基于改进U-Net网络的树种精细分类

通过改进现有的深度学习网络，提出了一种结合机载高分辨率的高光谱数据和激光雷达数据的树种精细分类新方法。首先，对不同数据源进行特征提取和融合；然后，在U-Net网络的基础上，通过增加通道注意力机制模块，自适应地调整不同特征的权重，构建了CA-U-Net分类网络；最后，通过修改CA-U-Net以适应样本不平衡的分类情况，尝试解决小样本物种识别精度低的问题。研究结果表明：1） CA-U-Net网络表现良好，总体分类准确率达到96.80%，与FCN、SegNet和U-Net等网络相比，其分类准确率分别提高了8.56、11.99、3.31百分点，而且收敛速度更快；2）采用基于类样本量平衡的交叉熵损失函数替换CA-U-Net网络中的原始损失函数，可以提高样本量较少的树种的分类精度。所提方法对于小尺度的林业应用，例如果园管理、城市森林调查以及森林多样性调查等具有重要参考价值。