù)據(jù)分析研究
    基于最大似然法的南京市土地利用類型分類研究
    商(2016年22期)2016-07-08 14:32:30
    51午夜福利影视在线观看| 夜夜看夜夜爽夜夜摸| 亚洲av不卡在线观看| 最近最新中文字幕大全免费视频| 国产精品香港三级国产av潘金莲| 久久久精品大字幕| 国产97色在线日韩免费| 18禁裸乳无遮挡免费网站照片| 在线观看美女被高潮喷水网站 | 十八禁网站免费在线| 国产精品综合久久久久久久免费| 国语自产精品视频在线第100页| 成人欧美大片| 99riav亚洲国产免费| 国产欧美日韩精品亚洲av| 国产蜜桃级精品一区二区三区| 免费一级毛片在线播放高清视频| 欧美在线一区亚洲| 亚洲av免费在线观看| 老熟妇仑乱视频hdxx| 免费av观看视频| 精品99又大又爽又粗少妇毛片 | 少妇的逼水好多| 国产69精品久久久久777片| 亚洲欧美日韩高清专用| 一夜夜www| 精品久久久久久久毛片微露脸| 长腿黑丝高跟| 亚洲av免费在线观看| 色综合亚洲欧美另类图片| 久久这里只有精品中国| 成人av一区二区三区在线看| 亚洲男人的天堂狠狠| 美女高潮的动态| 欧美色视频一区免费| 久久久久久国产a免费观看| 伊人久久大香线蕉亚洲五| 精品福利观看| 黑人欧美特级aaaaaa片| 天天躁日日操中文字幕| 黄片小视频在线播放| 久久久久久久久大av| 在线免费观看的www视频| 在线观看一区二区三区| 成人特级黄色片久久久久久久| 免费无遮挡裸体视频| 亚洲午夜理论影院| 99久久精品一区二区三区| 欧美3d第一页| 一本久久中文字幕| 国产一区二区三区在线臀色熟女| av欧美777| 欧美一区二区精品小视频在线| 在线国产一区二区在线| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产色片| 欧美一区二区亚洲| 午夜亚洲福利在线播放| 亚洲成人久久性| av天堂中文字幕网| 亚洲中文字幕一区二区三区有码在线看| 又黄又爽又免费观看的视频| 香蕉久久夜色| 性欧美人与动物交配| 亚洲精品粉嫩美女一区| 特级一级黄色大片| av专区在线播放| 天堂网av新在线| 中文字幕人妻熟人妻熟丝袜美 | 在线观看午夜福利视频| 一二三四社区在线视频社区8| 97碰自拍视频| 99精品在免费线老司机午夜| 国产 一区 欧美 日韩| 国产淫片久久久久久久久 | 麻豆久久精品国产亚洲av| 99久久九九国产精品国产免费| 亚洲第一电影网av| 麻豆成人午夜福利视频| 欧美激情在线99| 久久精品综合一区二区三区| 他把我摸到了高潮在线观看| 日本五十路高清| 中文亚洲av片在线观看爽| 国产伦在线观看视频一区| 蜜桃久久精品国产亚洲av| 精品无人区乱码1区二区| 好男人在线观看高清免费视频| 黄片小视频在线播放| 午夜福利欧美成人| 午夜福利欧美成人| 国产91精品成人一区二区三区| 88av欧美| 90打野战视频偷拍视频| 深爱激情五月婷婷| 97人妻精品一区二区三区麻豆| 亚洲电影在线观看av| 在线a可以看的网站| 三级男女做爰猛烈吃奶摸视频| 小说图片视频综合网站| 国产激情欧美一区二区| 精品一区二区三区av网在线观看| 成人亚洲精品av一区二区| 无人区码免费观看不卡| 免费观看的影片在线观看| 国产精华一区二区三区| 51国产日韩欧美| 日韩亚洲欧美综合| 免费观看的影片在线观看| 嫁个100分男人电影在线观看| 日韩亚洲欧美综合| 欧美日韩一级在线毛片| 日韩高清综合在线| 日日干狠狠操夜夜爽| 亚洲无线在线观看| 国产精品,欧美在线| 国产一区在线观看成人免费| 91字幕亚洲| 国产极品精品免费视频能看的| 黄色成人免费大全| 成人高潮视频无遮挡免费网站| 亚洲在线自拍视频| av黄色大香蕉| 亚洲国产精品久久男人天堂| 欧美黄色淫秽网站| 久久午夜亚洲精品久久| 亚洲精华国产精华精| 最好的美女福利视频网| 久久香蕉精品热| 亚洲av二区三区四区| 国产免费男女视频| 欧美乱色亚洲激情| 伊人久久大香线蕉亚洲五| www.