基于深度迁移网络MobileNetV3的地形识别

姚燕，胡立坤，郭军

(广西大学 电气工程学院， 广西 南宁 530004)

0 引言

传统的地形识别算法过分依赖人工提取图像特征，受主观因素影响比较大，对于大规模数据集，提取特征过程比较复杂。与传统方法相比，现今发展迅猛的深度学习网络能够自动进行图像特征的提取，实现图像的高效分类。近年来，深度学习模型AlexNet[1]、VGG[2]、GoogLeNet[3]、ResNet[4]等纷纷涌现，同时越来越多的研究人员开始专门针对深度神经网络做算法和模型的优化，深度学习算法在图像分类中取得不断的突破。

在地形识别算法方面，LIU等[5]设计了一种复杂的地形样本分割方案，在分割的基础上，采用了图分割和分水岭分割相结合的方法对地形图像区域进行识别。在特征提取方面，将颜色直方图特征与LBP(local binary pattern)特征进行序列融合，融合后的特征对多光照、多抖动的地形样本具有较好的鲁棒性和准确性。YAN等[6]提出了一种用于大规模遥感影像地形分类框架，该框架采用性能良好的基于多尺度超像素细分的分割方法生成均匀且形状不规则的区域，通过部署迁移学习技术，利用优越的预训练卷积神经网络(convolutional neural network)模型来获得有代表性的深层特征。XUE等[7]针对地面地形识别任务，构建了一种叫深度编码池网络(deep encoding pooling network)的纹理网络，以全监督的方式学习特征空间中的参数分布，给出了类之间的距离关系，并提供了隐式表示模糊类边界的方法。王羽徵等[8]提出了一种基于改进式VGG网络的海洋单细胞藻类识别算法AlgaeNet，该算法通过对传统VGG网络减少卷积核数量，并添加批归一化(batch normalization)层进行神经网络加速，最终获得99.32%的准确率。……