对抗与蒸馏耦合的高光谱遥感域自适应分类方法

高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类,是高光谱跨场景分类的重要方法之一。目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐,但未考虑源域知识是否充分转移至目标域这一关键问题。为了有效提取并迁移源域知识,本文提出一种基于对抗与蒸馏耦合模式的高光谱遥感自适应分类方法 UDAACD(Unsupervised Domain Adaptation by Adversary Coupled with Distillation)。该方法采用类内样本自蒸馏方式对源域信息进行提炼,提高自适应分类模型对源域监督知识的提取能力;同时,构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐,利用对抗与蒸馏耦合机制相互补充、相互促进,提升高光谱遥感知识从源域至目标域的迁移能力,进而完成目标域高光谱影像的无监督分类。本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验,结果表明所提出的模型优于其他高光谱域自适应方法,在相同样本条件...     

基于时频特征的高分辨率遥感图像道路提取

针对传统的遥感图像道路提取算法存在错漏率较高的问题,提出一种基于时频特征提取和域自适应学习分类器的高分辨率航空遥感图像道路提取新算法。首先利用地统计学抽取道路的时域纹理特征和三维小波变换抽取道路的频域光谱特征,构成高分辨率航空图像中的道路特征。然后使用抽取的道路特征训练由迁移支持向量机模型构建的域自适应分类器,并对高分辨率航空遥感图像进行道路粗提取。最后,结合道路形态特征,用数学形态学方法处理粗分类后的道路,获得提取后的完整道路。仿真实验表明,所提方法能有效降低高分辨率航空遥感图像道路提取中非道路目标的干扰,提高道路提取的精确性。     

一种用于遥感影像语义分割对抗域适应方法

为利用已有标注的影像数据集实现对未标注遥感影像的语义分割,提出一种对抗域适应的方法。首先在生成对抗网络的基础上,利用基于香农熵的不确定图,进行域间的对抗学习,实现已标注的影像(源域)与未标注的影像(目标域)之间的迁移学习;其次为进一步提升模型的无监督学习能力,使用基于伪标签提纯的自学习策略。为验证所提方法的有效性,使用ISPRS提供的IRRG波段的Vaihingen数据集与RGB波段的Potsdam数据集进行实验。实验结果表明,与典型的域适应方法相比,该方法可以有效地提升网络的泛化能力,进而提高模型在目标域上的分割精度。     

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。     

多图卷积网络的遥感图像小样本分类

小样本学习旨在利用非常少的监督信息识别出新的类别,由于忽视了样本之间的关联信息,现有的小样本分类方法用于遥感图像小样本分类时往往不能获得令人满意的精度。为此,本文利用图来建模图像在特征空间的相似关系,使用图卷积运算平滑同类别图像的特征,增强不同类别图像特征的区分度,提升分类精度。所提方法在现有图卷积运算的基础上,使用多阶次的邻接矩阵线性加权的方法代替传统的一阶邻接矩阵,通过图谱分析得出这种改进方法能够让不同阶次邻接矩阵的频率响应函数在高频部分正负相抵,有效抑制图信号的高频分量,更显著的提升同类别节点特征的聚集程度;同时,在训练过程引入了微调的方法,使用新类别中的标记数据对最后一层图卷积网络进行少量次数的训练,能够进一步提高精度,增强模型的迁移能力。实验使用AID、OPTIMAL31以及RSI-CB256这3个常用的遥感数据集对方法的有效性进行了测试,结果表明提出的方法在同数据集小样本分类任务和跨数据集小样本分类任务中,在分类精度方面均优于原型网络等比较方法。     

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止，基于卷积神经网络改进的变体网络有效提升了学习效率，但由于提取特征比较单一无法准确描述图像特征，导致相似度学习效率较低。为此，本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同，但权值不共享，网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征；然后通过特征融合层进行特征融合；最后将融合特征直接输入全连接层进行相似度学习，既改善了提取的图像特征多样性，又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验，结果表明，相比其他模型，本文提出的模型具有较强的网络学习能力和模型泛化能力，准确率高达97.96%。     

基于Encoder-Decoder网络的遥感影像道路提取方法

针对道路目标特点,设计实现了用于遥感影像道路提取的Encoder-Decoder深度语义分割网络。首先,针对道路目标局部特征丰富、语义特征较为简单的特点,设计了较浅深度、分辨率较高的Encoder-Decoder网络结构,提高了分割网络的细节表示能力。其次,针对遥感影像中道路目标所占像素比例较小的特点,改进了二分类交叉熵损失函数,解决了网络训练中正负样本严重失衡的问题。在大型道路提取数据集上的试验表明,所提方法召回率、精度和F1-score指标分别达到了83.9%、82.5%及82.9%,能够完整准确地提取遥感影像中的道路目标。所设计的Encoder-Decoder网络性能优良,且不需人工设计提取特征,因而具有良好的应用前景。     

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。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