色视频.com| 村上凉子中文字幕在线| 日韩人妻高清精品专区| 两个人的视频大全免费| 中文亚洲av片在线观看爽| 日本成人三级电影网站| 真人做人爱边吃奶动态| 99热这里只有是精品50| 国产成人a区在线观看| 国产探花在线观看一区二区| 99热这里只有是精品50| 日韩欧美在线乱码| 中文字幕高清在线视频| 一本综合久久免费| 少妇熟女aⅴ在线视频| 熟女电影av网| 91久久精品电影网| 在线观看免费视频日本深夜| 黄色日韩在线| 又紧又爽又黄一区二区| 国产爱豆传媒在线观看| 最好的美女福利视频网| 日韩精品青青久久久久久| 日韩免费av在线播放| 国产精品综合久久久久久久免费| 我的老师免费观看完整版| 12—13女人毛片做爰片一| 亚洲国产精品999在线| 国产精品香港三级国产av潘金莲| 少妇丰满av| 欧美午夜高清在线| 99在线人妻在线中文字幕| 免费大片18禁| 久久性视频一级片| 非洲黑人性xxxx精品又粗又长| 一级作爱视频免费观看| 亚洲人成电影免费在线| 午夜精品久久久久久毛片777| 精品一区二区三区视频在线 | 国产精品一区二区免费欧美| 精品99又大又爽又粗少妇毛片 | 丁香欧美五月| 国产伦精品一区二区三区视频9 | 18禁美女被吸乳视频| 午夜精品在线福利| or卡值多少钱| 床上黄色一级片| 听说在线观看完整版免费高清| 男女视频在线观看网站免费| 国产精品久久久久久人妻精品电影| 亚洲av第一区精品v没综合| 日韩av在线大香蕉| 亚洲精华国产精华精| 亚洲五月婷婷丁香| 中国美女看黄片| 中国美女看黄片| bbb黄色大片| 99久久精品国产亚洲精品| 亚洲av不卡在线观看| 黑人欧美特级aaaaaa片| 亚洲一区二区三区不卡视频| 三级男女做爰猛烈吃奶摸视频| 亚洲国产高清在线一区二区三| 特级一级黄色大片| 亚洲中文日韩欧美视频| 亚洲无线观看免费| 内射极品少妇av片p| 国产黄片美女视频| 精品国产亚洲在线| 日韩免费av在线播放| 久久欧美精品欧美久久欧美| 国产三级在线视频| 狂野欧美白嫩少妇大欣赏| 国产成人av教育| 夜夜夜夜夜久久久久| 亚洲成a人片在线一区二区| 性欧美人与动物交配| 国产视频一区二区在线看| 性欧美人与动物交配| 亚洲avbb在线观看| 精品久久久久久久久久免费视频| 色综合婷婷激情| 亚洲一区二区三区不卡视频| 国内精品一区二区在线观看| 亚洲av五月六月丁香网| 亚洲电影在线观看av| 午夜福利高清视频| 女人高潮潮喷娇喘18禁视频| 日韩成人在线观看一区二区三区| 久久精品国产自在天天线| 亚洲片人在线观看| 国产av不卡久久| 18禁在线播放成人免费| 免费看十八禁软件| 国产麻豆成人av免费视频| 国产v大片淫在线免费观看| 级片在线观看| 香蕉久久夜色| 九九在线视频观看精品| 午夜福利高清视频| 亚洲片人在线观看| 99热只有精品国产| 19禁男女啪啪无遮挡网站| 超碰av人人做人人爽久久 | 天美传媒精品一区二区| 午夜福利在线观看吧| 操出白浆在线播放| 亚洲欧美精品综合久久99| 九色国产91popny在线| 午夜视频国产福利| 老司机在亚洲福利影院| 日韩人妻高清精品专区| 