基于迁移学习的遥感土地利用分类模型适应性研究
文献类型：学位论文
| 作者 | 陈淼淼 |
| 答辩日期 | 2025-06 |
| 文献子类 | 专业学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 李连发 ; 卢浩 |
| 关键词 | 遥感语义分割 土地利用分类 Transformer 预训练迁移学习 多粒度 |
| 学位名称 | 硕士 |
| 学位专业 | 资源与环境 |
| 英文摘要 | 基于遥感数据实现高精度的土地利用自动分类已成为遥感语义分割领域的一项重要任务。随着各种深度学习算法的不断涌现，遥感语义分割技术在像素级土地利用分割任务上已表现出了优异的性能。以卷积神经网络为代表的深度学习技术目前已被广泛引入，但卷积运算的局限性限制了其在遥感语义分割领域中更深层次的应用。同时，遥感标记样本的有限性及域偏移问题导致的数据分布差异对深度学习模型的性能产生不可忽略的影响。尽管迁移学习技术可将知识进行跨领域应用，但源域与目标域之间数据特征的相似与否决定着迁移效果的优劣。此外，遥感土地利用分类任务中不同粒度之间的层次关系并未得到充分利用，现有研究的目标类别也较为局限。 在此背景下，本研究基于迁移学习技术进行遥感土地利用分类模型的适应性研究，提出了一种可适用于多粒度语义分割任务的输入对齐层级迁移学习框架，将Transformer 模型应用至眉山市东坡区的土地利用分类任务上并以卷积网络作为基线架构进行实验探究。该框架应用了Swin-Unet 及SegFormer 两种Transformer 架构及其预训练模型，集成并创新了部分微调与全微调、低秩自适应微调、输入对齐及两阶段微调等迁移学习技术。同时，研究采取了学习率自适应调整及梯度裁剪技术以优化模型训练过程。为了直观且全面地比较评估模型的语义分割效果，研究选取了两种评价指标并将模型在不同尺度上的预测结果进行可视化展示。 研究结果表明，Swin-Unet 模型表现出极其优越的性能，其对一级类别中的耕地、住宅的测试MIoU 最高分别为0.794 和0.842，对二级类别中的水浇地的测试MIoU 最高为0.545。无论是一级类别还是二级类别，与参数随机初始化相比，非遥感预训练模型的迁移应用均能够显著提升模型的语义分割精度，将测试MIoU 提高了0.6%~15.1%。在研究所采取的不同迁移学习策略中，虽然模型在部分微调策略下的分类精度整体低于全微调策略，但是在某些类别上的表现较为优越，如工业和商业类别。两阶段微调策略能够实现预训练模型的高效迁移，Swin-Unet 模型在此策略下表现最佳，对交通和工业类别的测试MIoU 最高分别为0.817 和0.867。值得注意的是，输入特征对齐是一种能够提高预模型跨领域通用性的有效手段。此外，层级迁移学习框架下模型对二级类别的语义分割精度进一步提高，主要是由于一级类别预训练信息的有效利用。 |
| 学科主题 | 资源与环境 |
| 语种 | 中文 |
| 页码 | 83 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215676]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 陈淼淼. 基于迁移学习的遥感土地利用分类模型适应性研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。