基于小样本深度学习的遥感地物分类与分割方法研究.pdfVIP

中文摘要 摘 要 近年来，随着对地观测技术的快速发展，多源和高分辨率已成为遥感图像发 展的趋势，随之而来的是对图像处理能力的更高需求。研究表明，相比于支持向 量机、逻辑回归等浅层结构，深度神经网络凭借多维度、深层次的结构特点具有 更强的特征提取能力。在大数据图像处理中，以卷积神经网络为代表的深层结构 具有更高的性能，但同时需要相对更多的标签训练样本。虽然目前遥感图像的获 取渠道众多，但数据标注的过程往往耗费巨大。因此，部分遥感领域面临标签样 本缺乏的挑战，研究有限标签样本 （小样本）下的深度学习方法十分有必要。 本文研究了基于小样本深度学习的遥感图像分类与分割方法。在标签样本有 限的情况下，提出两种深度学习方法分别提升高光谱图像分类准确度，以及跨数 据库遥感图像分割准确度。本文的具体工作与贡献如下： ① 在卷积神经网络的基础上，研究了深度学习方法在遥感图像分类与分割中 的应用，分别为基于三维卷积神经网络的高光谱图像分类方法，以及基于全卷积 神经网络的遥感图像语义分割方法。 ② 研究了基于小样本深度学习的高光谱图像分类方法。针对缺乏标签样本的 挑战，基于半监督学习和流形学习的局部保留投影方法，提出了一种局部保邻卷 积神经网络。在全连接层中引入大量容易获取的无标签样本，利用其内在地理位 置相关性，提高图像分类准确度的同时减少深度学习对标签样本的依赖。 ③ 研究了基于小样本迁移学习的跨数据库遥感图像分割方法。通过下载、标 注和数据增强构建必应和百度遥感图像数据集，包含道路、建筑、水域和植被四 个目标类别。采用深度学习与迁移学习结合的方法，将公开大数据集预训练的 SegNet 模型迁移到必应和百度数据集上。针对跨数据库模型性能降低的挑战，利 用有限的标签样本微调模型，提升图像语义分割准确度。 关键词：小样本；深度神经网络；高分辨率遥感图像；半监督学习；迁移学习 I 英文摘要 ABSTRACT In recent years, with the rapid development of Earth observation technology, multi-source and high-resolution have become the trend of remote sensing image development, which has resulted in a great demand for image processing capability. Research shows that compared with the shallow structures such as support vector machines and logistic regression, deep neural network has stronger feature extraction capability due to the multiple dimension and deep structure. Deep structure represented by convolutional neural network has better performance in processing massive image data while requiring more labeled training samples relatively. Although there are many ways of acquiring remote sensing images, the processing of data annotation often costs a lot. Therefore, some remote sensing fields may face the challenge of lacking labeled samples. It is