融合 Google TensorFlow 与场景分类模型感知城市土地利用模式
计算机视觉与模式识别
2017-08-07 v1
摘要
随着中国城市化的快速推进，对中国城市土地利用模式的自动检测研究具有重要意义。深度学习是提取图像特征的有效方法。为利用深度学习方法检测城市土地利用模式，我们应用了一种基于迁移学习的遥感图像方法来提取和分类特征。利用 Google TensorFlow 框架，创建了一个强大的卷积神经网络（CNN）库。首先，迁移模型在最大的物体图像数据集之一 ImageNet 上进行了预训练，以充分发展该模型为标准遥感土地覆盖数据集（UC Merced 和 WHU-SIRI）生成特征向量的能力。然后，基于这些生成的向量构建并训练了一个随机森林分类器，以在交通分析小区（TAZ）尺度上对实际城市土地利用模式进行分类。为避免遥感影像的多尺度效应，采用了大随机斑块（LRP）方法。所提出的方法能够为研究区域高效地获得可接受的精度（OA = 0.794, Kappa = 0.737）。此外，结果表明，所提出的方法可以有效克服在不规则地块层面进行城市土地利用分类时出现的多尺度效应。该方法有助于规划者监测动态城市土地利用并评估城市规划方案的影响。
引用
@article{arxiv.1708.01580,
title = {Sensing Urban Land-Use Patterns By Integrating Google Tensorflow And Scene-Classification Models},
author = {Yao Yao and Haolin Liang and Xia Li and Jinbao Zhang and Jialv He},
journal= {arXiv preprint arXiv:1708.01580},
year = {2017}
}
备注
8 pages, 8 figures, 2 tables