基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

基于多任务学习的高分辨率遥感影像建筑实例分割

针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性, 将基于Xception module改进的U-Net深度神经网络方法与多任务学习方法相结合进行建筑物实例分割, 在获取建筑物二分类结果的同时, 区分不同建筑物个体, 并选择Inria航空影像数据集对该方法进行验证。结果表明, 在高分辨率遥感影像的建筑物二分类提取方面, 基于Xception module改进的U-Net方法明显优于U-Net方法, 提取精度升高1.4%; 结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割, 而且可将二分类建筑物的提取精度提升约0.5%。     

基于深度卷积神经网络的遥感图像场景分类

遥感图像场景分类在地理空间对象检测、自然灾害检测、地理图像检索、环境监测等方面具有广泛的应用前景,引起了人们的广泛关注.文章改进了传统的深度卷积神经网络(DCNN),将其应用于遥感图像场景分类研究,提出了一种改进后的7层网络结构,在激活函数的选择上,针对神经元通过Relu进行激活容易激活失败的情况,采用PRelu函数替代Relu;针对传统的深度学习方法不能融合多种细粒度深度学习特征的问题,采用分层特征融合的方法,通过实验对比,将第四个卷积层、池化层和最后一个全连接层提取到的特征进行串联融合,得到一种更加有效的深度特征.与传统深度学习方法相比,文章所提方法分类准确率提高了8.81%.实验结果表明,该方法在准确率、Kappa系数上均有良好表现,取得了良好的分类效果.     

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

基于卷积神经网络的室内场景识别

场景识别一直是图像处理领域的重要问题之一,对研究移动机器人定位、计算机视觉等方面具有重要意义.然而,室内场景的复杂性与无序性使室内场景识别研究面临许多挑战.传统的手工提取特征无法充分描述室内场景的信息,而卷积神经网络提取的特征能够包含丰富的场景语义和结构信息,且对于平移、比例缩放、倾斜等形式的变形具有高度不变性,因此提出了应用基于卷积神经网络的GoogLeNet网络模型来完成识别任务的方法.该网络模型在深度学习框架Caffe上对MIT_Indoor数据集的识别准确率为59.7%,高于使用传统手工提取特征的算法的准确率,对比结果说明了深度卷积神经网络在室内场景识别问题上的有效性.     

基于CNN的零样本城市遥感影像场景分割算法

针对观测数据的零样本遥感影像场景分割时,因不存在相应的参照物,造成分割耗时长,精确率较低等问题,提出了基于卷积神经网络的零样本城市遥感影像场景分割算法。采用主成分分析方法与K-奇异值分解方法对遥感影像去噪处理,抑制斑块效应;将去噪后影像输入Retinex增强算法中,进一步提升零样本城市遥感影像增强效果;采用均值漂移算法分割遥感影像场景获取其像素点之间关系,通过卷积神经网络完成零样本城市遥感影像场景精准分割。实验结果表明,该算法精确率高,召回率高,F-score率高,消耗时间短。     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于ResNet-50的级联注意力遥感图像分类

知识蒸馏能提高神经网络的泛化能力，可解决遥感图像场景分类时标注数据不足的问题。遥感图像存在的类间高相似性会导致中间知识特征丢失，针对该问题，本文提出一种基于自蒸馏级联注意力机制的特征提取方法(SDCASA)。首先构造权值共享的教师、学生网络；然后使用级联注意力模块精细化深层教师网络所提取到的特征，同时保留被浅层神经网络过滤的中间边缘信息；再利用精细化之后的特征指导学生网络学习；最后在下游训练一个线性分类器完成特征分类。在3个公开数据集AID、MLRSNet、EuroSAT上使用20%和50%的样本训练，分类准确率分别达到85.17%、90.10%、 91.13%和85.50%、92.13%、91.17%。此方法能有效提高遥感图像场景分类准确率，性能优于主流自监督图像分类方法 SimSiam、SwAV、MoCov2、Deepcluster,具有良好的应用价值。     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.     

