一种基于变分自编码器的高光谱图像分类方法

深度学习可以有效表达影像的深层特征,在遥感图像处理特别是在分类方面取得了良好的效果。提出了一种基于变分自编码网络的高光谱遥感影像深度学习分类方法,该方法利用变分自编码器进行无监督训练,用分类层替换解码层,输入训练样本进行分类网络的微调,最后在分类器预测的类别概率图基础上使用条件迭代模型求解马尔可夫随机场,对分类结果进行优化。在两幅通用高光谱数据集上进行分类实验,结果表明基于变分自编码器的高光谱遥感影像分类方法取得了优于其它方法的分类效果。     

利用深度卷积循环神经网络的高光谱影像空谱特征分类方法

针对高光谱影像分类问题,提出了基于深度卷积循环神经网络的高光谱影像空谱特征分类方法.首先将高光谱数据立方体看作一组特征序列;然后利用深度卷积循环神经网络构建特征序列的依赖关系,并采用"预训练+微调"的训练策略对深层网络模型进行训练,从而使得所设计的深层网络在训练样本较少的情况下也能得到更加充分的优化.在Pavia大学和Indian Pines数据集上的试验结果表明,构建的深度卷积循环神经网络的分类精度比RNN方法分别提升了9.49％和5.8％.     

高光谱影像的DAE分类

针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。     

一种基于输入向量机的高光谱影像分类算法

支持向量机分类方法存在惩罚系数需要交叉验证获取、训练时间较长、支持向量个数随着训练样本数量的变化而变化,以及稳定性和稀疏性较差等问题。针对这些问题,提出了一种基于输入向量机的高光谱影像分类算法。该算法在核逻辑回归模型的基础上,采用前向贪心算法选择训练样本中的输入向量来进行模型的训练,达到稀疏的目的,提高影像的分类精度和分类效率。通过PHI和OMIS两组高光谱影像分类实验,结果表明基于输入向量机分类算法具有稳定性好、稀疏性强的优点。     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

利用残差通道注意力网络的高光谱图像分类

残差网络能够有效地解决卷积神经网络出现的梯度消失问题,应用于高光谱图像分类取得了良好的效果,但简单地堆积残差单元并不能很好地提高模型性能。通道注意力机制能够有区别地处理卷积层输出的特征图,更好地利用对分类有用的特征通道。为了充分利用残差网络及通道注意力机制的特征提取能力,设计适用于高光谱图像分类的残差通道注意力网络。在残差单元中结合卷积层和通道注意力机制,实现对特征通道的重新调整,并在模型中实现局部残差学习和全局残差学习,促进信息传递,增强模型稳定性。实验结果表明,该方法用于Indian Pines数据和University of Pavia数据能够分别取得98.78%和99.22%的分类精度,在有限数量训练样本的情况下,能够达到较高的分类精度。     

基于核半监督判别分析的高光谱影像特征提取

针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。     

结合注意力与双分支的高光谱树种分类研究

针对浅层机器学习方法在高光谱树种分类中存在的特征提取困难、泛化能力不足等问题,该文提出了一种基于注意力机制的双分支空谱联合网络,该网络由光谱分支和空间分支组成,在各分支中加入注意力机制对特征进行细化,以提取出更关键特征实现高精度树种分类。实验结果表明,该文提出的网络在3个数据集中均获得了89%以上的分类精度。利用高光谱影像和双分支注意力网络可以实现树种的高精度分类,在森林资源调查和监测中具有较大的潜力。     

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度，提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成，其中生成器用于模拟高光谱样本的数据分布，生成特定类别的样本；判别器是一个二值分类器，用于判断输入的样本是否为真实数据；分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小，从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器，因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验，试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

一种联合空谱特征的高光谱影像分类胶囊网络

高效稳定的深度学习分类器有助于提升高光谱遥感影像的分类精度。针对卷积神经网络标量式神经元特征表达能力有限、无法有效建模特征之间空间层次结构关系的不足，设计了一种考虑数据图谱合一特性的端到端高光谱胶囊网络(H-CapsNet)。H-CapsNet主体由编码器(卷积层、PrimaryCaps层及DigitCats层)和解码器(全连接层)组成，通过在网络输入端嵌入通道和空间注意力模块，以此增强模型对空谱特征的抓取和识别，进而提升网络对特征的聚焦和表达能力。以资源一号02D卫星获取的张家港高光谱影像及公共数据集University of Pavia和University of Houston影像为例进行试验，将H-CapsNet网络与传统机器学习算法和多个深度学习网络进行对比。试验结果表明，在3景不同分辨率的高光谱影像上，H-CapsNet分类网络均取得了最优的分类效果，总体精度相较于其他方法分别提升了2.36%～7.67%、0.16%～11.8%和1.75%～15.58%。H-CapsNet网络对小像素邻域具有较好的适应性，当图像块尺寸有限时，仍可以取得相对理想的分类结果。     

