基于多尺度卷积神经网络的多源数据融合岩性分类方法
摘要
在岩性分类任务中，利用单一数据源获取的特征信息有限，因此多源数据融合成为提高岩性分类准确性的重要手段。航空遥感影像和数字高程模型作为典型的遥感数据源，可以提供互补的光谱和高程信息。为了提升岩性分类的精度，提出一种融合通道空间注意力机制与多尺度卷积神经网络的多源遥感数据岩性分类方法。该方法通过设计多尺度空洞卷积模块，增强卷积神经网络对航空遥感影像和数字高程模型深层特征的学习能力，从而更好地捕捉特征的空间关系，并有效消除异构数据在原始数据空间上的结构差异。此外，通过设计局部和全局的多尺度通道空间注意力模块，以自适应方式为多源数据的光谱通道和空间区域赋予不同的权重，从而利用特征的显著性实现更有针对性的网络训练，进一步提升模型的分类性能。最后，以四川某盆地为研究区域进行有效性验证。实验结果表明，所提方法在总体分类精度、平均分类精度等评价指标上明显优于4种典型的机器学习方法，证实了所提多源数据融合方法能够充分利用不同数据源的互补优势，从而有效提高地质岩性的判别精度。
引用本文（GB/T 7714）
戴嵩 Dai Song, 孙喜明 Sun Ximing, 张精明 Zhang Jingming, 等. 基于多尺度卷积神经网络的多源数据融合岩性分类方法[J]. Laser & Optoelectronics Progress, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。