基于\"残差-挤压激励\"深度混合卷积网络的土地利用分类

土地利用变化的监测需要高精度的土地利用分类图,遥感技术的发展为这一工作提供了便利。然而,传统分类方法往往无法针对性的利用影像中的信息,其分类结果中地物边缘信息模糊,分类精度不高且噪声较大,难以满足土地变化监测的需要。该研究针对传统方法分类结果不理想的问题,提出一种基于"残差-挤压激励"单元的混合卷积神经网络模型,采用膨胀卷积层对影像进行"光谱-空间"特征提取,并引入"残差-挤压激励"单元,实现特征重用的同时,选择性的强调信息性特征,对噪声性特征进行抑制,最后对得到的特征进行整合实现对遥感影像的分类。该研究提出的模型与k-最邻近算法（K-Nearest Neighbor, KNN）、支持向量机（Support Vector Machine, SVM）、二维卷积网络（2D- Convolutional Neural Network, 2D-CNN）以及混合卷积网络（HybridSN）相比,在试验数据集上总体精度分别提高了11.15个百分点、11.18个百分点、0.06个百分点和2.46个百分点。且有效减少了地物边缘信息的损失,验证了该方法的有效性。此外,基于该方法分类结果统计出的耕地面积与试验区真实耕地面积仅相差0.77%,误差绝对值远低于其他分类方法。