Print

结合多通道深度学习和随机森林的地表分类

论文摘要

地表分类技术对地面无人驾驶车辆的感知能力有着重要影响。而针对传统卷积神经网络CNN(Convolutional Neural Networks)地表分类效果不佳的问题,本文提出一种结合多通道深度学习和随机森林的地表分类算法。算法先通过图像计算得到人工设计的特征LBP;再采用多通道融合技术,将原彩色图像的RGB三通道和LBP通道加以融合形成融合图像;然后构建并预训练卷积神经网络,以此提取融合图像的关键特征信息;最后用随机森林分类器代替卷积神经网络输出层完成地表分类。实验结果表明,本文算法识别正确率达到98.56%,相比于传统卷积神经网络能取得更好的分类结果,具有一定的鲁棒能力。

论文目录

  • 0 引言
  • 1 地表图像特征提取及分类
  •   1.1 多通道融合特征
  •   1.2 构建卷积神经网络特征提取
  •   1.3 随机森林分类器
  • 2 实验结果与分析
  •   2.1 数据集介绍
  •   2.2 实验设计与结果分析
  •   2.3 泛化性测试
  • 3 结语

    • 文章来源

    类型: 期刊论文

    作者: 何银银,赖水长,侯建赭,凌杰强

    关键词: 卷积神经网络,多通道融合,地表分类,随机森林,特征

    来源: 软件 2019年11期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 汽车工业,计算机软件及计算机应用,自动化技术

    单位: 南京理工大学计算机科学与工程学院

    基金: 江苏省大学生创新创业训练计划项目经费资助(项目编号：201810288028X),南京理工大学本科生科研训练“百千万”计划

    分类号: U463.6;TP391.41;TP18

    页码: 114-118

    总页数: 5

    文件大小: 1619K

    下载量: 108

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/875adb9630238f9faf8f41f1.html