生成式知识迁移的SAR舰船检测

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets (SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。     

基于流形学习的高分SAR图像建筑区提取方法

高空间分辨率(简称"高分")SAR图像具有高维非线性特点,以高维空间蕴含的低维流形描述SAR图像,会更有利于目标识别。将流形学习应用到高维SAR目标识别的特征表达中,提出一种新的高分SAR图像建筑区提取方法。首先,对高分SAR图像进行预处理;然后,采用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取8种纹理特征,与灰度图像共同构建SAR图像的高维特征集;利用自适应邻域选择的邻域保持嵌入(adaptive neighborhood selection neighborhoods preserving embedding,ANSNPE)算法对高维特征集进行特征提取,提取出新的特征;最后,通过阈值分割及后处理提取建筑区,并进行精度评价。选择Terra SAR-X数据进行实验研究,结果表明,ANSNPE算法能够从高分SAR图像中有效提取建筑区,并具有较强的泛化能力;通过训练数据获得的投影矩阵可直接应用到新样本中,建筑区提取精度达85%以上。     

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。     

利用GLCM纹理分析的高分辨率SAR图像建筑区检测

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%;随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

全极化SAR数据反演桥面高度

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%;随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

多特征加权融合的高分SAR影像建筑区提取方法

机载SAR影像分辨率的不断提高使得图像纹理信息更加丰富,对地物分类和提取具有重要意义。针对建筑区的纹理特点,该文提出了一种综合统计和结构多特征加权融合的建筑区提取方法。分别采用经典的灰度共生矩阵方法提取统计纹理特征和采用变差函数方法提取结构纹理特征,并考虑方向信息;然后利用提出的巴士距离特征权值计算方法,将所选特征进行加权融合;利用K均值聚类算法对融合后的特征图像进行非监督分类,对分类图像进行后处理并提取外部轮廓。以国产机载P波段全极化SAR影像为数据源进行了实验,并对结果进行了定量分析,表明该方法能够高精度地有效提取高分辨率机载SAR影像中的建筑区。     

深度融合网结合条件随机场的遥感图像语义分割

为了充分利用遥感图像中丰富的细节信息和上下文信息,提高图像语义分割精度,提出一种深度融合网结合条件随机场模型的遥感图像语义分割方法。方法在全卷积神经网络框架中增加反卷积融合结构,搭建深度融合DFN (Deep Fusion Networks)网络,通过深层网络自动获取多尺度特征,避免人工设计和选择特征,提高模型的泛化能力;同时借助反卷积融合结构,利用多尺度信息,将浅层细节信息和深层语义信息相融合,提高模型的处理精度。由全连接条件随机场引入空间上下文信息,更好地定位边界,得到最终的语义分割结果。在遥感图像数据集上的实验结果显示:(1)随着不同尺度细节信息的融入,结果的边缘轮廓越精确、接近标签图像;(2)增加了空间上下文信息后,语义分割结果边缘更细化、准确,精度更高。实验表明,该方法可以有效提高遥感图像语义分割的精度,改善结果的过平滑现象。     

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。     

面向机器阅读的地图名称注记类别识别方法

地图在人们的生产生活中发挥着重要作用,地图注记中蕴含大量信息,识别地图名称注记类别对未来计算机阅读地图以及进一步绘制地图具有重大意义。近年来,热门的深度学习技术尤其是卷积神经网络对解决图像分类问题具有良好效果,使用训练集对卷积神经网络进行训练,神经网络模型可以提取出数据集图片中的特征,并不断调整模型参数直到训练完成。以谷歌的开源框架TensorFlow作为实验的深度学习平台,对多部地图集的多份注记数据集进行智能分类研究,从地图集中人工获取注记图片作为样本数据集,构建卷积神经网络模型并尝试混合训练和分开训练两种方式。实验表明,混合训练方式获得的模型表现更加出色。     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

改进的ELU卷积神经网络在SAR图像舰船检测中的应用

随着航天技术的发展,我国SAR载荷的探测体系呈现多种类、多分辨率的发展趋势。传统的检测识别方法很难适应多分辨率、多种类的SAR图像数据,从而需要寻求一种能从多分辨率的图像数据中提取有效特征的方法。智能化发展非常迅速,本文基于SAR图像的特点,提出了改进的ELU激活函数卷积神经网络的方法,建立了结合ELU激活函数和二次代价函数的深度学习模型。同时,在训练样本中建立样本特征与所在分类中心的距离函数,用模糊支持向量机（FSVM）对提取的特征进行了分类。试验结果表明,本文方法提高了SAR图像舰船检测的抗噪性,并且检测率达到了98.6%。     

