基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

基于多源遥感数据的融合算法变换效果对比研究

随着多源遥感影像融合技术的成熟发展,如何提高高分辨率遥感数据的利用效益和使用质量已经成为影响其应用效果的瓶颈问题.针对QucikBird-2高分遥感数据光谱分辨率不足等问题,结合ASTER多光谱遥感数据,引入3种融合方法：主成分分析（PCA）融合、小波PCA融合和基于小波的IHS（色度、亮度、饱和度变换）融合,实现了对多光谱图像和高分辨率图像的融合,得到了多光谱高分辨率影像,使得在增强影像空间分辨率的同时也尽可能地保留了影像的多光谱信息.最后对3种融合方法的结果进行了定性和定量评价.     

基于迁移卷积神经网络的黄土含水率智能识别

黄土含水率深层原位精准探测是揭示黄土重大工程灾变机理及灾害预警的有效手段,基于卷积神经网络提出了一种原位孔洞探测黄土含水率的智能识别方法。首先,通过搭建室内实验平台采集间隔等级为2%的7种不同含水率下的图像信息,生成用于神经网络训练的数据集。然后,基于迁移学习思想建立了多种迁移卷积神经网络模型,并对比分析了不同模型的黄土含水率识别精度,通过混淆矩阵可视化验证模型的可靠性。结果表明：针对所建立的黄土含水率图像数据集,基于VGG19、ResNet101、DesNe201的深度迁移网络模型的测试准确率都在90%以下,并且在一定程度上出现了过拟合现象,如推广应用则会出现超过10%的误判现象;而基于Xception、MobileNet、NASNetMobile的轻量化迁移网络模型在训练后泛化能力较好,测试准确率都达到了90%以上,其中Xception迁移网络模型的识别精度最高,达到了94.6%。搭建的轻量化迁移网络模型识别精度高、计算速度快,可为开发黄土地质信息原位探测机器人的视觉系统提供算法支持。     

深度学习在矿产资源卫片执法中的应用研究

矿产资源卫片执法是资源监管与保护的重要技术手段,而深度学习是当前人工智能领域中的研究热点,为提高卫片执法效率、降低人力解译工作量提供了可能。本文提出了一种基于Mask RCNN的遥感影像露天矿山疑似违法图斑自动检测提取方法,通过采集、扩充、规范矿山样本,制作特定的coco数据集输入到Mask RCNN进行有监督学习训练。利用训练出的分类网络模型进行遥感影像矿山图斑的自动提取,并以采矿权矢量图层作为判定依据,自动圈取影像中的疑似违法图斑。经实验,本文方法的mAP精度达87%以上,高于传统方法,对深度学习在卫片执法中的应用研究作出了有效实践。     

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

基于各类特征对齐迁移网络的多时相遥感图像分类

为了在目标域遥感图像不存在标记数据的情况下实现自动分类,论文提出一种基于特征对齐的迁移网络.网络以各类类心对齐和协方差对齐作为迁移策略,全面描述域间各类别之间的对应关系,实现知识迁移.另外,网络采用线性修正单元作为激活函数,能够产生稀疏特征,提高分类效果.该迁移网络能够同时获得对齐的特征和自适应分类器,不需要目标域的标记数据,实现无监督迁移学习.在多时相的Hyperion高光谱遥感图像和WorldView-2多光谱遥感图像上的实验结果证明了该迁移网络的有效性.      

面向基元的高空间分辨率矿区遥感影像土地利用分类

为了合理开发矿产资源和有效监测矿区生态环境,采用面向基元的分类方法,对广西横县某矿区的高分辨率航空遥感影像进行了土地利用分类.通过优化分形网络演化多尺度分割方法,高效提取了矿区两个尺度上的影像基元层;基于基元信息,详细分析了各地表地物光谱特征、空间特征以及类相关特征,建立了研究区土地利用的分类知识库;采用决策支持的模糊逻辑推理法进行分类,使分类的精度从53%提高到了90%.表明面向基元的方法能较好地利于高空间分辨率矿区影像的各种特征进行高精度的土地利用分类.      

