改进残差网络的遥感图像场景分类

针对因常规残差网络(ResNet)结构缺少跨维度特征整合而导致遥感图像场景分类准确率不高的问题,该文提出了一种改进残差网络的遥感图像场景分类方法。首先,利用残差结构降低深层网络的复杂度,减少参数量,解决网络退化的问题;然后,采用1×1的卷积结构降低特征维度,增加网络的宽度,整合遥感图像的空间信息和纹理特征。在NWPU-RESISC45数据集上进行实验,准确率达到了93.63%,较集成卷积神经网络方法的分类精度提高了1.1%,体现了改进的残差网络在遥感图像场景分类中的有效性和可行性。     

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。     

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%。     

基于特征注意力金字塔的遥感图像目标检测方法

遥感图像场景复杂、目标大小不一、分布不均衡等特点增加了目标检测的难度，而适于检测不同尺度目标的特征金字塔融合不同深度的特征图时，没有考虑特征图各自的重要性，没有强调目标区域的特征，为此本文提出基于特征注意力金字塔的遥感图像目标检测方法 FAPNet(Feature Attention Pyramid Network)。首先，使用通道拼接方式融合不同深度的特征图，给用于检测的特征图提供不同大小感受野的特征，并基于通道注意力对融合的特征图在通道维度重标定，根据特征图所负责检测目标的尺度自适应地调整不同大小感受野特征的权重，强化感受野大小与待检测目标尺度匹配度较高的特征，弱化匹配度较低的特征。其次，使用叠加的扩张空间金字塔池化结构，结合弱监督分割网络建模位置注意力，强化目标区域特征，弱化背景区域特征，进一步提升目标检测方法的性能。实验结果表明，相较于RetinaNet，针对汽车目标，所提方法在UCAS-AOD数据集和RSOD数据集上检测精度AP分别提升了3.41%和2.26%，针对多类目标所提方法在各目标上取得了较优的AP结果，且mAP结果优于其他比较方法。     

改进D-LinkNet模型在国产卫星影像云检测中的应用

大部分国产卫星波段少,利用传统方法难以进行云检测。本文提出了基于改进D-LinkNet模型的云检测算法,并应用于国产卫星遥感影像的云检测。首先,利用自然资源部国土卫星遥感应用中心提供的人工勾云样本生成二值图标签;其次,对D-LinkNet50的编码器进行改进,使用带有通道注意力机制的ResNeSt50-Block替换原始的ResNet50-Block;然后,对损失函数进行加权,测试分析发现只用交叉熵损失作为损失函数时,检测精度更高;最后,使用条件随机场（CRF）对预测结果进行后处理。试验结果表明,改进D-LinkNet模型在测试集上的IoU提升了1.93%,精度提升了2.45%,保持了较好的云边缘信息,云检测效果高于原D-LinkNet模型。     

改进的直方图均衡化在遥感图像分类中的应用

遥感图像监督分类主要依据地物的光谱特征,具有很大的局限性.本文提出一种改进的直方图均衡化方法一均衡化后各像素灰度值调整,利用该方法对遥感图像进行处理,处理后的图像再进行监督分类.实验结果表明该方法直观、简明、处理速度快.并能取得较高的分类精度,具有一定的实用性.     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN（Region Proposal Network）机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

多尺度特征增强的遥感图像舰船目标检测

针对背景复杂的遥感图像中,舰船方向任意、密集排列造成的漏检问题,基于旋转区域检测网络,提出多尺度特征增强的遥感图像舰船目标检测算法。在特征提取阶段,利用密集连接感受野模块改进特征金字塔网络,选用不同空洞率的卷积获取多尺度感受野特征,增强高层语义信息的表达;为了抑制噪声并突出目标特征,在特征提取后设计基于注意力机制的特征融合结构,根据各层在空间上的权重值融合所有层,得到兼顾语义信息和位置信息的特征层,再对该层特征进行注意力增强,将增强后的特征融入原金字塔特征层;在分类和回归损失基础上,增加注意力损失,优化注意力网络,给予目标位置更多关注。在DOTA遥感数据集上的实验结果表明,该算法平均检测精度可以达到71.61%,优于最新的遥感图像舰船目标检测算法,有效地解决了目标漏检问题。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题，集成Lanczos算法与谱聚类算法，探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性，提出了一种面向高光谱遥感图像的快速谱聚类算法；通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果，发现面向高光谱遥感图像的谱聚类算法易于识别线性地物，且分类的速度能得到较大提升。     

