多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

遥感影像地物分类多注意力融和U型网络法

经典的卷积神经网络在对遥感影像进行地物分类的过程中,由于影像中的地物尺寸和光谱特征差异较大、待分类目标背景环境复杂等问题,经典影像分类方法很难得到理想的分类结果。针对这些问题,本文借鉴U型卷积神经网络多层次特征融和的思想,提出了多注意力融和U型网络(MAFU-Net)。该网络利用注意力模块提取和处理不同层次的语义信息,强化不同位置像素和不同特征图之间的相关性,进而提高网络在复杂背景条件下的分类性能。为了验证本文提出的网络在遥感影像地物分类中的效果,分别在ISPRS上的Vaihingen数据集以及北京、河南两地区高分二号数据集上进行了试验,并与目前主流的语义分割网络进行了对比。试验结果表明,相比其他网络,本文提出的MAFU-Net在不同特点的数据集上均可以得到最佳的地物分类结果。同时,该网络结构简单、计算复杂度低、参数量少,具有很强的实用性。另外,本文充分利用特征可视化手段进行MAFU-Net和其他网络的分类性能对比分析,试验结果表明,目前多数深度学习网络模型的深层次原理和作用机制较为复杂,无法准确解释特定网络为何在某种数据集中会失效。这需要研究人员进一步通过更加高级的可视化表达方法和量化准则来对特定深度学习模型及网络性能进行分析评价,进而对更加高级的模型结构进行设计。     

机载激光测深去卷积信号提取方法的比较

为提高机载激光测深信号提取的精度,在测深波形数据处理中引入去卷积信号提取方法,即利用去卷积对波形进行预处理,再对去卷积后的波形实现峰值检测,以精确确定测深信号位置。通过定义性能评定指标对维纳滤波去卷积、非负最小二乘、理查德森-露西去卷积、盲源去卷积4种常用去卷积算法的信号复原能力进行对比分析,并对去卷积信号提取方法的信号检测能力进行验证。试验结果表明,理查德森-露西去卷积算法能够显著提高测深信号分辨率,且算法适应性强,成功率高;相比传统的峰值检测方法,去卷积信号提取方法具有更高的信号检测率、精度和更广的测深范围。     

融合UNet++网络和注意力机制的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测存在漏检和检测边界粗糙的问题,提出一种基于UNet++和注意力机制的高分辨率遥感影像变化检测算法.该算法采用UNet++网络作为基础网络提取特征,并在基本卷积单元中引入注意力机制突出重要特征,由此完成遥感影像端到端的变化检测.在高分辨率卫星影像变化检测数据集中进行了验证,相比于经典语义分割网络,该算法在精确率、召回率、F1值和总体精度上均有较大提升.     

联合密集连接与注意力的遥感影像变化检测

针对高分辨率遥感影像变化检测中存在的变化像素与未变化像素边界难以准确区分以及变化小、目标检测中容易出现漏检等问题,本文提出一种联合密集连接与注意力的孪生网络(CDASNet)。该网络采用孪生网络的输入方式,并在编码阶段利用残差连接单元以及密集连接的方式增强对原始影像底层特征的提取,同时在解码阶段引入注意力模块为不同层次的特征图赋予新权重来关注变化信息,进一步利用跳跃连接将编码阶段的浅层特征和解码阶段的深层特征进行融合,最终经过上采样恢复原始影像分辨率得到变化检测结果。将本文方法应用在LEVIR-CD数据集和CDD数据集中进行实验,结果表明,本文提出的方法在精度和召回率上都优于FC-Siam-conv、FC-Siam-diff、DSAMNet、SUN-CD 4种方法。     

注意力引导特征融合与联合学习的遥感影像场景分类

为充分利用遥感影像的多尺度特征，解决遥感影像尺度差异、类间相似和类内差异等现象给高精度场景分类造成的困难，本文提出了一种注意力引导特征融合和联合学习的遥感影像场景分类方法。首先，利用深层卷积神经网络提取影像不同层次的特征图；然后，利用设计的残差注意力机制增强不同层次特征图的语义信息、抑制冗余噪声信息；最后，使用全局均值池化获取不同层次特征图的全局信息以构建特征向量，并将不同层次的特征向量融合，3个不同层次的特征向量及融合后的特征向量分别采用独立的全连接层进行分类。利用联合损失训练网络参数，采取多分类器决策级融合的方式提高预测的稳健性。在UC Merced、AID和NWPU-RESISC45数据集上的试验结果表明，本文方法显著改善了对相似场景及类内差异显著场景的辨识能力，与使用多尺度特征的同类型场景分类方法相比，总体分类精度分别提高0.84%、4.04%和4.43%。