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。     

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。     

基于多尺度特征融合的遥感影像目标检测

提出基于多尺度特征融合的遥感影像目标检测方法,本文利用选择性搜索算法对原始数据进行滤波处理和二值化处理,提取遥感影像目标区域图像数据,采用RBM技术获取遥感影像目标的语义特征和细节特征,在此基础上,建立融合网络,对影像目标的语义特征和细节特征进行变形卷积操作和池化操作,将目标的语义特征和细节特征进行多尺度融合,获取目标的深度特征,进而定位遥感影像目标。实验证明,设计方法遥感影像目标检测时间短,可以快速检测到遥感影像目标。     

基于ImageNet预训练卷积神经网络的遥感图像检索

高分辨率遥感图像内容复杂,细节信息丰富,传统的浅层特征在描述这类图像上存在一定难度,容易导致检索中存在较大的语义鸿沟。本文将大规模数据集ImageNet上预训练的4种不同卷积神经网络用于遥感图像检索,首先分别提取4种网络中不同层次的输出值作为高层特征,再对高层特征进行高斯归一化,然后采用欧氏距离作为相似性度量进行检索。在UC-Merced和WHU-RS数据集上的一系列实验结果表明,4种卷积神经网络的高层特征中,以CNN-M特征的检索性能最好;与视觉词袋和全局形态纹理描述子这两种浅层特征相比,高层特征的检索平均准确率提高了15.7%~25.6%,平均归一化修改检索等级减少了17%~22.1%。因此将ImageNet上预训练的卷积神经网络用于遥感图像检索是一种有效的方法。     

综合Span图和纹理特征的高分三号影像建筑区提取

建筑区的识别和提取是城市环境规划与研究至关重要的工作。本文采用高分三号全极化SAR影像,提出了一种综合Span图和纹理特征的建筑区提取方法。首先基于Span图利用灰度共生矩阵算法提取图像的7种原始纹理特征,通过目视解译选择出4种纹理效果较好的统计量,然后利用主成分分析法去除他们之间的相关性,筛选出2个最佳纹理特征与Span图结合,最后对组合影像进行分类提取。本文将提取结果与综合灰度和纹理特征建筑区提取、无纹理特征提取方法结果进行对比,实验结果表明:本文方法提取建筑区边界轮廓更加清晰,精度可达92%,提取效果明显得到了优化。     

多尺度融合卷积神经网络支持下的SAR影像变化检测

相干斑噪声的存在影响着合成孔径雷达(SAR)影像识别变化信息的能力。为了提高变化检测的准确性,必须充分考虑相干斑噪声的影响。本文提出了一种新的变化检测方法,利用联系上下文显著性提取方法,从差异图中提取潜在变化区域和背景信息,在保留图像主要纹理细节的同时去除背景噪声。针对当前变化检测方法特征表达不足的问题,设计了一种多尺度通道注意力模块squeeze, expand and excitation(SEE),在获取多感受野信息的同时强调重要信息,不至于产生信息冗余。在此基础上,提出了一种多尺度融合卷积神经网络——SEENet。SEENet将3个SEE模块残差连接,以实现信息的多级利用。通过在4个SAR真实数据集上的试验,验证了该方法的有效性。     

SAR图像纹理特征相关变化检测的震害建筑物提取

SAR图像变化检测是遥感震害信息识别中的重要方法之一,常规的SAR图像变化检测方法主要以强度图像为主,易受图像中地物目标方位变化、表面粗糙度变化和图像中涵盖地物目标信息量庞大的影响。针对震后强度图像变化复杂无规律、纹理特征参数繁多且难优选的问题,以熊本地震益城町区域的ALOS-2数据为例,提出了一种基于纹理特征主成分变换的相关性变化检测方法,该方法首先提取图像的多个纹理特征参量,其次采用主成分变换的方法获取多个纹理特征参量的第一主成分分量,然后计算第一主成分分量的相关性,最后根据实地调查样本统计分类阈值对图像中不同程度震害建筑物进行检测,并与基于强度图像相关性变化检测方法、强度图像差值变化检测方法结果进行了对比。结果表明,基于纹理特征主成分的相关性变化检测方法能够有效地检测不同震害程度建筑物的分布,总体提取精度可达87.2%,高于基于强度图像的两类变化检测方法检测精度,在保持较高提取精度的同时,也有效降低了震害建筑物的错分概率,证明了该方法的可行性,提出的方法可用于震后灾损评估、救援决策制定、指导灾后重建。