一种基于差异注意力的广西耕地“非粮化”提取研究

针对当前耕地“非粮化”监测任务重、传统自动提取方法应用于耕地“非粮化”业务难度大的问题，该文以广西壮族自治区为研究区域，研究深度学习遥感变化检测应用于耕地“非粮化”变化自动提取的可行性，提出基于余弦相似度的差异注意力模块以增强变化内容的特征表示，面向业务应用权衡不同分类阈值下召回率与精确率的优劣。经实验验证，该文模型的召回率、精确率分别约为78%与73%;相较基线方法，该文差异注意力模块可提升约3%的精度；在业务应用中，选择适当的模型分类阈值能够以仅25%的额外核查工作换取1.41%的召回率提升。实验结果表明了深度学习遥感变化检测用于耕地“非粮化”自动提取业务的可行性，为大范围耕地“非粮化”监测的业务应用提供了参考。     

结合特征组与分层策略的遥感图像分类研究

针对藏南地区地表覆盖信息获取困难、生产效率低等问题,该文提出一种结合特征组与分层策略的高空间分辨率遥感图像逐层分类方法。依据地理国情普查地表覆盖信息分类标准,结合研究区遥感图像实际的地表覆盖状况,充分挖掘高空间分辨率遥感图像的地物特征信息,建立该地区地物图像特征组,并采用分层策略减弱地物间的相互影响程度,实现研究区遥感图像逐层分类。实验结果表明,文中提出的逐层分类方法能有效提高地表覆盖类别解译效率,分层成果有利于进一步的精细分类。     

泛概念层次构建方法及其在遥感图像分类中的应用

针对传统泛概念树在进行正态云综合时出现雾化现象以及使用极大判定法进行遥感图像分类时缺乏类别信息的问题,提出了一种泛概念层次构建的改进算法,并基于改进的泛概念层次构建算法进行遥感图像分类。对TM遥感影像进行分类实验,并与常用的最大似然、最小距离、马式距离等方法进行遥感图像分类的对比试验,验证了本方法的有效性。     

改进注意力机制的遥感地貌识别算法

对遥感地貌进行识别，近年来一直是遥感图像应用领域的研究热点。使用深度学习算法识别遥感影像具有比传统方法更高的准确率和稳健性。针对遥感影像中目标复杂度高、特征信息多等问题，本文提出了一种基于改进注意力机制的遥感图像识别算法，即将并联注意力机制（CS）和神经网络模型相结合，借助弱监督学习来辅助训练。同时采用双损失函数来缓解数据过拟合问题。试验结果表明，本文模型总精度为98.35%，Kappa系数达0.95，优于其他深度学习算法，能有效地识别出自然地貌。     

基于权重与混合模型的遥感图像分类方法研究

提出了一种基于权重与混合像元模型的遥感图像分类方法。该方法在现有光谱混合模型的基础上,根据实际应用需要确定地类权重,通过地类丰度与权重因子加权平均确定像元的隶属类型,从而实现遥感图像分类。以SPOT-5土地覆盖遥感分类为例,对权重与混合像元模型结合的图像分类方法进行了验证,结果表明,该方法提高了遥感图像分类精度,在一定条件下更具实际意义。     

