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。     

结合面向对象和深度特征的高分影像树种分类

针对传统手工提取特征方法需要专业领域知识,提取高质量特征困难的问题,将深度迁移学习技术引入到高分影像树种分类中,提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界,该方法首先利用多尺度分割技术分割整幅遥感影像,并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题,采用迁移学习方法,使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络,并利用全局平局池化压缩参数,在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器,利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像,生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区,QuickBird高分影像作为数据源,采用本文方法进行树种分类。试验结果表明,本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0,在保证树种精度的同时实现了端到端的树种分类。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

融合可变形卷积与条件随机场的遥感影像语义分割方法

当前,深度卷积神经网络在遥感影像语义分割领域取得了长足的发展.标准的卷积神经网络由于卷积核的几何形状是固定的,导致对几何变换的模拟能力受到限制.本文引入一种可变形卷积来增强卷积网络对空间变换的适应能力.由于神经网络架构中使用了池化层操作,这会导致在输出层未能充分地对局部对象进行准确的分割.为了克服这种特性,本文将神经网络输出层的粗糙预测分割结果通过全连接的条件随机场来进行处理,以此来提高对影像细节的分割能力.本文方法易于采用标准的反向传播算法进行端到端的方式训练.ISPRS数据集上的测试试验结果表明本文方法可以有效地克服遥感影像中分割对象的复杂结构对分割结果的影响,并在该数据集上获得了当前最好的语义分割结果.     

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。     

多级融合的珠海一号高光谱影像冬小麦分类

研究基于珠海一号高光谱影像的冬小麦识别提取技术,提出基于多级融合的多时相高分辨率高光谱冬小麦提取方法。本文从珠海一号高光谱影像入手,利用高分辨率影像改善高光谱影像空间分辨率,通过主成分分析降维、多种特征提取技术,大幅减少计算量的同时提高分类精度,Kappa系数提升0.05。针对融合影像是否有效、高程特征如何正确使用、U型语义分割网络（U-Net）和深度卷积语义分割网络（DeepLab）如何选择等问题,文中以4个实验对比说明,验证了该方法可以有效改善分类结果。     

基于深度学习的高分辨率遥感影像自动变化检测

我国城市化发展迅速,地表利用信息处于不断变动中,及时掌握这些变化信息十分必要.但实际作业中,变化信息获取方式仍然以高人力成本方法,如实地外业调查或者目视遥感影像判读为主,生产效率低.因此,本文提出了一种基于语义分割的深度学习变化检测方法.首先,利用编码-解码深度卷积网络,实现遥感影像地物的自动分类;然后,利用Mean-Shift方法分割前后期影像,融合其光谱、纹理和语义信息等特征,对比前后期影像的特征差异,提取出变化置信度图;最后通过EM算法分割变化与未变化类生成二值变化图,得出变化区域范围.该方法为自动化实现地物变化监测提供了有效的解决办案,实验证明,该方法相比人工以及传统分类模型具有更好的检测精度,有效降低了内外业工作量.     

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.     

基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

高效准确地提取城市绿地对国土规划建设意义重大,将深度学习语义分割算法应用于遥感图像分类是近年研究的新探索。提出一种基于Deep Labv3+深度学习语义分割网络的GF-2遥感影像城市绿地自动化提取架构,通过网络的多孔空间金字塔池化(atrous spatial pyramid pooling,ASPP)等模块,提取高层特征,并依托架构完成数据集创建,模型训练,城市绿地提取以及精度评估。研究表明,本文架构分类的总体精度达到91. 02%,F值为0. 86,优于最大似然法(maximum likelihood,ML)、支持向量机(support vector machine,SVM)和随机森林法(random forest,RF) 3种传统方法及另外4种语义分割网络(PspNet,SegNet,U-Net和DeepLabv2),可以准确提取城市绿地,排除农田像元干扰;此外,对另一地区的提取试验也证实了本架构具有一定的迁移能力。所提出的GF-2遥感影像城市绿地自动化提取架构,可实现更精确、效率更高的城市绿地提取,为城市规划管理提供参考。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。     