啦啦啦免费观看视频1| 久久久久久久久大av| 亚洲国产欧美人成| 国产精品爽爽va在线观看网站| av视频在线观看入口| 欧美在线一区亚洲| 精品熟女少妇八av免费久了| 美女 人体艺术 gogo| 91麻豆av在线| 天堂av国产一区二区熟女人妻| 无限看片的www在线观看| 精品人妻偷拍中文字幕| 丁香欧美五月| 日本精品一区二区三区蜜桃| 亚洲av电影在线进入| 亚洲av免费高清在线观看| 亚洲国产色片| 老司机福利观看| 天堂影院成人在线观看| 成人欧美大片| 手机成人av网站| 老熟妇仑乱视频hdxx| 日韩 欧美 亚洲 中文字幕| 久久婷婷人人爽人人干人人爱| 九色成人免费人妻av| 两个人视频免费观看高清| 男人和女人高潮做爰伦理| 黄色片一级片一级黄色片| 欧美在线一区亚洲| 欧美在线一区亚洲| 精品熟女少妇八av免费久了| 亚洲av不卡在线观看| 欧美最黄视频在线播放免费| 国产成+人综合+亚洲专区| 色老头精品视频在线观看| 精品一区二区三区视频在线观看免费| 亚洲精品在线观看二区| 男女做爰动态图高潮gif福利片| 国产精品一区二区三区四区久久| 亚洲无线在线观看| 日韩欧美精品免费久久 | 岛国在线免费视频观看| 嫁个100分男人电影在线观看| 日本黄色片子视频| 亚洲第一电影网av| 啦啦啦韩国在线观看视频| 97碰自拍视频| 哪里可以看免费的av片| 91在线精品国自产拍蜜月 | 特级一级黄色大片| 两个人的视频大全免费| 啦啦啦免费观看视频1| 成年女人永久免费观看视频| 91久久精品国产一区二区成人 | 久久久久精品国产欧美久久久| 看黄色毛片网站| 全区人妻精品视频| 2021天堂中文幕一二区在线观| 美女黄网站色视频| 国产精品女同一区二区软件 | 日本熟妇午夜| 成年女人看的毛片在线观看| 亚洲乱码一区二区免费版| 天堂√8在线中文| 桃红色精品国产亚洲av| 精品日产1卡2卡| 搡老熟女国产l中国老女人| 亚洲国产高清在线一区二区三| 18禁黄网站禁片免费观看直播| 欧美性感艳星| 国产亚洲av嫩草精品影院| 狂野欧美激情性xxxx| 国产亚洲精品综合一区在线观看| 变态另类成人亚洲欧美熟女| 日本与韩国留学比较| 亚洲国产欧洲综合997久久,| 欧美zozozo另类| 亚洲人成伊人成综合网2020| 中文字幕人妻熟人妻熟丝袜美 | 国产国拍精品亚洲av在线观看 | 99久久精品国产亚洲精品| 久久人妻av系列| 亚洲av五月六月丁香网| 国产午夜精品久久久久久一区二区三区 | av中文乱码字幕在线| 国产中年淑女户外野战色| 国产精品一区二区三区四区久久| 99国产极品粉嫩在线观看| 夜夜看夜夜爽夜夜摸| 亚洲精品亚洲一区二区| 久久久久久久久久黄片| 亚洲av免费高清在线观看| 亚洲在线观看片| 人人妻,人人澡人人爽秒播| 日韩欧美免费精品| 国产精品 欧美亚洲| 99视频精品全部免费 在线| 欧美午夜高清在线| 成人性生交大片免费视频hd| 国产午夜精品论理片| 人人妻人人澡欧美一区二区| 欧美在线一区亚洲| xxx96com| 国产精品久久久久久亚洲av鲁大| 啪啪无遮挡十八禁网站| 亚洲欧美日韩高清在线视频| 国产av在哪里看| 日本a在线网址| 女人被狂操c到高潮| 国产乱人伦免费视频| 亚洲精品美女久久久久99蜜臀| 午夜激情福利司机影院| 内射极品少妇av片p| www.