基于端到端全卷积神经网络的道路提取

高分辨率遥感影像中道路网的提取是智能地物提取和分析的重要方面,研究遥感图像的道路提取方法具有重要科学意义。本文以马萨诸州航空影像道路数据集为试验数据,设计一种基于端到端的全卷积神经网络模型,基于此分别对郊区道路网以及城区密集道路网进行试验分析,并与传统的监督分类算法进行比较。试验结果表明,基于卷积神经网络的深度学习算法可较高精度地从高分辨率遥感影像中提取道路信息,召回率与F1评分有着25%～47%左右的提升。     

基于注意力增强全卷积神经网络的高分卫星影像建筑物提取

从卫星遥感影像中自动提取建筑物在国民经济社会发展中具有广泛的应用价值,由于卫星遥感影像存在地物遮挡、光照、背景环境等因素的影响,传统方法难以实现高精度建筑物提取。采用一种基于注意力增强的特征金字塔神经网络方法(FPN-SENet),利用多源高分辨率卫星影像和矢量成果数据快速构建大规模的像素级建筑物数据集(SCRS数据集),实现多源卫星影像的建筑物自动提取,并与常用的全卷积神经网络进行对比。研究结果表明:SCRS数据集的提取精度接近国际领先的卫星影像开源数据集,且假彩色数据精度高于真彩色数据; FPN-SENet的建筑物提取精度优于其他常用的全卷积神经网络;采用交叉熵和dice系数之和为损失函数能够提升建筑物提取精度,最好的分类模型在测试数据上的分类总体精度为95.2%,Kappa系数为79.0%,F1分值和IoU分别达到了81.7%和69.1%。该研究可为高分辨率卫星影像建筑物自动提取提供参考。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

基于卷积神经网络的城市水体提取方法研究

针对传统方法在城市水体提取中容易受到建筑物阴影影响和难以精确提取细小水体等问题,提出了一种基于逐像元分类和多尺度分割技术的卷积神经网络遥感水体提取方法。该方法利用像元的光谱特征向量构建光谱特征矩阵,作为卷积神经网络输入特征训练水体提取模型,以多尺度分割结果抑制分类离散点与水体边缘误分现象,进一步提高提取精度。试验结果表明,该方法在细小水体的提取精度和细节上比改进的归一化水体指数算法表现更好,不仅能有效抑制建筑物阴影的影响,还能够有效区分一些相对细小的建筑对象如桥梁等,提取结果边缘也更光滑。     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来，深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征，提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域，获取油菜盛花时期高分一号（GF-1）影像，并以沙洋县为基础影像，通过手工标记制作油菜训练样本。设计两种深度学习框架模型，一种以卷积神经网络（CNN）为框架，构建一维卷积神经网络（1D-CNN）模型，第二种以循环神经网络（RNN）为框架，组合门控循环单元（GRU）模型，训练标准样本模型，完成油菜分类提取。最后，与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明，本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法，为进一步实现冬油菜提取自动化提供试验基础。