迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。     

结合对抗网络与辅助任务的遥感影像无监督域适应方法

使用机器学习进行遥感影像标注的一个重要前提是有足够的训练样本,而样本的标注是非常耗时的。本文采用了域适应的方法来解决遥感影像场景分类中小样本量的无监督学习问题,提出了结合对抗网络与辅助任务的遥感影像域适应方法。首先建立了基于深度卷积神经网络的遥感影像分类框架;其次,为了学习到域不变特征,在标签分类器的基础上增加域分类器,并使域损失函数在其反射传播时的梯度与标签损失的梯度相反,从而保证域分类器不能区分样本来自于哪个域;最后引入了辅助分类任务,扩充了样本的同时使网络更具泛化能力。试验结果表明,本文方法优于主流的无监督域适应方法,在小样本遥感影像无监督分类中得到了较好的效果。     

对抗与蒸馏耦合的高光谱遥感域自适应分类方法

高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类,是高光谱跨场景分类的重要方法之一。目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐,但未考虑源域知识是否充分转移至目标域这一关键问题。为了有效提取并迁移源域知识,本文提出一种基于对抗与蒸馏耦合模式的高光谱遥感自适应分类方法 UDAACD(Unsupervised Domain Adaptation by Adversary Coupled with Distillation)。该方法采用类内样本自蒸馏方式对源域信息进行提炼,提高自适应分类模型对源域监督知识的提取能力;同时,构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐,利用对抗与蒸馏耦合机制相互补充、相互促进,提升高光谱遥感知识从源域至目标域的迁移能力,进而完成目标域高光谱影像的无监督分类。本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验,结果表明所提出的模型优于其他高光谱域自适应方法,在相同样本条件...     

基于生成对抗网络的窗户精细结构半监督识别

针对当前立面窗户重建存在的精细结构缺失、标注数据获取困难、迁移学习精度不高的问题,提出了一种基于生成对抗网络(GAN)的半监督精细窗户结构识别方法。该方法使用纹理影像进行信息提取,基于半监督学习的方式,从大量无标签数据中构建生成对抗网络模型,提升了模型的泛化能力和抗干扰能力。实验表明,本文方法可以明显提升小样本下建筑立面窗户的种类识别精度和参数回归精度,应用于实际建模之中也取得了良好的效果。     

航拍图像跨数据域特征迁移道路提取方法

针对传统道路提取方法应用于新数据泛化能力不足的问题,研究了通过特征迁移和编解码网络实现跨数据域的道路提取方法。首先,构建了基于编解码网络的道路提取基本模型,用于实现单一数据来源的道路提取任务。然后,基于道路提取网络结构和循环一致性原则,提出了用于跨数据域图像特征迁移的循环生成对抗网络,使目标域图像映射入源域特征空间。使用预训练的道路提取模型处理特征迁移后的目标域图像,即可实现跨数据域道路提取任务。试验结果表明,本文所提方法能够拓展道路提取网络的泛化能力,准确有效地提取跨数据域图像中的道路目标。相较于未特征迁移的结果,本文所提方法大幅改善了道路提取指标,使得F1提升了50%以上。本文方法不需要目标域的标注信息,也不需要对道路提取网络进行微调训练,而只需训练由目标域向源域的特征迁移模型,所耗时间和人力成本较低,因而具有良好的应用价值。     

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。     

基于增强生成对抗网络的滑坡影像集超分辨率重建

针对高分遥感影像用于滑坡智能识别缺少高清训练集的问题,在组建高清滑坡训练集过程中,为充分利用低分辨率滑坡影像,本文采用基于增强型生成对抗网络模型(ESRGAN)实现了低分辨率滑坡影像集超分辨率重建。ESRGAN模型在SRGAN模型基础上,通过移除批归一化层、加入多级残差网络与残差缩放系数,提升了生成器的特征提取性能与稳定性,并采用迁移学习方法,基于毕节滑坡影像集与云南南景高速公路滑坡影像集进行试验验证。试验结果表明,基于迁移学习的ESRGAN模型在峰值信噪比(PSNR)与结构相似性(SSIM)方面获得更高得分,超分辨率重建取得更优结果。本文研究结果为获取滑坡高分辨率遥感影像集提供了一种新的技术方法。     

基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型

随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。     

遥感影像智能解译:从监督学习到自监督学习

遥感影像精准解译是遥感应用落地的核心和关键技术.近年来,以深度学习为代表的监督学习方法凭借其强大的特征学习能力,在遥感影像智能解译领域较传统方法取得了突破性进展.这一方法的成功严重依赖于大规模、高质量的标注数据,而遥感影像解译对象独特的时空异质性特点使得构建一个完备的人工标注数据库成本极高,这一矛盾严重制约了以监督学习为基础的遥感影像解译方法在大区域、复杂场景下的应用.如何破解遥感影像精准解译"最后一千米"已成为业界亟待解决的问题.针对该问题,本文系统地总结和评述了监督学习方法在遥感影像智能解译领域的主要研究进展,并分析其存在的不足和背后原因.在此基础上,重点介绍了自监督学习作为一种新兴的机器学习范式在遥感影像智能解译中的应用潜力和主要研究问题,阐明了遥感影像解译思路从监督学习转化到自监督学习的意义和价值,以期为数据源极大丰富条件下开展遥感影像智能解译研究提供新的视角.     