色视频.com| av女优亚洲男人天堂| 在线国产一区二区在线| 成人三级黄色视频| 性色avwww在线观看| 日日摸夜夜添夜夜添小说| 亚洲精品日韩av片在线观看 | 国产久久久一区二区三区| 一区二区三区激情视频| 欧美日韩中文字幕国产精品一区二区三区| x7x7x7水蜜桃| 欧美绝顶高潮抽搐喷水| 他把我摸到了高潮在线观看| 成人av在线播放网站| 无限看片的www在线观看| 深夜精品福利| 日本撒尿小便嘘嘘汇集6| 老熟妇乱子伦视频在线观看| 亚洲熟妇中文字幕五十中出| 国产中年淑女户外野战色| 中文资源天堂在线| 搡女人真爽免费视频火全软件 | 18禁裸乳无遮挡免费网站照片| 亚洲av中文字字幕乱码综合| 国产不卡一卡二| 真人一进一出gif抽搐免费| 日韩国内少妇激情av| 婷婷六月久久综合丁香| 18禁黄网站禁片午夜丰满| www日本在线高清视频| 久久国产乱子伦精品免费另类| 一本久久中文字幕| 国产精品99久久久久久久久| 国产欧美日韩一区二区三| bbb黄色大片| av天堂中文字幕网| 久久精品综合一区二区三区| 久久草成人影院| 国产一级毛片七仙女欲春2| 制服丝袜大香蕉在线| 日本一本二区三区精品| 日韩欧美国产一区二区入口| 最近最新中文字幕大全免费视频| 日韩欧美在线二视频| 神马国产精品三级电影在线观看| 男女视频在线观看网站免费| 国产激情欧美一区二区| 美女免费视频网站| 成人性生交大片免费视频hd| 日韩欧美精品v在线| 在线观看午夜福利视频| 成人精品一区二区免费| 国内揄拍国产精品人妻在线| 成人性生交大片免费视频hd| 免费看光身美女| 欧美黄色片欧美黄色片| 国产69精品久久久久777片| 全区人妻精品视频| 一个人免费在线观看的高清视频| 日韩欧美在线二视频| 人人妻,人人澡人人爽秒播| 中亚洲国语对白在线视频| 国产亚洲精品av在线| 深夜精品福利| 操出白浆在线播放| 亚洲av五月六月丁香网| 淫秽高清视频在线观看| 亚洲人成网站高清观看| 中文字幕人成人乱码亚洲影| 国产真实乱freesex| 亚洲专区国产一区二区| av在线天堂中文字幕| 久久国产精品人妻蜜桃| 日韩免费av在线播放| 色精品久久人妻99蜜桃| 国产伦在线观看视频一区| 国产一区二区在线av高清观看| 欧美国产日韩亚洲一区| 美女大奶头视频| 女警被强在线播放| 免费av不卡在线播放| 一个人免费在线观看电影| 少妇的逼水好多| 国产蜜桃级精品一区二区三区| 国产97色在线日韩免费| 成人av一区二区三区在线看| 国产精品久久视频播放| 亚洲一区二区三区不卡视频| 欧美黑人欧美精品刺激| 亚洲第一电影网av| av国产免费在线观看| 热99re8久久精品国产| av天堂中文字幕网| 极品教师在线免费播放| 久久欧美精品欧美久久欧美| 有码 亚洲区| 国产av一区在线观看免费| 91av网一区二区| 亚洲人与动物交配视频| 欧美三级亚洲精品| 免费搜索国产男女视频| 内射极品少妇av片p| 国产精品爽爽va在线观看网站| 天堂影院成人在线观看| 国产精品av视频在线免费观看| 老司机午夜十八禁免费视频| 国产亚洲精品久久久久久毛片| 99国产综合亚洲精品| 淫妇啪啪啪对白视频| 男女做爰动态图高潮gif福利片| 免费看日本二区| 日本五十路高清| 国产成人av教育| 亚洲成人久久性| 午夜免费激情av| 婷婷精品国产亚洲av| 国产伦人伦偷精品视频| 91在线观看av| 亚洲av日韩精品久久久久久密| 久久国产精品人妻蜜桃| 久久精品国产清高在天天线| 成熟少妇高潮喷水视频| 午夜福利18| 97超级碰碰碰精品色视频在线观看| 亚洲中文字幕一区二区三区有码在线看| 免费人成视频x8x8入口观看| 欧美乱色亚洲激情| 国产精品精品国产色婷婷| 一级毛片高清免费大全| 99精品欧美一区二区三区四区| 日本一本二区三区精品| 国产精品免费一区二区三区在线| 亚洲人成网站在线播| 