论文部分内容阅读
随着遥感领域中核心技术的迅猛发展,遥感影像的应用愈加广泛和深入,而遥感影像场景的分类是遥感影像研究的关键因素之一。提高对遥感影像场景分类的精确度,在农业生产、军事识别、环境检测中具有关键的作用。本文在综合分析国内外研究现状基础上,从如何有效利用特征提取方式以及神经网络结构的目的出发,研究深度学习理论与神经网络模型,在训练模型中提高遥感场景影像包含的有效空间特征并抑制干扰特征,以达到提高分类准确度的目标。本文主要研究内容与成果如下:1.对国内外针对遥感影像场景分类的方法进行了分析,并将传统方法与深度学习方法进行了对比,充分剖析了他们的优缺点。2.针对遥感影像场景中空间信息丰富以及冗余的地理特征会对网络训练时造成干扰等问题,提出一种采用重校准特征融合密集神经网络的遥感影像场景分类方法。通过挤压与激励机制建立SE block用于提高网络模型中通道之间的关联性以自适应地对通道之间的特征映射进行重新校准,并将SE block与其多尺度分支嵌入DenseNet-121中进行特征重校准,利用DenseNet中密集连接方式来加强信息流的传递,使网络模型通过全局信息来选择性地提取有效遥感场景影像特征并抑制干扰特征。该方法使得整体模型获得全局感受野的稳健特征表示,减少了遥感场景特征的冗余映射。通过在两个公开遥感影像数据集中进行实验,得到了优于其他传统分类方法的实验结果,证明了该方法的有效性。3.在研究过程中发现遥感影像场景数据存在着难以获取、人工标注成本较大以及冗余的地理特征会降低模型的泛化能力等现象,因此本文针对这些难点提出一种结合重校准特征与对抗域适应的无监督遥感影像场景分类方法。首先,通过将挤压与激励机制SE block嵌入VggNet16,用于提高通道之间的相互依赖性以自适应地重新校准通道之间的特征响应,使网络模型通过全局信息来选择性地提取有效遥感场景影像特征并抑制干扰特征。然后,建立大型源域数据集并利用对抗域适应方法减少源域与目标域遥感影像场景特征差异,使得模型的泛化能力得到增强。实验表明,该方法分类效果优于目前的无监督方法,在分类遥感影像场景中使得精度得到有效的提升。