联合空谱信息的高光谱影像深度胶囊网络分类

向量化的胶囊神经元和动态路由式的信息传递机制赋予了胶囊网络更强的特征表示能力。在遥感领域,基于胶囊网络的高光谱影像分类方法已经获得了较传统深度学习模型更为优异的分类结果。针对现有胶囊分类模型中存在的网络浅层、空谱联合信息利用不足等问题,本文利用卷积胶囊层、残差连接、三维卷积胶囊层构建了一种用于高光谱影像分类的新型深度胶囊网络。具体地,本文方法直接以高维数据立方体作为网络输入,并利用胶囊残差块逐层提取数据中的深层抽象特征。为了更加充分地利用影像中的空谱联合特征,在深层次的胶囊残差块中引入三维卷积胶囊层,以进一步提高分类精度。为了验证本文方法的有效性,选择University of Pavia、Indian Pines和Salinas等3个常用高光谱数据集和一个大规模机载高光谱数据集Chikusei进行实验。结果表明,与现有深度学习模型相比,本文方法能够获得更为优异的分类效果,在4个数据集上分别获得了99.43%、98.85%、97.14%和97.43%的总体分类精度。     

面向小样本高光谱影像分类的轻量化关系网络

近年来,基于深度学习的高光谱影像分类取得重要进展,针对高光谱影像分类训练样本稀缺的情况,提出一种结合注意力机制的轻量化关系网络（lightweight attention depth-wise relation network, LWAD-RN）, 以解决高光谱影像小样本分类问题。该网络由嵌入层和关联层组成,在嵌入层采用结合注意力机制的轻量化卷积神经网络提取像元特征,同时引入稠密网络结构;在关联层计算关联值进行分类,并采用基于任务的模式训练网络。利用3组公开的高光谱影像数据进行对比实验,结果表明,LWAD-RN能够有效提升小样本条件下（每类5个训练样本）的分类精度,同时提高了模型训练和分类效率。     

改进残差网络及时序气象卫星云图的台风等级分类研究

结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题，且考虑台风云图时空关联性强、特征复杂因素，参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图，编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征，有效优化了原始残差网络的残差块，并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用，保留台风图像时序特性，提高网络性能。实验显示，W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能，采用MNIST通用数据集进行网络对比实验，宽残差网络得到98.786%的测试精度，优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。     

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。     

联合空-谱信息的高光谱影像深度三维卷积网络分类

针对高光谱影像分类高维和小样本的特点,提出一种基于深度三维卷积神经网络的高光谱影像分类方法。首先,该方法直接以高光谱数据立方体为输入,利用三维卷积操作提取高光谱数据立方体的三维空-谱特征。然后,利用残差学习构建深层网络,提取更高层次的特征表达,以提高分类精度。最后,采用Dropout正则化方法防止过拟合。利用Pavia大学、Indian Pines和Salinas 3组高光谱数据进行试验验证,结果表明,与支持向量机和现有的基于深度学习的高光谱影像分类方法相比,该方法能有效提高高光谱影像的地物分类精度。     

密集卷积残差网络的遥感图像融合

针对传统的遥感图像融合方法通常会引起光谱失真的问题和大多数基于深度学习的融合方法忽略充分利用每个卷积层信息的不足,本文结合密集连接卷积网络和残差网络的特性,提出了一个新的融合网络。该网络通过建立多个密集卷积块来充分利用卷积层的分级特征,同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的特征。该网络应用残差学习拟合深层特征与浅层特征之间的残差,加快网络的收敛速度。实验中利用GaoFen-1（GF-1）和WorldView-2/3（WV-2/3）的多光谱图像MS （Multispectral Image）和全色图像PAN（Panchromatic Image）（MS与PAN的空间分辨率之比为4）评估本文提出方法的有效性。从视觉效果和定量评估结果两个方面来看,本文方法得到的融合结果要优于所对比的传统方法和深度学习方法,并且该网络具有鲁棒性,能够泛化到不需要预训练的其他卫星图像。本文方法通过特征的重复利用实现了光谱信息的高保真并提高了空间细节分辨能力,有利于遥感图像的应用研究。     

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。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力，应用于高光谱图像特征提取取得了良好的效果，双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征，并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子，能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力，提出一种双通道CNN和LBP相结合的高光谱图像分类方法，首先，采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征，同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征，然后，将两个CNN模型的全连接层进行连接，实现深层光谱特征和空间特征的融合，并将融合特征输入到分类层中完成分类。实验结果表明，该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度，甚至在有限数量的训练样本条件下也能取得较好的分类效果。     

基于层级Transformer的高光谱图像分类方法

高光谱图像分类将每个像素分类至预设的地物类别,对环境测绘等各类地球科学任务有着至关重要的意义。近年来,学者们尝试利用深度学习框架进行高光谱图像分类,取得了令人满意的效果。然而这些方法在光谱特征的提取上仍存在一定缺陷。本文提出一个基于自注意力机制的层级融合高光谱图像分类框架(hierarchical self-attention network, HSAN)。首先,构建跳层自注意力模块进行特征学习,利用Transformer结构中的自注意力机制捕获上下文信息,增强有效信息贡献。然后,设计层级融合方式,进一步缓解特征学习过程中的有效信息损失,增强各层级特征联动。在Pavia University及Houston2013数据集上的试验表明,本文提出的框架相较于其他高光谱图像分类框架具有更好的分类性能。     

基于残差网络特征融合的高光谱图像分类

深度学习技术因其在深度挖掘地物特征方面的独特优势为高光谱图像分类提供了技术手段。但是在高光谱图像的像素级地物分类中,由于样本输入尺寸的影响导致深度学习的层数受限,不能充分挖掘高光谱图像中的深度特征,为此提出基于残差网络特征融合的高光谱图像分类方法。首先通过主成分分析(principal component analysis,PCA)方法提取原始高光谱图像中的第一主成分,利用残差网络有效提取地物空谱特征;再通过反卷积算法实现特征图的扩充,将反卷积后不同维度的特征进行多尺度特征融合,充分挖掘高光谱图像中的深度特征信息,进一步提升高光谱图像分类精度。对"珠海一号"卫星拍摄的江苏太湖和安徽巢湖两个区域进行地物分类实验,结果表明,与其他方法相比,该方法有效解决了高光谱图像分类中深度特征提取不足的问题,获得了更好的分类性能。