深度学习在地物分类中的应用

摘要

针对传统地物分类方法在测绘领域的分类精度低、抗干扰能力弱、适应复杂场景差、不能满足高分辨率测绘数据处理的需求等缺点，本文提出了一个基于深度学习的地物分类技术，根据测绘数据特点建立适合测绘场景的地物分类体系。通过数据采集与预处理、数据集构建与标注、深度学习模型训练与优化、分类结果评估等主要步骤，选用卷积神经网络(CNN)作为核心模型，引入实例批量归一化网络(IBN-Net)增强模型泛化能力，结合标签超分辨率(SR)技术提升分类精细度。结果表明：深度学习方法的处理效率明显优于传统的处理方式，总处理时间由20.8 h缩短到6.7 h,效率提高了67.8%。对于复杂的地形和细碎的地物有较高的识别精度，处理速度提高了3倍以上，可有效适应高分辨率测绘数据的处理要求，为测绘工作智能化、高效化的发展提供可靠的技术支持，可广泛应用于土地覆盖制图、生态监测、国土整治等测绘相关领域。

关键词

深度学习 / 地物分类 / 卷积神经网络 / 数据预处理