卷积神经网络多层特征联合的遥感图像检索

针对卷积神经网络的特征表达方法难以满足大规模遥感图像检索需要的问题,该文将卷积层特征和全连接层特征进行联合,提出一种基于卷积神经网络多层特征联合的遥感图像检索方法。该方法提取不同卷积层特征作为图像的局部特征,提取全连接层特征作为感兴趣区域,并对二者进行跨层整合得到新的图像特征并应用于图像检索。实验结果表明,与利用单一的全连接层或者卷积层特征以及传统的经典检索方法相比,该方法取得了很好的检索结果,能够更好地保留图像的全局信息和空间结构信息,提高遥感图像检索的性能。     

基于CNN-CBIR的遥感图像分类检索方法

遥感图像海量性、复杂性与多样性特征导致现有方法出现查全率、查准率低的问题,无法满足现今遥感图像应用的需求,故提出基于卷积神经网络-图像检索(Convolutional Neural Networks-Content-Based Image Retrieval,CNN-CBIR)的遥感图像分类检索方法研究.为了精确分类遥感图像,基于卷积神经网络-深度卷积神经网络-16(Convolutional Neural Networks-Visual Geometry Group Net-16,CNN-VGGNet-16)模型提取遥感图像卷积特征与池化特征,通过有效融合得到遥感图像高层聚合特征,以此为基础,采用模糊分类算法分类处理遥感图像,依据遥感图像分类结果,利用基于内容的图像检索(Content-Based Image Retrieval,CBIR)技术制定遥感图像分类检索程序,实现了遥感图像的分类检索.选取数据集图像遥感数据集(UC-Merced)与武大遥感数据集(WHU-RS)作为实验数据集,确定最佳池化区域尺寸与最佳输入尺寸,采用MATLAB软件进行仿真实验.仿真实验数据显示:与标准数值相比较,提出方法的查全率与查准率较高,充分说明提出方法具备更好的检索性能.     

基于ImageNet预训练卷积神经网络的遥感图像检索

高分辨率遥感图像内容复杂,细节信息丰富,传统的浅层特征在描述这类图像上存在一定难度,容易导致检索中存在较大的语义鸿沟。本文将大规模数据集ImageNet上预训练的4种不同卷积神经网络用于遥感图像检索,首先分别提取4种网络中不同层次的输出值作为高层特征,再对高层特征进行高斯归一化,然后采用欧氏距离作为相似性度量进行检索。在UC-Merced和WHU-RS数据集上的一系列实验结果表明,4种卷积神经网络的高层特征中,以CNN-M特征的检索性能最好;与视觉词袋和全局形态纹理描述子这两种浅层特征相比,高层特征的检索平均准确率提高了15.7%~25.6%,平均归一化修改检索等级减少了17%~22.1%。因此将ImageNet上预训练的卷积神经网络用于遥感图像检索是一种有效的方法。     

多结构卷积神经网络特征级联的高分影像土地利用分类

高分辨率遥感影像包含丰富的土地利用类型信息，针对单一卷积神经网络提取图像特征信息不足的问题，提出了一种多结构卷积神经网络（convolutional neural network，CNN）特征级联的分类方法。首先，选择CaffeNet（convolutional architecture for fast feature embedding）、VGG-S（visual geometry group-slow）、VGG-F（visual geometry group-fast）为实验初始模型，对网络全连接层进行参数微调，采用随机梯度下降法（stochasticgradient descent，SGD）更新网络的权重；然后以微调后的网络分别作为特征提取器对图像提取特征，级联上述3种网络的第二个全连接层输出特征作为图像表达；最后，以多类最优边界分配机（multi-class optimal margindistribution machine，mcODM）获得最终分类结果。实验采用UC Merced land-use数据集进行分类效果检验，结果表明，多结构卷积神经网络级联的方法能够达到97.55%的总体分类精度，相较于CaffeNet、VGG-S和VGG-F等，分类精度分别提升了5.71%、2.72%和5.1%。因此多结构卷积神经网络特征级联的方法能够有效提取目标特征信息，提升土地利用分类精度。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

基于LBP纹理与SegNet网络的灾损建筑物提取

高分辨率遥感影像中震后灾损建筑物提取是震害预估中极具重要的参考指标，研究遥感影像的震后灾损建筑物提取方法具有重要的科学意义。本文以青海玉树震后典型的灾损建筑物数据为研究对象，针对卷积神经网络对于城市建筑物纹理特征信息利用的不足，将局部二值模式(LBP)纹理特征与SegNet深度卷积神经网络相结合，采用有监督学习分类的方式训练卷积神经网络，实现震后灾损建筑物自动分类提取，并与传统面向对象提取方法进行对比。实验结果表明，LBP纹理特征与SegNet卷积神经网络模型相结合，对于震后灾损建筑物的提取能提高预测精度，用户精度与生产者精度分别有2%～7%,2%～9%的提升。     

