利用主动深度学习提取极化SAR影像建筑区

针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。     

面向多源异质遥感影像地物分类的自监督预训练方法

近年来,深度学习改变了遥感图像处理的方法。由于标注高质量样本费时费力,标签样本数量不足的现实问题会严重影响深层神经网络模型的性能。为解决这一突出矛盾,本文提出了用于多源异质遥感影像地物分类的自监督预训练和微调分类方案,旨在缓解模型对于标签样本的严重依赖。具体来讲,生成式自监督学习模型由非对称的编码器-解码器结构组成,其中深度编码器从多源遥感数据中学习高阶关键特征,任务特定的解码器用于重建原始遥感影像。为提升特性表示能力,交叉注意力机制模型用于融合异源特征中的信息,进而从多源异质遥感影像中学习更多的互补信息。在微调分类阶段,预训练好的编码器作为无监督特征提取器,基于Transformer结构的轻量级分类器将学习到的特征与光谱信息结合并用于地物分类。这种自监督预训练方案能够从多源异质遥感影像中学习到刻画原始数据的高级关键特征,并且此过程不需要任何人工标注信息,从而缓解了对标签样本的依赖。与现有的分类范式相比,本文提出的自监督预训练和微调方案在多源遥感影像地物分类中能够取得更优的分类结果。     

多分类SVM主动学习及其在遥感图像分类中的应用

针对应用传统分类器和被动学习的方法,难以满足遥感图像处理实际应用的要求这一困境,提出了一种新的基于多分类SVM的主动学习方法,与被动学习的随机选择不同,主动学习是在少量标记类别的初始训练样本集基础上,通过反复迭代主动学习的方式,得到最有利SVM分类器性能的样本为支持向量。研究表明,这种方法直接避免了大量的计算,可有效地减少样本训练时需要标记样本的数目,并取得较为理想的分类效果。     

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。     

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。     

一种结合分水岭与决策树C5.0的极化SAR分类方法

提出了一种利用多种极化特征并结合分水岭算法与决策树C5.0分类器的极化SAR数据分类方法。首先对极化SAR数据进行极化精致Lee滤波,接着对其进行极化分解得到多个极化通道与Pauli RGB图像,改进梯度图生成法并进行形态学分水岭分割与区域合并,最后选择样本构建决策树C5.0分类器并进行分类。实验结果表明,该方法与传统基于像素的分类方法相比精度有显著提高,同时由于使用了较多的极化特征,也使分类精度在一定程度上得到了提高。     

深度神经网络的高分三号全极化SAR图像分类方法

针对传统极化SAR地物分类方法和基于像素的神经网络分类方法容易受到SAR图像固有斑点噪声影响而出现的破碎孤立点和精度下降问题,该文在考虑了极化SAR图像的基本特征的基础上结合深度卷积神经网络的方法对地表覆盖类型进行了分类研究,利用不同尺度的全极化SAR特征融合RGB图像对GoogLeNet模型进行迭代训练,结合对实验区的多尺度分割结果,对SAR图像做不同尺度下的样本分类,并最终获得整体图像的分类结果。实验证明,此方法能够获得较高的分类精度。     

结合BRF神经网络的全极化SAR影像分类方法研究

为了解决模糊支持向量机(FSVM)算法应用于全极化SAR影像分类而产生的聚类中心陷入局部过适应问题,本文提出了一种基于模糊分割理论结合RBF神经网络的全极化SAR影像分类方法。主要利用模糊聚类分割、极化分解、纹理特征提取等,构建待分类地物特征集,并通过SGE进行监督降维,采用降维后的待分类地物极化表征完成RBF分类器训练,实现全极化SAR影像监督分类。最终通过C波段Randsat-2全极化SAR数据进行实测检验,结果表明,该方法使得分类结果区域一致性增强,充分地保存了待分类地物细节信息。     

融合半监督学习的无监督遥感影像场景分类EI北大核心CSCD

自监督学习可以不依赖样本标签对遥感影像进行特征提取,但是特征分类仍然依赖有监督方法。为了克服有监督特征分类过程的不足,实现遥感影像特征的无监督自动分类,本文提出一种融合半监督学习的无监督语义聚类方法。首先,使用自监督学习提取遥感影像特征,抽象出图像包含的高层语义信息;然后,基于特征相似度寻找每个样本最相似的近邻,使用在线聚类将相似样本聚为一类,训练一个线性分类器;最后,根据聚类结果为高置信度样本生成伪标签,构造标注样本集,使用半监督方法对模型微调。在4个公开遥感影像场景分类数据集EuroSAT、GID、AID和NWPU-RESISC45上进行验证,分类精度分别达到了94.84%、63.55%、76.42%和86.24%。本文方法结合了在线聚类和半监督学习的优点,缓解了已有方法存在的误差积累和样本利用不充分的问题,在完全不使用标注样本的情况下,充分利用自监督特征训练分类模型,对遥感影像进行场景分类,达到接近有监督学习的分类效果,具有良好的应用价值。     