基于深度信念网络的遥感影像识别与分类

高分辨率遥感影像具有高维、多尺度、非平稳的内部特性和海量、多源、异构的外部特征,具有丰富的空间信息。探讨了利用新兴的深度信念网络研究高分辨率遥感影像的智能提取与分类,通过大量实验对比分类精度、Kappa系数以及参数敏感度分析,提出了网络层数、隐含层神经元个数、迭代次数等参数的最优设置方案,相比传统的浅层网络分类器,改进后的深度信念网络更好地拟合了样本的内在结构,遥感图像分类精度达到92%左右,取得了很好的分类效果。     

基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题，本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法，将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点，将残差结构和特征金字塔网络融合到Unet模型中，建立FPN Res-Unet模型。该模型以Unet为基础，引入ResNet18的残差结构作为编码路径特征提取层，在每次卷积后使用边界填充，使得输入图像和输出图像尺寸一致；在解码路径每级上采样过程中，拓展支路径将特征金字塔网络融合到模型的网络主干中，将残差结构、Unet及特征金字塔网络的优点相互融合，增强了Unet的特征提取，弥补了语义分割网络对小目标检测的欠缺；在获取深层语义信息的同时关注细节信息，提高建筑物变化检测精度。实验表明，该方法在所用数据集，准确率、召回率、F₁ 3种指标均达到90%以上。     

一种改进的高分辨率遥感影像分割方法

分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高,而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.      

集成多时相ETM+影像的证据推理湿地遥感分类

选择黑龙江省扎龙湿地自然保护区作为研究区,开展了基于Dempster-Shafer理论的证据推理方法(ER)湿地遥感空间分类研究,提出了一种针对ETM+多波段遥感影像的计算证据支持度的新算法,利用证据推理方法集成研究区5个时相的ETM+影像。研究表明,证据推理方法能有效集成多时相ETM+影像实现湿地空间分类,其总体分类精度比基于任一单时相影像的最大似然法(MLC)分类精度都高,提高幅度约为2%~12%。     

基于决策树模型的上海城市湿地遥感提取与分类

城市湿地是上海重要的生态基础并具有复杂多变的自然特性。研究采用决策树分类方法,以TM影像多光谱波段特征为主要分类变量,采用经K-T变换、IHS变换等光谱增强后的数据以及利用灰度共生矩阵分析影像第一主成分的纹理统计量作为辅助分类变量,结合城市湿地几何特征信息,构建上海城市湿地决策树分类模型,进行上海市湿地信息的遥感提取和分类。结果表明：（1）上海城市湿地总面积为1 277.40 km²;其中水田面积最大,占总面积的65.30%;其次为河流、库塘、湖泊和芦苇。（2）决策树模型的分类方法在一定程度上提高了城市湿地提取和分类的精度,使其达到89.05%;与传统的最大似然法相比,总精度提高了约10%。     

基于自适应可变滤镜的地类变化预测模型

随着土地开发建设规模不断扩大,土地利用情况也在逐年发生变化,准确预测未来土地利用的发展趋势,可以为本地区的土地利用规划提供依据,提升本地区的土地利用效率。传统方法一般采用CA_Markov、ANN以及CA_ANN模型进行预测,存在训练时间长、预测精度不足和缺乏说服力等问题。本文针对上述问题,结合元胞自动机以及人工神经网络模型,建立一种自适应可变滤镜网络模型,针对特定大小区域内的土地类别数目,创建多类数据集来训练不同参数的多个神经网络,可以成功预测未来土地变化的情况,这样就避免了训练单一网络时数据对网络权值的抵消。相比于传统模型中效果最好的CA_ANN模型,本文建立的自适应可变滤镜网络模型不仅总体精度提高了1%~3%,各种地类转化精度提高了12.82%~33.33%,模型预测时间也缩减了49.47%。     