基于多源遥感图像和复杂网络的城市主城区识别方法

针对现有的采用遥感图像的城市主城区提取方法仅利用数据光谱特征,未考虑城市的空间结构特征的情况,本文提出了一种基于多源遥感图像和复杂网络模型的城市主城区提取新方法。首先,采用八邻域极值法识别夜光图像的特征点,通过最佳路径成本法识别特征点的连接边,从而构建夜光图像复杂网络;其次,利用特征向量中心度改进复杂网络模型核心边缘结构识别方法,弥补其无法顾及节点邻域特征的不足;最后,依托分形网络演化算法获取Landsat-8图像的图像对象,构建夜光图像复杂网络节点与图像对象的空间映射关系,实现城市主城区提取。本文以沈阳、成都、西安3个城市为研究区域,以2019年的NPP/VIIRS夜光图像和Landsat-8图像为数据源,实验结果表明本文识别方法的总体精度为0.880 0,Kappa系数为0.741,较传统方法分别提高了0.119 8和0.255 9。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

一种高分辨率彩色遥感影像的道路检测方法

提出了一种采用FLD特征抽取分类和形状特征相结合的道路检测方法。首先,对标记的样本进行颜色信息的抽取;其次,利用Fisher线性判别对抽取的信息进行遥感影像特征分类,将影像分为道路和非道路两类;然后根据分类结果进行阈值分割检测初步道路网;最后利用道路的形状特征和形态学处理去除误提的信息优化检测结果。实验证明,该方法可以实现具有颜色信息的遥感影像主干道路的检测。     

多特征约束的高分辨率光学遥感影像道路提取

针对复杂场景中的遥感影像道路提取问题,论文提出了一种多特征约束的影像道路提取方法,并开展了论文方法可行性论证。该方法首先,根据道路宽度的先验知识以及道路的几何特征,提出一种改进的线段二次提取模型,利用线段长度和道路宽度确定候选道路种子点集;其次,输入道路结构信息,基于道路辐射特征对候选道路种子点进行整体匹配评价;再次,当候选道路种子无法符合辐射特征要求时,提出一种浅色机动车检测模型,以此将浅色机动车结果作为道路上下文特征,利用道路上下文特征对候选道路种子点进行分析;然后,构建道路拓扑分析模型,依据道路拓扑特征对候选道路种子点进行最终验证;最后,对提取道路种子点进行优化处理,并提出道路跟踪及拟合方法。通过不同复杂场景、不同分辨率高分辨率遥感影像下开展的不同方法实验结果对比分析表明,相对于其他商用软件ECognition和Erdas的方法,本方法自动化程度更高,运行效率高,适用于解决道路类型多样化、几何光谱噪声大的复杂场景道路提取问题。     

一种改进的融合不同尺度特征的遥感影像道路提取新方法

针对高分辨率遥感影像中细小道路纹理特征不明显、信息提取困难的问题,本文提出并实现了一种融合不同尺度特征的深度学习道路提取新方法。首先引入CoT模块构建残差网络,以充分利用局部与全局上下文信息提取不同尺度道路特征;然后构建特征金字塔注意力模块,融合不同层级道路特征信息;最后使用全局注意力上采样模块结合全局背景对道路细节进行恢复。试验结果表明,该方法的召回率、交并比均优于已有方法,能够较完整准确地提取遥感影像中的道路信息,提升道路提取效率。     

结合对抗网络与辅助任务的遥感影像无监督域适应方法

使用机器学习进行遥感影像标注的一个重要前提是有足够的训练样本,而样本的标注是非常耗时的。本文采用了域适应的方法来解决遥感影像场景分类中小样本量的无监督学习问题,提出了结合对抗网络与辅助任务的遥感影像域适应方法。首先建立了基于深度卷积神经网络的遥感影像分类框架;其次,为了学习到域不变特征,在标签分类器的基础上增加域分类器,并使域损失函数在其反射传播时的梯度与标签损失的梯度相反,从而保证域分类器不能区分样本来自于哪个域;最后引入了辅助分类任务,扩充了样本的同时使网络更具泛化能力。试验结果表明,本文方法优于主流的无监督域适应方法,在小样本遥感影像无监督分类中得到了较好的效果。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度，另一方面影响了道路形态完整性，使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势，提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先，利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取；然后，对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明，与相近网络比较，本文道路提取的精度和形态完整性有了明显的提高，查准率为86.25%，查全率为85.50%，F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析，特别有利于灾后的路径规划，本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

多源数据协同的城市道路提取

城市道路的高精度提取可为城市三维表达、城市地形分析、城市建设规划、交通导航等提供数据基础和支撑。本文以合肥市局部城区为试验区,以开源路网、街景图像和遥感影像为数据源,在利用最大似然法进行初提取的基础上,通过空间分析、统计分析、几何量测、最小二乘拟合等方法进行粘连分割、缺失处理和交叉口细化等关键处理,构建了多源数据协同的城市道路提取方法,并对提取结果进行了精度评价和分析。试验结果表明,本文提出的城市道路提取方法优于最大似然和面向对象方法,提取总体精度为96.65%,Kappa系数为93.71%,道路宽度偏离标准差为0.03m,特别是对同物异谱、同谱异物及遮挡等造成的信息提取不全问题具有良好的改善效果。     

迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。