一种改进的全极化SAR图像MCSM-Wishart非监督分类方法

针对H/Alpha/A-Wishart非监督分类算法存在的未充分提取SAR图像极化信息和分类精度低等问题,引入多分量散射模型(multiple-component scattering model,MCSM)分解,提出了一个适用于全极化SAR图像非监督分类的MCSM-Wishart算法。首先对全极化SAR图像进行MCSM分解,提取体散射、二次散射、螺旋体散射、表面散射和线散射极化信息,采用迭代自组织数据分析技术(iterative self-organizing data analysis technique,ISODATA)的非监督分类算法进行聚类;然后通过基于描述多视协方差矩阵的复Wishart分布的迭代分类得到分类结果。以南京溧水和盐城滨海湿地的ALOS PALSAR图像为研究数据,比较了H/Alpha-Wishart算法、H/Alpha/A-Wishart算法、MCSM-Wishart算法和监督-Wishart算法4种分类方法。研究结果表明,MCSM-Wishart分类算法在效率、总体准确率和Kappa系数等指标上均较原始分类器有一定的提高;将ISODATA聚类算法应用于复Wishart分布的迭代分类器中,可有效提高分类的精度。     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。     

高分影像场景分类的半监督深度卷积神经网络学习方法

传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低.针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程.为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度.     

主动学习与图的半监督相结合的高光谱影像分类

针对当前高光谱影像分类时,人工标注样本费时费力以及大量未标记样本未有效利用等问题,提出了一种主动学习与图的半监督相结合的高光谱影像分类方法。首先,将像素的光谱信息与其邻域内的空间信息相结合,利用重排序机制得到一种旋转不变的空谱特征表达。在此基础上,利用主动学习算法选择最不确定性样本(即分类模糊度最大的样本),提交操作者标注得到标记样本集。最后将该标记样本与未标记样本组合,用于图的半监督分类。该算法可保证类别边界样本的选择,利于分类器的边界构造,同时,在较少标记样本情况下,通过引入大量的未标记样本,可以达到较好的分类效果。在3幅真实高光谱影像上的试验表明,该方法可以取得精度较高的分类结果。     

一种结合颜色特征的PolSAR图像分类方法

为了提出一种颜色特征与极化特征相结合的极化SAR图像分类方法,首先,通过极化目标分解得到极化特征向量;然后,采用最佳指数模型方法生成极化SAR的假彩色合成图像,并提取颜色特征向量;最后,将这2种特征组成综合特征向量,利用SVM方法进行分类。利用Radar Sat-2的Pol SAR数据进行了SAR图像分类实验,并对分类结果进行定性和定量比较分析。实验结果表明,颜色特征的加入能有效提高极化SAR图像的分类精度。     

多分类器实例协同训练遥感图像检索

提出一种基于多分类器协同训练的遥感图像检索方法,该方法在不同特征集上分别建立分类器,利用不同分类器的协同性自动标记未知样本,从而有效解决了小样本问题。通过与相关反馈方法进行实验比较分析,结果表明,这两种方法各有优劣,检索结果基本相当,然而多分类器协同训练方法避免了相关反馈过程中人工的多次反馈,自动化程度更高。     

结合视觉特征的极化SAR图像分类

为充分提取极化合成孔径雷达(synthetic aperture Radar,SAR)图像中的信息,提高图像分类精度,提出结合视觉特征的极化SAR图像分类方法。首先,通过极化目标分解方法提取极化参数组成极化特征向量;然后,通过灰度共生矩阵和假彩色合成图像提取极化SAR图像中的纹理和颜色特征参数构成视觉特征向量;最后,将视觉特征向量与极化特征向量组合成新的特征向量,并利用支持向量机(support vector machine,SVM)方法进行分类。对RADARSAT-2的全极化SLC数据进行分类实验,结果表明,与仅使用极化特征向量相比,视觉特征的加入能有效提高极化SAR图像的分类精度。     

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。     

利用Yamaguchi分解保持地物散射特性的极化SAR分类

本文提出一种利用Yamaguchi分解保持地物散射特性的极化SAR数据分类方法。该方法利用Yamaguchi分解获得4种散射机理:表面散射、体散射、偶次散射和螺旋体散射,根据4种散射机理的功率大小判断地物的主散射机理和类别之间的Wishart距离,合并到指定个数的初始类别;并结合Wishart距离分类器对初始类进行迭代修正,实现极化SAR图像的非监督分类。最后利用AIRSAR数据与已有分类方法进行对比实验,验证了本方法的优势及适用性。     

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。     

迁移学习支持下的土地利用/土地覆被分类

针对土地利用/土地覆被分类中小规模数据集无法使用深度学习方法自动分类的问题,提出了利用精简深度残差神经网络(Resnet-50)进行迁移学习的土地利用/土地覆被自动分类算法。首先,使用Sentinel-1卫星提供的遥感数据制作数据集;然后,对Resnet-50中每层的卷积模板数量进行压缩并在其后级联自适应网络得到精简残差网络;最后,利用Image Net数据集预训练精简残差网络,并将网络模型迁移到Sentinel-1数据集对网络参数进行微调,最终实现小数据集上土地利用/土地覆被的高精度自动分类。试验结果表明该算法在SAR数据集上的分类精度高达95.15%,验证了算法的可行性。