亚洲精品成人久久久久久| 午夜精品久久久久久毛片777| 夜夜看夜夜爽夜夜摸| 亚洲国产精品成人综合色| 一本综合久久免费| 午夜福利免费观看在线| 日本三级黄在线观看| 男女下面进入的视频免费午夜| 免费在线观看成人毛片| 91字幕亚洲| 一进一出抽搐动态| 成人国产综合亚洲| 男女之事视频高清在线观看| 一级毛片高清免费大全| 久久精品影院6| 级片在线观看| 精品国产三级普通话版| 人妻久久中文字幕网| 少妇人妻一区二区三区视频| 99久久精品国产亚洲精品| 亚洲精品在线观看二区| 国产成人av教育| 91字幕亚洲| 操出白浆在线播放| 每晚都被弄得嗷嗷叫到高潮| tocl精华| 精品一区二区三区视频在线观看免费| 国产成人影院久久av| 亚洲精品在线美女| 成人无遮挡网站| 国产伦一二天堂av在线观看| 亚洲狠狠婷婷综合久久图片| 久久精品国产综合久久久| 亚洲熟妇熟女久久| 啦啦啦韩国在线观看视频| 有码 亚洲区| 免费一级毛片在线播放高清视频| 免费高清视频大片| 日日摸夜夜添夜夜添小说| 国产成人福利小说| 国产av麻豆久久久久久久| 琪琪午夜伦伦电影理论片6080| 午夜免费男女啪啪视频观看 | www.www免费av| 亚洲专区国产一区二区| 久久久久国内视频| 亚洲 欧美 日韩 在线 免费| 黄片大片在线免费观看| 熟女电影av网| 日本一二三区视频观看| 人妻夜夜爽99麻豆av| av女优亚洲男人天堂| 久久久久久九九精品二区国产| 国产真实乱freesex| 大型黄色视频在线免费观看| 在线免费观看不下载黄p国产 | 99久久综合精品五月天人人| 中文字幕人成人乱码亚洲影| 蜜桃久久精品国产亚洲av| 草草在线视频免费看| 日本三级黄在线观看| 国产免费av片在线观看野外av| 亚洲久久久久久中文字幕| 久久亚洲精品不卡| 欧洲精品卡2卡3卡4卡5卡区| 国产伦精品一区二区三区视频9 | 1000部很黄的大片| bbb黄色大片| 日本五十路高清| 免费高清视频大片| 人妻丰满熟妇av一区二区三区| 亚洲熟妇中文字幕五十中出| 国产精品电影一区二区三区| 天天添夜夜摸| 欧美绝顶高潮抽搐喷水| 岛国在线免费视频观看| 国产乱人伦免费视频| 99riav亚洲国产免费| 午夜福利在线观看免费完整高清在 | 少妇的逼水好多| 俄罗斯特黄特色一大片| 国产精品亚洲美女久久久| 最近最新中文字幕大全免费视频| 成年版毛片免费区| 午夜老司机福利剧场| 一区二区三区激情视频| 国产淫片久久久久久久久 | 国产探花极品一区二区| 夜夜爽天天搞| 久久精品91蜜桃| 精品一区二区三区视频在线 | 久久久色成人| 好男人电影高清在线观看| 成年免费大片在线观看| www日本黄色视频网| 免费看日本二区| 一区福利在线观看| 国产 一区 欧美 日韩| АⅤ资源中文在线天堂| 日日摸夜夜添夜夜添小说| 亚洲性夜色夜夜综合| 婷婷亚洲欧美| 久久性视频一级片| 中文字幕av成人在线电影| 亚洲欧美激情综合另类| 国产一区二区在线观看日韩 | 国产99白浆流出| av女优亚洲男人天堂| 人人妻人人澡欧美一区二区| 亚洲第一欧美日韩一区二区三区| 亚洲美女视频黄频| 国产精品一区二区免费欧美| 久久精品综合一区二区三区| 一个人看视频在线观看www免费 | 99国产精品一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 国产视频一区二区在线看| 日韩有码中文字幕| 国产野战对白在线观看| 国内久久婷婷六月综合欲色啪| 亚洲熟妇熟女久久| 免费av观看视频| 老鸭窝网址在线观看| 每晚都被弄得嗷嗷叫到高潮|