卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

高分影像场景分类的半监督深度卷积神经网络学习方法

传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低.针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程.为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度.     

高分辨率遥感影像深度迁移可变形卷积的场景分类法

近年来基于深度卷积神经网络的高分辨率遥感影像场景分类成为广泛关注的焦点.由于现有深度卷积神经网络对遥感场景影像的几何形变不具有稳健性,本文提出了一种基于深度迁移可变形卷积神经网络(DTDCNN)的场景分类方法.该方法先利用大型自然场景数据集ImageNet上训练的深度模型提取遥感影像的深度特征,然后引入可变形卷积层,进一步学习对遥感场景的几何形变具有稳健性的深度特征.结果表明:增加可变形卷积后,DTDCNN在AID、UC-Merced和NWPU-RESISC45数据集上的精度分别提高了4.25％、1.9％ 和4.83％.该方法通过对场景中不同目标进行感受野自适应调整,增强了空间采样位置能力,有效提高了遥感场景分类的精度.     

基于改进U-Net的建筑物集群识别研究

针对U-Net在高分影像建筑物提取中部分建筑物边缘特征易模糊或丢失的问题,提出一种对高分影像建筑物边缘增强,同时对U-Net部分卷积过程进行改进的优化的建筑物提取方法。首先利用域变化递归滤波的方式对建筑物边缘进行增强,将增强后影像输入U-Net神经网络中进行训练;其次为充分利用建筑物在高分影像上丰富的细节特征,尝试在原U-Net结构基础上,从训练图像和标签中提取成对的补丁以增加训练数据,这些补丁进一步加强了正反向深度学习中建筑物高维特征的获取;最后在影像上实现建筑物提取。对辽宁省盘锦市邻接渤海湾地区2017年9月29日高分二号影像建筑物提取实验结果表明,对于包含阴影区域干扰较多的非理想样本数据,用U-Net识别建筑物得到的整体分类精度为75.99%,而改进方法最高整体分类精度可达83.12%,较原U-Net网络精度提高7.13百分点,证明该方法行之有效。     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识，提取高质量特征困难的问题，将深度迁移学习技术引入到高分影像树种分类中，提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界，该方法首先利用多尺度分割技术分割整幅遥感影像，并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题，采用迁移学习方法，使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络，并利用全局平局池化压缩参数，在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器，利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像，生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区，QuickBird高分影像作为数据源，采用本文方法进行树种分类。试验结果表明，本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0，在保证树种精度的同时实现了端到端的树种分类。     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别，但是针对高分影像涵盖的细节多、类别复杂等特点，中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取，然后利用池化层对重要特征进行筛选，最后将提取到的特征进行组合，形成高阶语义特征，利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题，使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率，相比于传统方法，有效地提高了分类精度，同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

基于CNN-GCN双流网络的高分辨率遥感影像场景分类

高分辨率遥感影像具有复杂的几何结构和空间布局,传统的卷积神经网络的方法仅能提取场景图像中的全局特征,忽略了上下文的关系,导致特征的表达能力受限,制约了分类精度提高。针对此问题,本文提出一个面向高分辨率遥感影像场景分类的CNN-GCN双流网络,该算法包含CNN流和GCN流两个模块。CNN流基于预训练DenseNet-121网络提取高分影像的全局特征;而GCN流采用由预训练VGGNet-16网络得到的卷积特征图构建邻接图,再通过GCN模型提取高分影像的上下文特征。最后,通过加权级联的方式有效地融合全局特征和上下文特征并利用线性分类器实现分类。本文选取AID、RSSCN7和NWPU-RESISC45共3个具有挑战性的数据集进行实验,得到的最高分类精度分别是97.14%、95.46%和94.12%,结果表明本文算法能够有效地表征场景并取得具有竞争力的分类结果。     

联合显著性和多层卷积神经网络的高分影像场景分类

高分辨率遥感影像中的场景信息,对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法,首先利用显著性采样获取包含影像主要信息的有意义的块,将这些块作为样本集输入卷积神经网络中进行训练,获得不同层次的特征表达,最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明,显著性采样能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,相比已有方法,本文方法能够有效提高分类精度。     

迁移学习支持下的高分影像积云提取方法研究

针对传统影像质量检查工作中积云提取存在人工作业量大、操作烦琐等问题,本文通过引入迁移学习机制,将已有数据集训练过程中得到的神经网络参数迁移到解译模型构建中,提出了一种适用于积云的自动提取方法。本文以湖南省不动产统一登记基础数据为实验对象进行了实验,结果表明,本文方法的浓积云提取总体精度可以达到90%以上,淡积云提取的总体精度可以达到87.3%,表明本文研究可用于高分影像积云自动提取。     