K-means聚类引导的无人机遥感图像阈值分类方法

针对无人机获取的高分辨率遥感图像分类需求,提出一种K-means聚类引导的阈值分类方法。首先计算出无人机遥感图像数据集的Average Silhouette值,作为K-means的最优聚类数目;然后对原始图像进行Kmeans聚类初分割,对初分割结果中的非目标区域进行手工剔除;再对处理之后的新对象进行阈值分割和图像优化,完成对象的提取;最后对所有处理得到的地物标签进行合并,实现遥感图像的识别与分类。基于MATLAB/GUI平台,对提出的分类方法处理步骤进行集成,开发了无人机遥感图像分类处理系统,可对无人机遥感图像进行快速处理,实现半自动解译。对分类结果进行精度验证,其总体精度为91.09%,Kappa系数为0.88,表明该方法用于无人机遥感图像分类处理,能够实现地物的精确分类与信息提取。     

基于集对分析的遥感图像K-均值聚类算法

基于欧式距离的K-均值聚类算法是一种硬分类(把每个待辨识的对象严格地划分到某个类中)方法,面对具有不确定性和混合像元特征的遥感图像数据,传统K-均值聚类算法很难得到满意的分类结果.为解决这一难题,将集对分析(set pair analysis,SPA)理论推广到遥感图像聚类算法,通过引入一个能统一描述同一性、差异性和对立性的同异反(identical discrepancy contrary,IDC)联系度,提出了基于IDC联系度的改进的K-均值聚类算法.该方法克服了传统K-均值算法硬分类的缺陷,可以有效地提高遥感图像聚类精度.对Landsat5 TM卫星数据的聚类分析实验表明,在含有混合像元的遥感图像地物覆盖分类中,改进的K-均值聚类方法的分类效果要优于传统K-均值聚类方法.     

基于资源限制性人工免疫系统的多光谱遥感影像分类方法

提出了一种基于资源限制性人工免疫系统（resouree limited artificial immune systems, RLAIS ）的多光谱遥感影像分类方法。该方法采用RLAIS对遥感影像分类中选取的感兴趣样区进行样本训练，得到全局聚类中心，利用聚类中心对遥感影像进行分类。实验证明，该方法在分类精度上优于传统方法，其总精度和Kappa系数分别达到了91%和0．88，具有实用价值。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

变异系数降维的CNN高光谱遥感图像分类

为了实现地物精准分类,需要有效地提取与分析高光谱遥感图像中丰富的空—谱信息。提出一种适用于高光谱遥感图像分类的变异系数与卷积神经网络相结合(CV-CNN)的方法。这种新方法引入变异系数的思想来衡量高光谱遥感图像不同波段之间的相似性和差异性,从而提出类间变异系数(CVIE)和类内变异系数(CVIA)的概念。通过计算(CVIE)~2/CVIA的值来剔除高光谱遥感图像中的低效波段,然后提取每个像素的空一谱信息,并对其进行2维矩阵化操作,转化为便于卷积神经网络(CNN)输入的灰度图像,最后采用自行构建的适合于高光谱遥感图像分类的CNN模型进行分类。Indian Pines和Pavia University两组数据的实验结果表明,该方法在两种数据集下的总体精度分别达到98.69%和99.66%,有效地改善了高光谱遥感图像的分类精度。     

Deeplab网络的极化合成孔径雷达图像分类

针对传统极化合成孔径雷达图像分类中特征提取不完整、特征表征性不够强、分类中干扰杂质较多等问题,该文提出了一种基于Deeplab模型的极化合成孔径雷达图像地物分类方法。实验通过在荷兰地区数据上对田野、植被、建筑区、水域、山体5类进行分类,然后在欧洲其他区域进行了算法评价。与传统的结合条件随机场的FCN-8s特征分类模型相比,该文方法能够提取更高效的底层特征,得到更高的分类精度、Kappa系数和总体精度。该方法不仅能在山体上提高10%左右的分类精度,而且能在这5类以外的类别掺杂情况,保证模型良好的鲁棒性。