- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 荷兰阿姆斯特丹（2019.9.24-2019.9.26）] 2019年第十届高光谱成像与信号处理研讨会：遥感技术演进（WHISPERS）- 基于卷积神经网络的多分辨率草坪杂草分类知识迁移
摘要： 杂草识别与分类是实施定点除草的关键且具有挑战性的任务。由于杂草与作物的光谱相似性较高，本研究采用基于空间信息的对象图像分析方法进行杂草分类。随着多种传感器的广泛应用，我们能够从不同高度、利用不同规格的传感器获取杂草影像。本文提出一种创新方法：通过卷积神经网络（CNN）运用迁移学习技术处理多源传感器获取的多分辨率图像。先利用典型图像数据集训练CNN并迁移其训练权重至不同分辨率的其他数据集，从而仅需少量训练样本对网络进行微调即可实现新数据集分类，大幅降低模型训练所需的大数据量。为避免微调过程中的过拟合问题，我们基于预训练模型初始层参数，研究并提出了小型深度学习架构。实验还探究了训练样本规模对微调效果的影响。田间试验表明，该方法在识别精度和计算成本方面均优于直接训练法。
关键词： 高光谱图像，分辨率，卷积神经网络（CNN），杂草制图，迁移学习
更新于2025-09-12 10:27:22
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于深度卷积神经网络的高光谱遥感图像杂草分类
摘要： 自动杂草检测与制图对于实施定点除草至关重要，既能降低农业生产成本，又能减少除草剂对人类健康的影响。本文采用高光谱图像研究基于斑块的杂草识别方法，通过卷积神经网络（CNN）与方向梯度直方图（HoG）进行对比评估。研究探讨了适宜的斑块尺寸，揭示了RGB影像的局限性。实验结果表明：随着波段数量增加，CNN的杂草分类总体精度持续提升；相比传统HoG特征提取方法，CNN能提取更具判别力的特征从而提高分类效果，但其计算负荷会随波段数增加而略有上升。
关键词： 方向梯度直方图（HoG）、杂草制图、高光谱图像、卷积神经网络（CNN）
更新于2025-09-09 09:28:46