注意力引导特征融合与联合学习的遥感影像场景分类

为充分利用遥感影像的多尺度特征，解决遥感影像尺度差异、类间相似和类内差异等现象给高精度场景分类造成的困难，本文提出了一种注意力引导特征融合和联合学习的遥感影像场景分类方法。首先，利用深层卷积神经网络提取影像不同层次的特征图；然后，利用设计的残差注意力机制增强不同层次特征图的语义信息、抑制冗余噪声信息；最后，使用全局均值池化获取不同层次特征图的全局信息以构建特征向量，并将不同层次的特征向量融合，3个不同层次的特征向量及融合后的特征向量分别采用独立的全连接层进行分类。利用联合损失训练网络参数，采取多分类器决策级融合的方式提高预测的稳健性。在UC Merced、AID和NWPU-RESISC45数据集上的试验结果表明，本文方法显著改善了对相似场景及类内差异显著场景的辨识能力，与使用多尺度特征的同类型场景分类方法相比，总体分类精度分别提高0.84%、4.04%和4.43%。     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络（LDCNN）深层次特征进行多核SVM分类的场景分类方法。首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核函数加权融合成为一个新的合成核;最后进行多核SVM分类。试验表明,本文方法不仅特征维度低,且通过多核SVM能够充分结合各层特征的优点,在两个标准数据集上均取得了99%以上的分类精度。此外,该试验还证明了本文方法具有较强的迁移学习能力。     

高分遥感影像双通道并行混合卷积分类方法

高空间分辨率遥感影像拥有丰富的空间细节信息和多光谱信息。研究表明,二维卷积神经网络适于提取空间信息,而三维卷积神经网络更适于提取光谱信息。为了更好地利用空谱信息,本文提出一种双通道并行混合卷积神经网络(DPHCNN)方法,充分联合二维与三维卷积神经网络在空谱信息提取上的优势,同时引入混合注意力机制、多尺度卷积增强空间细节特征的提取能力,实现高分影像的精准分类。试验中利用高分二号影像数据集进行验证,与当前先进的深度学习分类方法相比,本文提出的DPHCNN方法在保证分类精度高、分类效率较好的同时,能在多时相影像分类中保持最高的稳健性,在综合评价上更具优势。     

基于卷积神经网络的高分辨率遥感影像目标检测方法研究EI北大核心CSCD

高分辨率遥感影像目标检测作为高分对地观测系统中影像信息自动提取及分析理解的重要内容,对高分对地观测系统应用价值的发挥具有重要影响。卷积神经网络作为最热门的深度学习模型,由于其可以根据海量数据和标注自行进行有效图像特征提取和学习,在训练数据充足的情况下,模型具有良好的泛化能力,能够在复杂多变的条件下依然保持良好的稳健性和普适性。因此,基于卷积神经网络的目标检测架构被相继提出,但现有网络架构多是针对自然图像设计的,相对于自然图像,高分辨率遥感影像存在背景更加复杂、目标尺度更小、同类目标尺度变化更大和影像尺寸更大等特点;将这些网络架构直接用于高分辨率遥感影像目标检测会存在网络目标建议框尺度不匹配,待检影像相对于网络输入过大,以及缺乏训练数据等问题。针对上述问题,论文系统性地开展基于卷积神经网络的高分辨遥感影像目标检测方法研究。主要研究内容如下。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。     

基于CNN模型的遥感影像液气贮存设备识别

基于卷积神经网络（CNN）进行遥感影像液气贮存设备提取。基于0.3 m、0.5 m、2.1 m分辨率的多源遥感影像,通过训练CNN模型来提取液气贮存设备,检测精度F值分别为0.78、0.77和0.36;基于0.3 m、0.5 m、1 m分辨率的无人机影像,训练得到不同的CNN模型,迁移学习至0.8 m分辨率的高分影像上进行液气贮存设备识别,检测精度F值分别为0.08、0.73和0.71。结果表明,CNN模型可有效提取液气贮存设备,且训练样本包含的信息越均一,识别精度越高;CNN模型对多源遥感影像具有较好的迁移学习能力,在遥感影像典型目标识别与提取方面具有较好的应用前景。     

结合数据增广和迁移学习的高分辨率遥感影像场景分类

深度学习在计算机视觉领域取得了显著的成果，如图像分类、人脸识别、图像检索等。对于遥感领域而言，获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类，为了克服缺乏大量有标签遥感影像数据集的问题，结合CNN采用了两种技术：数据增广和迁移学习。在UC Merced Land Use数据集上，验证了VGG16、VGG19、ResNet50、InceptionV3、DenseNet121等5种网络的性能，分别达到了98.10%、96.19%、99.05%、97.62%、99.52%的分类准确率。