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

面对高光谱影像分类的半监督阶梯网络

提出一种半监督阶梯网络用于对高光谱影像进行分类,以解决小样本条件下基于堆栈式自编码器的高光谱影像分类方法分类精度不高的问题。首先,该网络以堆栈式自编码器为基础,在编码器和解码器之间增加横向连接参数构建阶梯网络,以使网络适合半监督分类;然后将无监督损失函数与有监督损失函数之和作为最终优化的目标函数,采用半监督的方式对整个网络进行训练。为进一步提高分类精度,提取局部二值模式纹理特征进行分类实验。实验结果表明:提出的半监督阶梯网络能够较好地解决高光谱影像分类小样本问题;且LBP纹理特征能够有效提高分类精度。     

适用于训练样本选择的斜交因子模型研究

训练样本的质量直接影响训练阶段的训练质量（或效果）,进而在一定程度上影响测试阶段的分类精度。训练样本的代表性和典型性则反映出训练样本质量的一个重要方面。对于当前非常流行的深度学习模型研究,如何尽可能地减少训练样本的数量,一方面成为一个非常“棘手”的问题,另一方面从实际应用的角度来看,这也上升为一个经济或成本方面的问题。提出了一种适用于训练样本选择的斜交因子模型方法,该方法松弛了Q型因子分析和对应分析对于公因子之间独立的假设条件,并在斜交参考解的基础上提出一种适合训练样本选择的近似求解斜交旋转的方法。实验结果表明,所提方法是可行、有效的。与基于正交因子模型的方法相比,它可以更好地描述或逼近现实的真实情况,可以选择出更合理、更具有代表性的典型训练样本,并且还可以取得满意的分类精度。适用于训练样本选择的斜交因子模型方法优于基于正交因子模型的训练样本的选择方法,被选择的训练样本分布相对更分散、更合理,而且总的分类精度平均提高3%左右。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

一种利用卷积神经网络的干涉图去噪方法

干涉图滤波是合成孔径雷达数据处理的关键,引入卷积神经网络（convolutional neural networks,CNN）进行干涉图去噪。首先,采用自编码器结构进行非监督学习,将干涉图去除局部地形坡度相位,所得残余噪声作为模型输入;然后将模型输出结果与去除的局部地形坡度相位相加,生成滤波结果。利用航天飞机成像雷达数据和哨兵一号A(Sentinel-1A)卫星数据,通过与Goldstein滤波器、均值滤波器、Lee滤波、Frost滤波、改进的去噪卷积神经网络（denoising convolutional neural network,DnCNN）进行对比实验,结果表明,该方法对干涉图相位质量有很大的改善,不仅能够较大程度地抑制噪声,而且能够更多地恢复出图像细节,保持干涉条纹边缘连续性。     

利用LSTM网络预测月球物理天平动参数

利用中国探月甚长基线干涉测量（very long baseline interferometry, VLBI）观测数据改进月球物理天平动参数的预测精度,对于着陆器和巡视器的精密定位具有重要意义。利用VLBI单点定位模型解算得到“嫦娥三号”（Chang’E-3,CE-3）着陆器的坐标和物理天平动,分别采用循环神经网络（recursive neural network, RNN）和长短期记忆（long-short term memory, LSTM）网络进行物理天平动的预测。选取月球着陆器的坐标和VLBI观测量作为输入量,将3个欧拉角Ω, i, μ作为输出量,将11 323个样本用于训练,2 315个样本用于测试,2 315个样本用于验证,1 000个样本用作与预测结果进行对比。结果显示, 验证集的数据经过1 000次训练和9次迭代训练后的梯度约为6.2×10-5(″)/s,证明了LSTM网络与RNN的可靠性。LSTM网络和RNN的3个欧拉角的预测精度分别达到了97.8%、99.7%、97.2%和95.2%、98.5%、95.8%,LSTM网络的预测精度更高。与DE421星历对欧拉角的预测结果进行比较,结果证明了LSTM网络预测精度更高。     

融合3D DenseNet的零样本视频分类

零样本视频分类（zero-shot video classification,ZSVC）采用的点积分类方式容易使神经元产生较高方差,从而导致模型对输入分布的变化非常敏感。针对该问题,采用三维密集网络（3D DenseNet）与余弦相似性相结合的方法,提出了一种基于3D DenseNet的零样本视频分类（3D DenseNet for zero-shot video classification,DZSVC）算法,通过使用余弦相似性的分类方式替代点积分类方式来控制方差的范围,使模型对不同的输入幅值具有更强的鲁棒性。该算法首先将视频数据输入到3D DenseNet中,利用3D DenseNet的密集特性提取更丰富的时间和空间信息,并将提取出来的特征向量映射到公共空间。采用基于余弦相似性的方法对视频进行分类,在UCF101数据集和HMDB51数据集上的准确率分别为32.9%和20.2%,UCF50数据集和HMDB25数据集上的准确率分别为41.4%和23.7%,实验结果表明所提算法具有良好的分类效果。