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。     

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。     

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。     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

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。     

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。     

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。     

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％.     

面向对象的高光谱遥感影像稀疏表示分类

稀疏表示用于高光谱遥感影像分类多是基于像素层次来处理的。文中提出一种面向对象的高光谱遥感影像稀疏表示分类方法。首先从高光谱影像中提取4个波段组成标准的多波段影像,进行面向对象的影像分割;然后计算各对象在各波段上的光谱均值,并选取少量样本进行训练;最后利用基于Fisher字典学习的稀疏表示进行高光谱遥感影像的分类。实验结果表明,该方法可以利用较少的样本得到较好的分类效果,与基于像素层的稀疏分类相比较,分类精度与效率均有所提高,分类结果更接近真实地物,避免了零碎图斑。     

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。     

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。     

顾及相似用户特征的个人位置预测算法

个体位置预测在传染病精准防控、公共设施科学规划等应用中具有重要意义,既有位置预测算法主要侧重对个体纵向历史轨迹特征进行挖掘建模,从而实现位置预测,对横向相似性用户的规律特性考虑较少。因此,基于图卷积和长短期记忆模型（long short-term memory,LSTM）框架,提出顾及横向相似用户轨迹特征以及纵向历史规律性特征的个体位置预测算法。首先,构建用户轨迹相似性算法并筛选高相似度用户;然后,利用图卷积模型提取待预测用户相似高的用户轨迹特征;最后,利用LSTM框架提取历史轨迹特征,集成相似用户轨迹特征,从而实现个体位置预测。基于某市8万多个用户连续4个工作日的数据进行实验,结果表明,所提算法的准确率随预测时间步长增加而下降,而夜间预测准确率明显高于白天,但相比于既有模型均有10%以上提高;以15 min为预测时间步长时,模型准确率达80.45%。     

基于Inception结构的手写汉字档案文本识别方法

针对手写汉字文本识别准确率不高的问题,提出了一种结合卷积神经网络和循环神经网络进行手写汉字文本识别的端到端方法。首先,通过Inception模块构建的卷积神经网络提取文本图像的基本特征;然后,使用循环神经网络对提取的特征进行预测,并输出一个关于汉字字符集的概率分布;最后,采用连接主义序列分类算法计算识别结果并构建损失函数。利用所提方法在手写汉字文本数据集上进行实验, 结果表明,Inception模块和数据增强方法可以有效提升算法的性能,并取得了71.2%的识别准确率和0.060的文本编辑距离,较现有方法性能有所提升,证明了所提方法的有效性。     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

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。     

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。     

遥感图像分割的低维纹理特征算子与双变异蝴蝶优化算法

针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。     

面向高分影像建筑物提取的多层次特征融合网络

建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义。现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet)。首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取。并与当前主流的UNet、PSPNet（pyramid scene parsing network）、多路径特征融合网络(multi attending path neural network, MAPNet)和MDNNet（multiscale-feature fusion deep neural networks with dilated convolution）方法进行对比,使用亚米级的武汉大学航空影像数据集、卫星数据集II（东亚）与Inria航空影像数据集作为实验数据进行测试, 结果发现,所提方法提取出的建筑物更为完整,边界更加精确。     

融合PSO-SVM的混凝土拱坝多测点变形监控混合模型

针对混凝土拱坝单测点变形监控模型难以合理表征拱坝空间变形场协同响应特性以及传统回归方法诠释环境量与大坝变形间的复杂函数关系具有明显局限性问题,提出了融合粒子群算法优化与支持向量机（particle swarm optimization-support vector machine,PSO-SVM）的混凝土拱坝多测点变形监控混合模型。基于单测点变形监控模型构建方法,引入空间坐标并利用有限元方法计算水压分量,进而借助PSO-SVM良好的非线性处理能力对环境量与大坝变形序列进行建模和预测,从而构建了融合PSO-SVM的混凝土拱坝多测点混合模型。工程实例分析表明,所建模型具有较好的多测点变形性能分析能力,较单测点统计模型具有良好的拟合及预报精度,可有效反映大坝服役的整体安全性态。此外,所提理论和方法经一定的改进和拓展,亦可推广应用于其他水工建筑物性态安全监控模型的预报分析。