Multisource-Hyperspektraldaten- und LiDAR-Datenfusion zur Urbanen Landnutzungskartierung basierend auf einem modifizierten zweiäußigen Convolutional Neural Network

Die genaue Kartierung der städtischen Landnutzung ist eine herausfordernde Aufgabe im Bereich der Fernerkundung. Mit der Verfügbarkeit verschiedener Fernerkundungssensoren bietet die synthetische Nutzung und Integration von Multiquellen-Daten die Möglichkeit, die Genauigkeit der Klassifizierung der städtischen Landnutzung zu verbessern. Neuronale Netze für Deep Learning haben sehr vielversprechende Ergebnisse in Computer Vision-Aufgaben erzielt, wie z.B. bei der Bildklassifizierung und Objekterkennung. Das Problem, ein effektives Deep-Learning-Modell für die Fusion von Multiquellen-Fernerkundungsdaten zu entwerfen, bleibt jedoch bestehen. Um dieses Problem zu lösen, schlägt dieses Papier ein modifiziertes zweiäußiges Convolutional Neural Network zur adaptiven Fusion von hyperspektralen Bildern (HSI) und Light Detection and Ranging (LiDAR) Daten vor. Das vorgeschlagene Modell besteht spezifisch aus einem HSI-Zweig und einem LiDAR-Zweig, die die gleiche Netzwerkstruktur teilen, um die Zeitkosten des Netzwerkdesigns zu reduzieren. Ein Residualblock wird in jedem Zweig verwendet, um hierarchische, parallele und multiskalare Merkmale zu extrahieren. Ein adaptives Merkmalsfusionsmodul wird vorgeschlagen, um HSI- und LiDAR-Merkmale auf eine vernünftigere und natürlichere Weise zu integrieren (basierend auf „Squeeze-and-Excitation Networks“). Experimente zeigen, dass das vorgeschlagene zweiäußige Netzwerk eine gute Leistung erzielt, mit einer Gesamtkorrektheit von fast 92%. Im Vergleich zu einquelligen Daten verbessert die Einführung von Multiquellen-Daten die Genauigkeit um mindestens 8%. Das adaptive Fusionsmodell kann auch die Klassifizierungsgenauigkeit um mehr als 3% erhöhen, wenn man es mit der Merkmalsstapelungsmethode (einfacher Verkettung) vergleicht. Die Ergebnisse zeigen, dass das vorgeschlagene Netzwerk effektiv Merkmale extrahieren und fusionieren kann, um eine bessere Genauigkeit bei der kartierten städtischen Landnutzung zu erreichen.