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。     

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。     

一种通用的跨模态遥感信息关联学习方法

针对“异质鸿沟”问题导致的不同模态遥感信息间相似性难以度量的问题,构建并公开了一个包含4种模态信息的跨模态遥感数据集,并基于不同模态信息间潜在的语义一致性,提出了一种通用的跨模态遥感信息关联学习方法。利用深度神经网络的表征能力,分别对图像类信息和序列类信息设计各模态信息的特征学习网络,实现对不同模态高层语义信息的准确表示;设计了一个新的关联学习损失函数对模态内的语义一致性和模态间的互补性进行限制,利用知识蒸馏的思想,以先融合后迁移各模态间信息的方式增强模态间的语义相关性。在构建的数据集上进行实验,结果表明,所提方法平均精度均值达到70%,超过基准方法。     

利用多源空间数据的城中村空间层次化识别方法

城中村的精细空间分布是城市规划与城市更新的重要参考。由于城中村具有语义高级和遥感影像特征辨识度不足的特点,使用传统的场景识别方法难以从高密度城市中获得精度良好的城中村精细空间分布。针对城中村的精细识别问题,提出了一种新颖的融合遥感影像和社会感知的层次化识别方法。该方法在特征上融合了遥感图像和社会感知数据的优点,其层次化结构同时考虑了大范围的上下文信息和小范围的局部信息,为在精细尺度全面理解城中村提供了一个新思路。基于该方法对深圳市的城中村进行了空间识别,获得了2.5 m空间分辨率的精细城中村分布。精度验证表明,该结果的总体精度和Kappa系数分别达到98.68%和0.807,说明该方法具有优秀的表现。此外,还通过对照实验分别证明了层次化识别框架、融合遥感影像和社会感知数据的增益效果。结果表明,层次化框架和多源空间数据都能有效提高城中村识别方法的精度。     

GEE环境下联合Sentinel主被动遥感数据的国家公园土地覆盖分类

国家公园的土地覆盖分类对于掌握自然资源现状、查明存在的生态安全威胁并快速应对具有基础性数据支撑作用。基于谷歌地球引擎（Google Earth Engine,GEE）平台,结合哨兵（Sentinel）主被动遥感数据及其导出的光谱指数、纹理特征和地形特征,分别采用基于像元的随机森林（random forest,RF）算法和面向对象的简单非迭代聚类（simple noniterative clustering,SNIC）+RF算法实现了钱江源国家公园异质性景观的土地覆盖（耕地、森林、草地、水体、人造地表和裸地）分类。地面实验表明,在多种输入数据组合中,基于像元和面向对象方法分类获得的最高总体精度分别为92.37%和93.98%。合成孔径雷达（synthetic aperture radar,SAR）数据的纳入能够提高基于像元方法的分类精度,但在面向对象方法中未能体现精度提升效果。通过SNIC+RF算法生成的土地覆盖分类图完整性更好,所需特征数量较少,并且算法能够在GEE环境下快速执行,适用于国家公园管理实践。     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...     

基于Transformer结构的遥感影像敏感目标自动隐藏方法

遥感影像敏感目标隐藏是保证遥感资源安全共享的关键。针对传统方法存在的目标检测不完全、补全结果不可靠的问题,提出了一种基于Transformer结构的遥感影像敏感目标自动隐藏方法。首先利用以Swin Transformer为主干网络的Cascade Mask R-CNN（region-based convolutional neural network）实例分割优化模型检测敏感目标并生成掩膜区域,同时设计了RSMosaic（remote sense Mosaic）合成数据方法减少人工标注数据;然后,基于色相-饱和度-明度（hue-saturation-value, HSV）空间的阴影检测模型扩展掩膜区域;最后,引入MAE（masked autoencoders）模型实现目标背景生成。以飞机目标为例,与Partial-Connvolutios和EdgeConnec进行了对比实验。结果表明,相比传统方法,该方法在敏感目标实例分割中的边界框与像素掩膜AP值分别提升了13.2%与11.2%;在使用RSMosaic合成数据后,边界框与像素掩膜AP值可分别再提升9.39%与14.16%, 且图像修补中的平均绝对误差和最大平均差异提升80%以上,实现了结构合理、纹理清晰的敏感目标自动隐藏效果。