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。     

高光谱图像混合像元多维卷积网络协同分解法

受成像光谱仪性能与复杂地物分布的影响,高光谱图像存在大量的混合像元。传统的基于学习的混合像元分解方法通常都是浅层模型,或缺少对空间、光谱信息的综合应用。本文提出一种多维卷积网络协同的混合像元分解深层模型,采用多种维度卷积网络能更充分利用多种维度语义信息,有利于估计小样本和高维的高光谱图像混合像元丰度。对训练数据进行增广处理,构建光谱维、空间维和立方体3种卷积神经网络;设计了融合层,协同3种卷积神经网络提取特征,“端到端”的估计混合像元丰度值;模型使用了批量归一化、池化和Dropout方法避免过拟合现象。试验结果表明,多维卷积网络协同方法的引入能更有效地提取空-谱特征信息,与其他的卷积网络解混模型相比,估计的混合像元丰度精度有显著提高。     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止，基于卷积神经网络改进的变体网络有效提升了学习效率，但由于提取特征比较单一无法准确描述图像特征，导致相似度学习效率较低。为此，本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同，但权值不共享，网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征；然后通过特征融合层进行特征融合；最后将融合特征直接输入全连接层进行相似度学习，既改善了提取的图像特征多样性，又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验，结果表明，相比其他模型，本文提出的模型具有较强的网络学习能力和模型泛化能力，准确率高达97.96%。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先，通过卷积神经网络定位与检测建筑物的位置，逐一提取单个建筑物轮廓，利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM），然后结合最大流最小割的图像分割方式实现全局优化，完成建筑物初步提取，最后用形态学进行优化。通过试验证明了该方法的可行性。     

U型卷积神经网络的ZY-3影像道路提取方法

针对经典全卷积神经网络在池化和上采样过程中造成图像分辨率不断下降以及对各个像素进行分类时忽略了像素之间的关系,导致提取道路比较模糊和平滑的问题。该文提出一种基于U型卷积网络的ZY-3道路提取方法。首先,参考医学图像分割领域表现突出的U-Net模型,采用对称式网络结构将低级细节信息与高级语义信息相结合,提高道路的初提取精度;其次考虑到卷积神经网络对百万量级的参数优化程度相对不足,采用集成学习的方法,通过变更权重获得若干个模型进行融合,进一步提升了道路提取的精度;最后,通过使用形态学开运算完成孔洞的去除等工作。实验结果表明,该文方法的提取结果在不同实验区域中平均准确度达到了95%以上,显著优于基于经典全卷积网络模型、基于纹理与形状特征提取道路的方法。     

基于卷积神经网络的遥感图像变化检测

主要研究了针对目标区域的基于卷积神经网络的变化检测方法,对比了两种卷积神经网络的方法,包括使用以VGG16为网络结构,将图像裁剪为16×16的图块,以这些图块为单元,为每个图块做变化或不变化的标签,最终生成基于图块的变化图像。基于这种方法适合用于大面积变化明显的区域,对于变化范围较小的图像则不能很好地判断是否变化,其次是由于设置的图像块比较大,因此在提高训练速度的同时,难以保证良好的视觉效果。第二种是以Siamese Network为网络框架,基于编码解码的网络结构对其进行改进,通过两个通道分别输入前后时相的图像,每一次卷积后相减并利用跳跃连接与解码端的图像叠加提取特征,获得了良好的测试结果。     

高分遥感影像双通道并行混合卷积分类方法

高空间分辨率遥感影像拥有丰富的空间细节信息和多光谱信息。研究表明,二维卷积神经网络适于提取空间信息,而三维卷积神经网络更适于提取光谱信息。为了更好地利用空谱信息,本文提出一种双通道并行混合卷积神经网络(DPHCNN)方法,充分联合二维与三维卷积神经网络在空谱信息提取上的优势,同时引入混合注意力机制、多尺度卷积增强空间细节特征的提取能力,实现高分影像的精准分类。试验中利用高分二号影像数据集进行验证,与当前先进的深度学习分类方法相比,本文提出的DPHCNN方法在保证分类精度高、分类效率较好的同时,能在多时相影像分类中保持最高的稳健性,在综合评价上更具优势。     

机器自监督学习的建筑物面要素几何形状度量

针对传统方法在度量建筑物面要素几何形状时,未能考虑形状认知的视觉特征因素且形状特征需要人为定义等问题,该文提出一种建筑物几何形状度量方法。首先,利用深度卷积神经网络的图像特征学习特性,结合自动编码机的自监督学习能力,构建基于机器自监督学习的建筑物面要素几何形状度量神经网络;其次,利用建筑物图像形状大数据对网络进行训练;最后,利用训练完成的神经网络识别并提取建筑物形状特征集并作为形状度量的结果。实验表明,该方法形状度量结果区分度高,一定程度上克服了人为定义形状特征的缺点,且与视觉感知结果基本一致。     

遥感图像线性特征的交互式提取

遥感图像线性特征的交互式卷积增强提取过程,分为预处理、方向卷积滤波、平滑与噪声压缩、线性体的交互式提取、总线性体图的制作和线性体与原图像的叠合六个步骤。本文简要介绍了该方法的实施过程,分析了其优缺点,并以山东蒙阴和安徽铜陵地区MSS图像线性体提取为例,说明该法的地质应用效果。     

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。     

基于模板卷积匹配的无人机遥感影像中用户感觉兴趣区域识别方法

遥感影像可用于城市土地规划、地质灾害勘察、监测环境污染等,其应用范围极广,为更加准确地从遥感影像内获取信息,提出基于模板卷积匹配的无人机遥感影像中用户感觉兴趣区域识别方法。该方法利用无人机搭载遥感影像摄像头采集目标区域遥感影像后,使用暗通道假设法还原无人机遥感影像色彩,再通过判断无人机遥感影像几何特征和灰度特征,获得用户感觉兴趣区域,并生成无人机遥感影像用户感觉兴趣区域模板图像;将该模板图像作为输入,利用卷积神经网络输出无人机遥感影像中用户感觉兴趣区域识别结果。实验结果表明：该方法具备较好的无人机遥感影像色彩还原能力,可有效提取遥感影像中用户感觉兴趣区域,且识别遥感影像中用户感觉兴趣区域精度较高。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

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。