深度学习在基于叶片的油茶品种识别中的研究

【目的】采用深度学习方法开展基于叶片的油茶品种识别研究，开发油茶品系图像识别技术，为油茶品种鉴别提供科学依据。【方法】选择自然光照条件下生长的11个油茶品种叶片作为研究对象，采集完整、无明显病虫害的叶片，以白色硬纸板为背景，利用智能手机对叶片的正、背面进行图像采集，通过可用性筛选去除无效图像，构建图像数量为2 791张的油茶叶片品种数据集，采用深度学习网络(GoogLeNet、ResNet)对11个油茶品种的叶片图像进行识别研究。【结果】GoogLeNet和ResNet网络均能满足基于叶片的油茶品种识别要求，总体识别准确率、召回率的调和平均值(F₁)分别达94.0%和80.7%;其中GoogLeNet网络识别效果更好，平均准确率、召回率、多分类模型指标宏观F₁(Macro F₁)和微观F₁(Micro F₁)分别为94.1%、94.0%、94.0%和96.9%,其对油茶品种编号1和编号8的识别召回率高达100%。【结论】深度学习网络(GoogLeNet、ResNet)能够实现基...     

基于DCNN的高分辨率遥感影像场景分类

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.     

基于Xception模型的遥感影像场景变化检测

由于遥感场景固有的语义特征,深度学习在场景分类中具有突出的语义特征提取能力,近年来得到了广泛的研究。然而,现有的基于深度学习的方法大多没有精细描绘场景几何形状,而是利用固定大小的滑动窗口来对影像分类,这些窗口可能由多种场景类型的混合像元组成,导致场景识别的可分离性低,细节粗糙,分类精度低。针对这一问题,将简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)与迁移学习相结合,实现场景斑块的精确分类,进一步提高场景变化检测的准确性。首先基于SLIC算法,考虑强度分布的相关性,将遥感影像分割成多尺度斑块;其次利用Xception模型结合迁移学习网络从多尺度斑块中提取深度语义特征,并基于softmax分类器计算概率,从而判别场景斑块的类别;最后,基于场景分类的结果提取地物的变化信息。实验结果表明,该方法能够适应不同尺度的场景识别,达到利用窗口网格检测方法的最高水平,提高了场景变化检测的精度和效率。     

基于深度学习的无人机遥感影像水体识别

针对无人机遥感影像分辨率高、信息量大易造成错分、漏分现象,导致识别分类精度不高的问题,采用一种基于深度学习的水体识别方法进行无人机遥感影像水体识别。该方法首先选取大量样本训练并构建深度卷积神经网络模型(DCNN),然后利用最大稳定极值区域(MSER)对无人机遥感影像进行分割得到待识别目标子区,最后根据深度卷积神经网络模型对分割后影像目标进行水体识别,并且将识别结果与目前常用方法进行比较。实验结果表明,该方法能有效识别水体目标,减少错分、漏分现象,提高识别精度,优于其他方法。     

基于深度学习的盾构隧道衬砌病害识别方法

隧道衬砌病害的检测是隧道维护和保障运营安全的重要环节.以基于CCD线阵相机移动式地铁衬砌病害检测系统的采集图片为研究对象,利用计算机科学最前沿的深度学习方法,提出了一种完全区别于传统手段的隧道病害识别方法,通过提取并建立隧道病害样本库,搭建深度学习框架,利用深度卷积神经网络(Convolutional Neural Network,CNN)训练样本,建立隧道衬砌特征图像分类系统.针对既有的CNN模型GoogLeNet,采用优化的卷积核,并改进了其inception模块与网络结构,获得了准确率超过95%的网络模型.通过实例对目前流行的深度学习框架(Caffe与Torch)以及图像对比度增强处理方法(如直方图均衡化处理(Histogram Equalization,HE))进行了测试.测试结果表明,深度学习方法用于隧道衬砌图像处理,具有准确率高,速度快,可扩展性好等特点,特别是对背景复杂条件下的图像处理更具鲁棒性.     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

