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。     

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。     

基于对象直方图G统计量的遥感影像道路提取

提出了一种基于对象直方图G统计量的遥感影像道路提取方法。首先基于标记分水岭算法分割高分辨率遥感影像获取对象像斑,提取对象光谱特征并利用SVM从影像中分离出光谱相似的建成区（道路、建筑物等）;然后从建成区选择合适的对象作为训练样本,采用G统计量度量测试样本与训练样本的LBP纹理直方图距离,以表达对象纹理特征的异质性,并利用最小距离分类器完成建成区内道路与建筑物等的分离;最后结合几何形状特征和数学形态学处理对提取的道路进行优化,获得最终的道路提取结果。试验结果表明：该方法能较好地提取出道路信息。     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

高分辨率遥感影像深度迁移可变形卷积的场景分类法

近年来基于深度卷积神经网络的高分辨率遥感影像场景分类成为广泛关注的焦点.由于现有深度卷积神经网络对遥感场景影像的几何形变不具有稳健性,本文提出了一种基于深度迁移可变形卷积神经网络(DTDCNN)的场景分类方法.该方法先利用大型自然场景数据集ImageNet上训练的深度模型提取遥感影像的深度特征,然后引入可变形卷积层,进一步学习对遥感场景的几何形变具有稳健性的深度特征.结果表明:增加可变形卷积后,DTDCNN在AID、UC-Merced和NWPU-RESISC45数据集上的精度分别提高了4.25％、1.9％ 和4.83％.该方法通过对场景中不同目标进行感受野自适应调整,增强了空间采样位置能力,有效提高了遥感场景分类的精度.     

一种基于多特征及BP神经网络的高分辨率遥感影像道路提取方法

高分辨率遥感影像的道路提取能够广泛应用于自动驾驶及地图导航的研究,现有道路自动提取方法精度较低。随着人工智能技术的发展,人工神经网络算法得到推广,将其应用于高分辨率遥感影像的道路提取也在探索研究之中。提出一种基于图像分割及神经网络的高分辨率遥感影像道路提取方法,以减少大量的人工预处理工作,提高道路识别提取效率。针对传统方法用于复杂影像分析的参数难以确定的问题,首先采用影像分割技术获得影像对象,然后对影像对象进行纹理特征、形状特征、光谱特征的计算,并使用BP神经网络进行训练,形成分类模型。基于得到的分类模型进行道路的自动提取,在仿真实验中获得了较好的精度,识别准确率达到87.6%。     

基于DCNN特征的建筑物震害损毁区域检测

为了提高基于高空间分辨率遥感影像的建筑物震害损毁评估精度,引入深度卷积神经网络(deep convolutional neural network,DCNN)模型,提出一种利用DCNN全连接层特征结合支持向量机(support vector machine,SVM)进行遥感影像建筑物震害损毁区域检测的方法。首先,利用神经网络前馈方式从DCNN全连接层提取训练样本和待检测区域的特征;然后,基于样本训练SVM分类器;最后,对待检测区域的所有区块进行分类预测和投票确定是否损毁。以2010年海地地震遥感影像为例,建筑物损毁检测正确率可以达到89%,相比于传统的特征提取方法正确率提高了4%。实验结果表明该方法在建筑物震害损毁检测方面具有一定的应用潜力。     

深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN（Deep Convolutional Neural Networks）,获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。     

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。     

利用主动深度学习提取极化SAR影像建筑区

针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。     

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。     

基于多源遥感的大尺度高分辨率不透水面深度学习提取方法EI北大核心CSCD

深度学习是提取不透水面的一类重要方法,具有精度高,泛化性强等优势。但是模型的训练需要依靠大量的训练样本。尤其是在高分辨率、大尺度不透水面制图时,获取数量足够且高质量的训练样本非常费时费力。因此,本文结合多源遥感影像与开源数据,提出了一种大尺度高分辨率不透水面自动提取方法。该方法首先从众源数据OpenStreetMap中自动获取训练样本,然后用开源的不透水面产品对噪声样本加权,减小标签噪声对模型训练的负面影响;在此基础上,构建了一种三分支的超轻量级CNN模型,融合光学、SAR和地形数据生成10 m不透水面产品。以越南全境为试验区,对本文方法进行了验证。试验结果表明,本文提出的方法分类总体精度和Kappa系数分别为91.01%和0.82,优于目前已发布的不透水面产品。本文研究成果可为澜湄流域等热带亚热带城市可持续发展和生态环境保护提供基础技术和数据支撑。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。     

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。     

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。     

高分辨率遥感影像的支持张量机分类方法

针对高分辨率遥感数据分类多特征、小样本的特点,将训练样本像素邻域的数据立方以三阶张量表征,并提出了利用支持张量机对训练样本进行监督分类的模型和解法。实验结果表明,此方法能够利用少量的训练样本实现更优的分类精度。     

高分辨率遥感影像场景的多尺度神经网络分类法

高分辨率遥感影像场景分类是实现复杂场景快速自动识别的基础,在军事、救灾等领域有十分重要的意义。为了在有限的遥感数据集上获得高识别精度,本文提出了一种基于联合多尺度卷积神经网络模型的高分辨率遥感影像场景分类方法。不同于传统的卷积神经网络模型,JMCNN建立了一个具有3个不同尺度通道的端对端多尺度联合卷积网络模型,包括多通道特征提取器、多尺度特征联合和Softmax分类3个部分。首先,多通道特征提取器提取图像中、高层多尺度特征;然后,多尺度特征联合对多个通道的中、高层多尺度特征进行多次融合以增强特征表达;最后,Softmax对高层特征进行分类。本文在UC Merced和SIRI遥感数据集进行测试,试验表明JMCNN模型在特征表达和计算速度方面均有显著提高,在小样本数据量下分别达到89.3%和88.3%的识别精度。