面向高光谱遥感图像分类的深度迁移学习方法研究.pdf

哈尔滨工业大学硕士学位论文

摘要

遥感领域中，获取地物信息的一种重要方式是对高光谱遥感图像进行分类。鉴

于高光谱遥感数据的高维性以及复杂的空间结构，如何提取出具有鲁棒性的特征

是高光谱遥感图像分类任务需要解决的核心问题。传统方法中通过人工设计的特

征提取方法存在表达能力受限、只针对特定场景等问题，而基于深度学习的一类具

有深层网络结构的模型，可以从数据中学习到更深层次的鲁棒特征。但是，深层模

型往往需要大量的标记样本进行训练，这与高光谱遥感图像获取监督信息困难的

实际情况产生了矛盾。因此，研究在有标记训练样本数量受限的情况下，合理且有

效地应用深层网络模型提升高光谱遥感图像的分类精度具有较大的实际意义。

针对上述问题，本文研究了在迁移学习的理论框架下，结合深层网络结构，完

成高光谱遥感图像分类任务。本文设计并提出了基于模型迁移以及基于自适应迁

移学习的高光谱遥感图像分类方法，并提出了在域间差异较大情况下更为合理的

连续迁移学习方法，利用多源遥感信息提升分类精度。本文主要研究内容如下：

首先，研究了基于模型迁移的高光谱遥感图像分类方法，利用模型迁移的方式

将源域自然图像的知识迁移到高光谱遥感图像分类领域，以此减少深层网络对训

练样本数目的需求。此外，论文还设计了基于傅里叶变换的混合样本数据增强技术，

根据原有不同的两个高光谱遥感图像训练样本产生新的训练样本，从数据层面缓

解了有限标记样本的问题，在模型迁移的基础上进一步改善分类效果。

其次，研究了基于自适应迁移学习的高光谱遥感图像分类方法，包括了异构模

型之间的自适应迁移学习以及标签的自适应学习两部分。模型层面，本文提出的异

构自适应迁移学习方法，可以在迁移过程中根据高光谱遥感图像分类任务自主选

择合适的特征参数进行迁移。标签层面，本文设计的自适应标签技术可以在训练过

程中根据模型判断标签正确与否，自适应地更新监督标签信息，以此充分利用单标

签样本中的多目标信息，在多个高光谱遥感数据集上得到较好的结果。

最后，研究了连续迁移学习理论并探索了该理论方法的可行性。该理论主要研

究了在源域和目标域的域间差异较大的情况下，引入一个与源域和目标域同时具

有相似性的中间源，完成知识从源域到中间源，再从中间源到目标域的连续迁移。

根据该理论，本文设计了两种基于深层网络结构的方案，分别从模型复杂度以及多

源遥感信息利用的充分性两个角度，提升了高光谱遥感图像分类精度。

关键词：高光谱遥感图像分类；迁移学习；自适应学习；连续迁移学习

-I-

哈尔滨工业大学硕士学位论文

Abstract

Inthefieldofremotesensing,animportantwaytoobtaingroundobjectinformation

istoclassifyhyperspectralremotesensingimages(HRSIs).Inviewofthehigh

dimensionalandcomplexspatialstructureofhyperspectralremotesensingdata,howto

extractrobustfeaturesisthecoreproblemtobesolvedinthetaskofHRSIclassification.

Inthetraditionalmethod,theartificiallydesignedfeatureextractionmethodhassome

problems,suchaslimitedexpressionabilityandonlytargetedatspecificscenes.However,

akindofmodelwithdeepnetworkstructurebasedondeeplearningcanlearndeeper

robustfeaturesfromdata.However,th