DCLS-GAN:利用生成对抗网络的天绘一号卫星高原地区影像去云方法

利用深度学习开展高原地区卫星影像去云是一个研究热点.本文提出了基于DCLS-GAN的天绘一号卫星高原地区影像的去云方法,采用对抗学习的思想构建深度卷积对抗生成网络,自主学习影像中云覆盖部分的典型地表特征,从而恢复云覆盖下垫面形貌.基于Encoder-Decoder结构生成网络,构建固定与可移动2种云区掩膜,在矩形固定中...     

Semantic segmentation of high spatial resolution images with deep neural networks

Availability of reliable delineation of urban lands is fundamental to applications such as infrastructure management and urban planning. An accurate semantic segmentation approach can assign each pixel of remotely sensed imagery a reliable ground object class. In this paper, we propose an end-to-end deep learning architecture to perform the pixel-level understanding of high spatial resolution remote sensing images. Both local and global contextual information are considered. The local contexts are learned by the deep residual net, and the multi-scale global contexts are extracted by a pyramid pooling module. These contextual features are concatenated to predict labels for each pixel. In addition, multiple additional losses are proposed to enhance our deep learning network to optimize multi-level features from different resolution images simultaneously. Two public datasets, including Vaihingen and Potsdam datasets, are used to assess the performance of the proposed deep neural network. Comparison with the results from the published state-of-the-art algorithms demonstrates the effectiveness of our approach.     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

高分五号高光谱影像的关联对齐域适应与分类

高分五号(GF-5)搭载的高光谱传感器兼顾宽覆盖和高分辨率的特性,但在实际应用中宽覆盖范围内各种地物类别的标注十分困难。当标记样本很少甚至没有标记样本时,遥感图像分类异常困难。此时,可以采用域适应方法,借助已标记的历史数据(源域)实现对未标记数据(目标域)的分类。本文提出了一种基于稀疏矩阵变换的关联对齐域适应分类算法。首先,利用稀疏矩阵变换估计源域和目标域的协方差矩阵;然后,运用协方差关联对齐方法估计源域到目标域的变换矩阵;接着,运用估计得到的变换矩阵将源域数据进行变换,使得其与目标域对齐;最后,在变换后的源域数据上建立分类器,实现对目标域数据的分类。本文的算法在两个真实的GF-5高光谱数据集上进行了验证。实验结果表明,本文算法要优于常用的子空间对齐算法和关联对齐算法。特别地,在黄河口GF-5数据上,本文算法比原始关联对齐方法的最近邻分类准确率提升了3.5%,支持向量机分类准确率提升了2.3%。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

完全残差连接与多尺度特征融合遥感图像分割

遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。     

Learning with transductive SVM for semisupervised pixel classification of remote sensing imagery

Land cover classification using remotely sensed data requires robust classification methods for the accurate mapping of complex land cover area of different categories. In this regard, support vector machines (SVMs) have recently received increasing attention. However, small number of training samples remains a bottleneck to design suitable supervised classifiers. On the other hand, adequate number of unlabeled data is available in remote sensing images which can be employed as additional source of information about margins. To fully leverage all of the precious unlabeled data, integration of filtering in a transductive SVM is proposed.Using two labeled image datasets of small size and two large unlabeled image datasets, the effectiveness of the proposed method is explored. Experimental results show that the proposed technique achieves average overall accuracies of around 4.5–7.8%, 0.8–2.6% and 0.9–2.2% more than the standard inductive SVM (ISVM), progressive transductive SVM (PTSVM) and low density separation (LDS) classifiers, respectively on larger domains in case of labeled datasets. Using image datasets, visual interpretation from the classified images as well as the segmentation quality reveal that the proposed method can efficiently filter informative data from the unlabeled samples.     

多时相遥感影像语义分割色彩一致性对抗网络

利用深度卷积神经网络智能化地提取遥感图像中的建筑物对于数字城市构建、灾害侦查、土地管理等具有重要意义。多时相遥感图像之间的色彩差异会导致建筑物语义分割模型泛化能力下降。针对此,本文提出了注意力引导的色彩一致生成对抗网络（attention-guided color consistency adversarial network,ACGAN）。该算法以参考色彩风格图像及相同区域、不同时相的待纠正图像作为训练集,采用加入了U型注意力机制的循环一致生成对抗网络训练得到色彩一致模型。在预测阶段,该模型将待纠正图像的色调转换为参考色彩风格图像的色调,这一阶段基于深度学习模型的推理能力,而不再需要相应的参考色彩风格图像。为了验证算法的有效性,首先,将本文算法与传统的图像处理算法及其他循环一致生成对抗网络做了对比试验。结果表明,ACGAN色彩一致后的图像与参考色彩风格图像的色调更加相似。其次,将以上不同的色彩一致性算法处理后的结果图像进行建筑物语义分割试验,证明本文方法更加有利于多时相遥感图像语义分割模型泛化能力的提升。     

结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割

针对多模态、多尺度的高分辨率遥感影像分割问题,提出了结合空洞卷积的FuseNet变体网络架构对常见的土地覆盖对象类别进行语义分割。首先,采用FuseNet变体网络将数字地表模型（digital surface model,DSM）图像中包含的高程信息与红绿蓝（red green blue,RGB）图像的颜色信息融合;其次,在编码器和解码器中分别使用空洞卷积来增大卷积核感受野;最后,对遥感影像逐像素分类,输出遥感影像语义分割结果。实验结果表明,所提算法在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的Potsdam、Vaihingen数据集上的m_F1得分分别达到了91.6%和90.4%,优于已有的主流算法。