1、 第5 2卷 第1期测 绘 学 报V o l.5 2,N o.1 2 0 2 3年1月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c aJ a n u a r y,2 0 2 3引文格式:蒲生亮.高光谱图像深度学习分类模型研究J.测绘学报,2 0 2 3,5 2(1):1 7 2.D O I:1 0.1 1 9 4 7/j.AG C S.2 0 2 3.2 0 2 1 0 2 0 3.P US h e n g l i a n g.R e s e a r c ho nd e e p l e a r n i n gm
2、o d e l sf o rh y p e r s p e c t r a l i m a g ec l a s s i f i c a t i o nJ.A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a,2 0 2 3,5 2(1):1 7 2.D O I:1 0.1 1 9 4 7/j.AG C S.2 0 2 3.2 0 2 1 0 2 0 3.高光谱图像深度学习分类模型研究蒲生亮1,21.自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,江西 南昌3 3 0 0 1 3;2.东华理工大学测绘工程学院,江
3、西 南昌3 3 0 0 1 3R e s e a r c ho nd e e p l e a r n i n gm o d e l s f o r h y p e r s p e c t r a l i m a g ec l a s s i f i c a t i o nP US h e n g l i a n g1,2R e s e a r c ho nd e e p l e a r n i n gm o d e l s f o r h y p e r s p e c t r a l i m a g ec l a s s i f i c a t i o nP US h e n g l i a
4、 n g1,21.K e y L a b o r a t o r y o f M i n e E n v i r o n m e n t N o n i t o r i n g a n dI m p r o v i n g a r o u n d P o y a n g L a k e,M i n i s t r y o f N a t u r a lR e s o u r c e s,N a n d r a n g3 3 0 0 1 3,C h i n a;2.F a c u l t yo fG e o m a t i c s,E a s tC h i n aU n i v e r s i
5、t yo fT e c h n o l o g y,N a n c h a n g3 3 0 0 1 3,C h i n a 光学遥感成像传感器光谱分辨率的提高,使得通过地物光谱属性精细地识别和解译地物类别成为可能,不仅促进了对地遥感观测技术的发展,也使得高光谱遥感成为遥感领域最前沿的研究方向之一。随着机器学习、模式识别和人工智能等技术领域的快速发展,高光谱遥感图像分类研究受到广泛关注,内容包括:如何利用高光谱遥感数据中包含精细光谱特征的优势,针对特定应用需求提出有效的分类方法,提高分类器的分类性能、泛化能力及智能化水平。人工智能能实现地表覆盖智能解译,借助深度学习方法自动处理高光谱遥感图像是
6、目前比较前沿的研究方向。深度学习模型可以在高光谱遥感图像地物分类任务中取得显著的效果,比如卷积神经网络可以很好地获取高光谱遥感图像中的空间结构信息,捕捉像素与像素之间的空间特征及上下文关系。因此,深度学习模型在地物提取中具有很大的优势。基于此,论文从3个体现深度学习最先进技术水平的研究领域作为切入点,充分利用深度神经网络在信息提取和特征表达方面的能力,对基于深度学习模型的高光谱遥感图像分类方法进行了研究,主要研究内容如下。(1)有限样本训练的胶囊神经网络实现高光谱图像分类。论文重点关注胶囊神经网络的高光谱图像分类性能和特征提取能力,提出了一种能适应少量样本数据训练的胶囊神经网络算法,设计了相应
7、的深度卷积网络框架,并与典型的卷积神经网络进行了比较。试验结果表明,胶囊神经网络经少量样本训练,依然能获得相对较高的分类精度,对于后验的最大预测概率也具有更高的置信度。(2)块式结构化的残差学习网络实现高光谱图像分类。论文通过使用复合的跳跃式连接,提出了两种结构化的残差学习网络模型,研究不同残差学习网络模型的高光谱图像分类性能和深度抽象表征能力。试验结果表明,顾及深度卷积网络的特征提取能力,经有限的样本进行训练学习,对于同样的深度网络参数量,密集连接网络比深度残差网络训练时间更少,但是分类精度并没有显著提高。(3)权重共享的快速神经架构搜索实现高光谱图像分类。基于自动的深度神经网络架构模型构建
8、与搜索技术,论文提出了一种针对高光谱图像数据分类性能提升和精度改善的快速神经架构搜索网络,以实现高光谱图像分类中特征学习的自动化水平。试验结果表明,与人工设计的最佳深度卷积神经网络相比,论文提出的神经架构搜索网络能充分地利用训练样本信息,即使只有少量的训练样本,也能够获得较高的分类精度,并且在神经网络模型设计、构建、搜索和生成方面更加科学和有效。(4)轻量级高光谱遥感图像分类深度学习抽象框架研究。论文开发了一种面向高光谱遥感图像分类任务的轻量级深度学习抽象程序框架,能够使构建、训练和评估深度卷积神经网络实现更高智能化水平的算法集成、创新发现和技术迭代。通过多种深度卷积网络模型的实现与集成,能够
9、兼顾深度学习技术的先进特性和高光谱图像数据的独特性质。高光谱遥感图像具有更精细的地表覆盖信息提取潜力,因此高光谱遥感图像分类算法的智能化和高效化是需要着重解决的科学问题。论文针对深度学习技术在高光谱图像数据分类任务中的应用,提出了3种少量样本训练的深度学习分类模型,能够在高光谱图像数据分类任务中显著地提高地物分类的精度,实现地表覆盖的精细化提取和精确制图,进一步促进了高光谱遥感地表覆盖智能化解译技术的发展。中图分类号:P 2 3 2 文献标识码:D文章编号:1 0 0 1-1 5 9 5(2 0 2 3)0 1-0 1 7 2-0 1基金项目:东华理工大学科研基金(DHB K 2 0 1 9
10、1 9 2);自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室开放基金(MEM I-2 0 2 1-2 0 2 2-2 6)收稿日期:2 0 2 1-0 4-1 9作者简介:蒲生亮(1 9 8 6),男,2 0 1 9年6月毕业于武汉大学,获工学博士学位(指导教师:邓非教授),研究方向为高光谱遥感图像处理。A u t h o r:A u t h o r:P U S h e n g l i a n g(1 9 8 6),m a l e,r e c e i v e d h i sd o c t o r a ld e g r e ef r o m W u h a n U n i v e r s i t yo nJ u n e2 0 1 9,m a j o r s i nh y p e r s p e c t r a l r e m o t es e n s i n g i m a g ep r o c e s s i n g.E-m a i l:E-m a i l:s h e n g l i a n g p u 1 6 3.c o m
