基于DCNN深度特征融合和MMRVM的遙感場(chǎng)景分類(lèi)摘要：遙感場(chǎng)景分類(lèi)是一項(xiàng)重要的研究任務(wù)，在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)領(lǐng)域有著廣泛的應(yīng)用。本文提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）深度特征融合和最大邊界超立方體支持向量機(jī)（MMRVM）的遙感場(chǎng)景分類(lèi)方法。首先，我們使用DCNN提取圖像的深度特征。然后，通過(guò)特征融合方法將多個(gè)深度特征進(jìn)行融合，以增強(qiáng)分類(lèi)性能。最后，利用MMRVM進(jìn)行場(chǎng)景分類(lèi)，充分利用了訓(xùn)練樣本和決策邊界之間的關(guān)系，提高了分類(lèi)的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，所提出的方法在遙感圖像場(chǎng)景分類(lèi)任務(wù)中具有較好的性能和準(zhǔn)確性。關(guān)鍵詞：遙感場(chǎng)景分類(lèi)；深度卷積神經(jīng)網(wǎng)絡(luò)；特征融合；最大邊界超立方體支持向量機(jī)；分類(lèi)準(zhǔn)確性引言遙感場(chǎng)景分類(lèi)是一項(xiàng)對(duì)遙感圖像進(jìn)行分析和處理的重要任務(wù)，可以廣泛應(yīng)用于城市規(guī)劃、環(huán)境監(jiān)測(cè)、農(nóng)業(yè)資源管理等領(lǐng)域。在近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展，深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）在圖像分類(lèi)任務(wù)中取得了顯著的成果。然而，單一DCNN模型在復(fù)雜遙感場(chǎng)景分類(lèi)中仍然存在一些問(wèn)題，如信息損失、特征冗余等。方法與技術(shù)本文提出了一種基于DCNN深度特征融合和MMRVM的遙感場(chǎng)景分類(lèi)方法。具體步驟如下：1.數(shù)據(jù)預(yù)處理：將遙感圖像進(jìn)行預(yù)處理，包括去噪、歸一化等。然后，將處理后的圖像輸入到預(yù)訓(xùn)練的DCNN模型中，提取圖像的深度特征。2.特征融合：將多個(gè)DCNN模型提取出的深度特征進(jìn)行融合，以增強(qiáng)分類(lèi)性能。本文采用特征加權(quán)融合方法，根據(jù)每個(gè)特征的重要程度對(duì)不同特征進(jìn)行加權(quán)求和。3.分類(lèi)器設(shè)計(jì)：采用最大邊界超立方體支持向量機(jī)（MMRVM）作為分類(lèi)器，對(duì)特征融合后的數(shù)據(jù)進(jìn)行分類(lèi)。MMRVM是一種基于支持向量機(jī)的分類(lèi)器，具有較強(qiáng)的擬合能力和泛化性能。4.模型訓(xùn)練與測(cè)試：使用訓(xùn)練集對(duì)分類(lèi)器進(jìn)行訓(xùn)練，然后使用測(cè)試集對(duì)訓(xùn)練好的分類(lèi)器進(jìn)行測(cè)試和評(píng)估。實(shí)驗(yàn)與結(jié)果本文使用了公開(kāi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證，包括UCMercedLand-Use場(chǎng)景分類(lèi)數(shù)據(jù)集和WHU-RS4場(chǎng)景分類(lèi)數(shù)據(jù)集。實(shí)驗(yàn)結(jié)果表明，所提出的方法在遙感場(chǎng)景分類(lèi)任務(wù)中具有較好的性能和準(zhǔn)確性。與單一DCNN模型相比，所提出的方法能夠更好地捕捉特征信息，提高分類(lèi)準(zhǔn)確性。討論與分析本文提出了基于DCNN深度特征融合和MMRVM的遙感場(chǎng)景分類(lèi)方法。通過(guò)對(duì)特征進(jìn)行融合和利用MMRVM進(jìn)行分類(lèi)，提高了分類(lèi)的準(zhǔn)確性。然而，仍然存在一些改進(jìn)空間。例如，可以進(jìn)一步探討更有效的特征融合方法和分類(lèi)器設(shè)計(jì)方法，以提高分類(lèi)的性能和泛化性能。結(jié)論本文針對(duì)遙感場(chǎng)景分類(lèi)問(wèn)題，提出了一種基于DCNN深度特征融合和MMRVM的分類(lèi)方法。實(shí)驗(yàn)結(jié)果表明，所提出的方法在遙感場(chǎng)景分類(lèi)任務(wù)中具有較好的性能和準(zhǔn)確性。本文的研究成果對(duì)遙感圖像場(chǎng)景分類(lèi)具有一定的理論價(jià)值和實(shí)際應(yīng)用價(jià)值。參考文獻(xiàn)[1]KrizhevskyA,SutskeverI,HintonGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks[J].CommunicationsoftheACM,2017,60(6):84-90.[2]PengJ,ChenW,WangZ,etal.Anoveldeeplearningmethodforhyperspectralimageclassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2016,54(1):623-637.[3]ZhangJ,MarslandS,ClarkA.AninvestigationintorandomFourierfeaturesforscipysupportvectormachines[C]//201122ndIrishSignalsandSystemsConference.IEEE,2011:1-6.[4]LiM,ZhouM.Aclustering-basedselectionstrategyforsupportvectormachines[J].ExpertSystemswithApplications,2013,40(6):2158-2165.[5]WangH,GuoY,LiJ,etal.Maximummargincriterio