Capsule网络的心脏磁共振图像病患识别

深度学习中胶囊(Capsule)神经元结构旨在克服传统卷积神经网络难以挖掘同级特征之间关系的缺点.胶囊网络(Capsule Net, CapsNet)是以胶囊神经元作为网络单元的一种新型的分类网络结构.该网络使用了压缩(Squash)算法作为激活函数,使用动态路由算法(Dynamic Routing)作为网络优化方法,欲获得更好的分类性能.心脏磁共振图像识别算法面临的主要问题:患病图像与正常图像之间的差异不显著,因此使用多层CNN网络难以达到十分优秀的效果.而胶囊网络CapsNet可以在较浅层网络的情况下,可以容纳更多的特征信息,有利于识别心脏磁共振图像.设计使用浅层胶囊网络对心脏磁共振图像进行二分类病患识别,并与VGG16、SVM(Support Vector Machine,支持向量机)等方法进行比较,实验结果表明CapsNet在应用上优于CNN网络其正确率、敏感度、特异性、AUC指标分别为91.04%、97.60%、87.04%、96.43%.实验结果表明胶囊网络相比较传统方法和浅层网络,在心脏磁共振图像识别方面表现了优异的性能.     

基于多尺度特征融合的遥感影像场景分类方法

针对遥感场景影像存在类间相似性高、类内多样性大、且不同尺度下遥感影像差异大等问题,导致场景分类任务精确度受限,提出一种基于多尺度特征融合的遥感影像场景分类算法。首先利用轻量级网络MobileNetV2作为主干网络,以更少的网络参数实现更高的分类准确率。网络通过一维卷积提升输入通道,设计的多尺度特征融合模块能够捕获遥感影像的高级特征和低级特征,融合影像的多尺度特征,能够有效缓解不同尺度下遥感影像差异大的问题。通过在三个公开遥感数据集上进行实验对比,验证了所提方法的有效性。     

顾及区域信息的卷积神经网络在影像语义分割中的应用

高分辨率遥感影像在实际应用中得到广泛使用。高分影像语义分割方法的研究具有重要实际应用价值。近来基于深度卷积网络的遥感影像标注方法表现出了比传统方法更为优越的性能;然而由于其基于固定感受野大小的上下文信息获取方法没有显式利用像素间约束关系,导致同一地物内部语义标注结果不一致。基于同一区域内部像素属于相同类别概率较大的假定,试图引入图像区域内部语义标注一致性约束,以改善现有深度卷积神经网络描述上下文信息的能力。在现有全卷积网络模型基础上,利用卷积神经网络最后一层特征,引入一个表示区域内部像素特征一致性的损失函数;将该损失函数与softmax损失函数进行联合训练,得到网络模型参数。在ISPRS(国际摄影测量与遥感学会)的Vaihingen 2D语义标注数据集上,对提出的方法进行了实验验证,实验结果表明所提方法在大多数类别上取得了较现有卷积神经网络模型更优的分类结果,总体准确率达85.18%。提出的引入区域内部像素标记一致性的全卷积网络模型,可以有效捕捉区域内部像素特征一致性的上下文信息,能有效纠正全卷积网络模型在区域内部像素分类中的冲突,获得区域一致较好的分类结果,从而改善图像的语义标注效果。     

改进残差神经网络在遥感图像分类中的应用

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度SE block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在AID和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。     

基于深度学习声谱图分类的"听声识风"

将深度学习与声谱图相结合,提出了一种新型的风级识别方法——"听声识风". 在实验室条件下模拟1~4级风并记录对应风声音频. 通过傅里叶变换等方法将风声音频转换成声谱图,共得到2 608幅二维声谱图像用作数据集. 将声谱图数据集导入深度卷积神经网络GoogLeNet中进行风力等级识别,测试准确率达到了99.6%. 为了进一步证明实验结果的可靠性,将声谱图数据集分别导入ResNet18、ShuffleNet中进行训练,均获得了99.2%的测试准确率,结果表明该方法可以有效地进行风级识别. "听声识风"研究首次通过深度学习声谱图分类实现了对风级的识别,这是一种智能的、快速的风级识别新方法.