基于边缘特征的遥感影像小波变换融合法

如何将不同空间分辨率遥感影像合理有效地融合在一起,保持原始多光谱影像的光谱特性,提高影像的分类精度和空间分解力,这是遥感影像数据融合处理的热点研究问题。在对原始遥感影像进行小波变换的基础上,提取高空间分辨率影像边缘特征信息,并与原始多光谱影像进行了融合处理。以IRS、SPOT和ETM卫星影像为资料进行实验,结果表明,该方法在提高影像的空间分辨率的同时,能够很好地保持影像的光谱特性,尤其在空间分辨率差异较大的影像融合中,该方法在保持影像光谱特性方面要优于其他的融合方法。     

基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类

洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络（CNN）理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5,epoch为50,batch＿size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考.     

浅析基于BP神经网络和先验知识的伊犁河谷遥感影像分类

本文通过利用新疆伊犁河谷伊宁县的SPOT5遥感影像,基于人工神经网络中的BP算法,在Matlab7．0软件平台下,对主成分变换后的遥感影像进行土地利用分类进行讨论．．然后根据错分地物的空间位置,将分类结果矩阵中的错分类别替换为正确类别,进一步提高分类精度。结果表明,与传统的监督分类方法相比,分类总体精度提高了12．67％,Kappa系数提高了0.214,证明人工神经网络和先验知识相结合是一种有效的分类方法。     

基于DeepLabv3+与GF-2高分辨率影像的露天煤矿区土地利用分类

遥感与深度学习为及时掌握露天煤矿区土地利用情况提供了高效率的技术手段。基于国产高分二号(GF-2)卫星高分辨率遥感影像,利用深度学习DeepLabv3+模型实现露天煤矿区土地利用识别,并与U-Net、FCN、随机森林、支持向量机、最大似然法等方法进行对比。首先,制作高分辨率影像样本数据,通过敏感性测试确定适合研究区露天煤矿场景的样本最佳裁剪尺寸和方式;然后,训练深度神经网络DeepLabv3+模型,进行土地利用识别实验;最后,比较不同方法的识别结果。结果表明:研究区露天煤矿场景下的样本最佳裁剪尺寸为512像素×512像素,最佳裁剪方式为随机裁剪。采用的DeepLabv3+模型对露天煤矿区土地利用识别的总体精度、Kappa系数分别为80.10%、0.73,均优于U-Net、FCN、随机森林、支持向量机、最大似然法等方法的识别精度。DeepLabv3+模型的识别速度与上述5种方法保持在同一数量级,验证了DeepLabv3+模型和GF-2卫星影像在露天煤矿区土地利用识别中的可行性,对露天煤矿区生态环境监测与修复规划具有重要意义。      

基于GF-1影像多尺度-光谱差异分割的不同喀斯特地貌区土地利用信息提取

影像分割是高分辨率遥感影像信息提取的前提,遥感影像分割的精确程度直接影响遥感分类的精度。为提高喀斯特山区遥感影像信息提取的精度,采用多尺度-光谱差异分割对喀斯特山区高分辨率影像分割,通过标准最近邻分类法提取土地利用信息,对比了仅多尺度分割、多尺度-光谱差异分割两种分割方法下喀斯特山区土地利用信息提取的精度。结果表明:（1）多尺度-光谱差异分割能改善过分割和欠分割现象。（2）多尺度-光谱差异分割优于单一使用多尺度分割。（3）多尺度-光谱差异分割综合了影像的光谱、纹理、形状等特征,进而提高了喀斯特山区影像分割分类的精度。      

一种基于光谱角和光谱距离自动加权融合分类方法

高分辨率遥感影像分类一直是业内研究的热点之一,考虑到影像地物光谱角和光谱距离在分类中具有较好的互补性,提出了一种基于光谱角和光谱距离自动加权融合的分类方法,对传统多分类器分类的融合策略进行改进,能够在训练阶段根据样本自动地调整好各分类器对各类别进行分类的权重系数,使得融合后的分类结果更加科学和准确。QuickBird影像的分类实验表明,方法的分类精度明显优于单纯的光谱角或距离法,可广泛用于各种高分辨率影像的分类识别。