基于深度特征融合的高分辨率遥感图像场景分类

摘要

高分辨率遥感场景图像具有大范围、宽视野、数据量大且地物纹理信息丰富的特点。遥感图像场景分类旨在自动赋予遥感图像语义层面上的标签，在城市规划、地质勘探、土地资源管理和自然灾害检测等领域广泛应用。然而，高分辨率遥感图像中复杂的地物信息给遥感图像场景分类带来了巨大的挑战。近年来，卷积神经网络在计算机视觉领域取得了诸多出色成果，也被应用到遥感图像场景分类中。与传统的分类方法相比，基于卷积神经网络的遥感图像场景分类方法能够提取更深层次的视觉特征，有助于提高最终的分类效果，同时利用卷积神经网络的特性，大大减少了人工干预及计算代价。但是遥感场景图像的数据集很小且每张图像的分辨率很高，重新构建一个卷积神经网络结构可能会造成过拟合，分类效果不佳。针对这两个难点，本文提出了两种基于卷积神经网络的深度特征融合遥感图像场景分类方法。主要内容如下：　　1)本文针对遥感图像场景分类数据集小且图像分辨率高的特点，在卷积神经网络的基础上引入了迁移学习，利用预训练的模型对图像特征进行提取。这种方法由于不需要训练，既可以提取深层视觉特征，并且大幅降低了计算代价。在后续的研究中也验证此种特征提取方法的可行性与有效性。　　2)本文引入了注意力机制，提出了基于深度自注意力特征融合的遥感图像场景分类方法。遥感图像包含丰富的地物信息，对场景的分类具有重要的影响。为了充分利用这些地物信息，注意力机制将通过改变空间和通道权重的方式，获取包含更有利于场景图像分类的特征。其中采用的加权方式不包含任何参数也无需网络训练，仅利用预训练模型获取的卷积层特征即可计算。利用注意力机制将卷积层获得的深度特征进行加权融合，再将融合后的特征送入支持向量机进行分类。实验结果表明此种方法有效的提升了分类效果。　　3)为了实现端到端的加权融合策略，本文根据注意力机制提出了基于自适应特征加权融合的遥感图像场景分类，该方法则是利用循环神经网络进行显著特征权值的计算，完全无需人工干预，构建了端到端的网络结构。在三个公开数据集上的实验结果表明，该方法能够有效提升遥感场景分类的准确率。　　4)本文构建了遥感图像场景分类软件模块。并在该软件模块中嵌入本文提出的算法，能够实现遥感场景图像在线分类的功能。

目录

声明

第1章 绪 论

1.1 课题背景及研究意义

1.2 国内外研究现状

1.2.1 遥感图像场景分类研究难点分析

1.2.2 遥感图像场景分类方法研究现状与发展趋势

1.3 本文主要研究内容与章节安排

第2章 遥感场景图像的深度特征提取

2.1 卷积神经网络发展历程

2.2 卷积神经网络基本原理

2.2.1 卷积神经网络特点简介

2.2.2 卷积神经网络结构分析

2.3 迁移学习

2.4 基于迁移学习的深度特征提取

2.5 本章小结

第3章 基于自注意力深度特征融合的遥感图像场景分类

3.1 引言

3.2 深度自注意力特征融合算法

3.2.1 自注意力机制简介

3.2.2 多层卷积特征提取

3.2.3 基于自注意力机制的深度特征空间加权

3.2.4 基于自注意力机制的深度特征通道加权

3.2.5 分类算法实现

3.3 实验结果与分析

3.3.1 实验数据集介绍

3.3.2 实验设置

3.3.3 参数讨论

3.3.4 实验结果

3.4 本章小结

第四章 基于自适应加权特征融合的遥感图像场景分类

4.1 引言

4.2 自适应加权特征融合算法

4.2.1 循环神经网络简介

4.2.2 基于循环神经网络的自适应加权特征融合

4.3.1 实验数据介绍

4.3.2 实验设置

4.3.3 网络结构分析

4.3.4 实验结果

4.4 本章小结

第5章 遥感图像场景分类软件模块

5.1 引言

5.2 软件模块环境配置

5.3 软件开发流程

5.4 软件模块显示界面与性能测试

5.4.1 显示界面

5.4.2 性能测试

5.5 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文