深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域取得了顯著的成果,如圖像分類、人臉識別、圖像檢索等。對于遙感領(lǐng)域而言,獲取用于訓(xùn)練CNN的有標(biāo)簽數(shù)據(jù)集通常是一個重大挑戰(zhàn)。本文研究了如何將CNN用于高分辨率遙感影像的場景分類,為了克服缺乏大量有標(biāo)簽遙感影像數(shù)據(jù)集的問題,結(jié)合CNN采用了兩種技術(shù):數(shù)據(jù)增廣和遷移學(xué)習(xí)。在UC Merced Land Use數(shù)據(jù)集上,驗證了VGG16、VGG19、Res Net50、InceptionV3、Dense Net121等5種網(wǎng)絡(luò)的性能,分別達(dá)到了98. 10%、96. 19%、99. 05%、97. 62%、99. 52%的分類準(zhǔn)確率。 

【文章來源】：測繪通報. 2020,(02)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

遙感影像特征的有效提取和表達(dá)是場景分類中的重點，相比于傳統(tǒng)的特征提取方法(如SIFT、HOG、GIST等)，CNN能夠?qū)斎雸D像逐層提取從底層到高層的特征，創(chuàng)立底層信號到高層語義特征的映射信息，充分降低了高分影像底層視覺表達(dá)與高層語義信息之間的“鴻溝”。CNN用于遙感影像場景分類的流程如圖2所示。模型主要包括兩個部分:特征提取和分類。首先將有標(biāo)簽數(shù)據(jù)集隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集輸入CNN模型后，經(jīng)過前向傳播(feed forward,FF)得到模型輸出;然后計算模型輸出和實際數(shù)據(jù)標(biāo)簽的誤差，根據(jù)誤差求導(dǎo)計算梯度，通過反向傳播(back propagation,BP)更新網(wǎng)絡(luò)，如此往復(fù)便可訓(xùn)練出優(yōu)化的CNN模型;最后通過Softmax分類器獲得分類結(jié)果。

由于訓(xùn)練CNN模型需要足夠數(shù)量的有標(biāo)簽數(shù)據(jù)，但實際應(yīng)用中收集如此多的有標(biāo)簽遙感影像數(shù)據(jù)集是個難題。面對遙感領(lǐng)域有標(biāo)簽數(shù)據(jù)集匱乏的問題，筆者采用遷移學(xué)習(xí)[14](transfer learning)方法，運用已有知識和模型學(xué)習(xí)相關(guān)領(lǐng)域問題，可有效解決有標(biāo)簽遙感影像數(shù)據(jù)不足的問題。ImageNet是當(dāng)下最大的圖像識別數(shù)據(jù)庫，樣本多樣性強(qiáng)且類別覆蓋范圍廣。高分辨率遙感影像在圖像紋理、線條、色彩、結(jié)構(gòu)上的特征與ImageNet圖像有很多的相似之處，因此，本文使用遷移學(xué)習(xí)策略，將從ImageNet上學(xué)習(xí)到的權(quán)重作為模型的初始權(quán)重，而不是隨機(jī)確定初始權(quán)重從頭開始訓(xùn)練;然后使用UC Merced Land Use數(shù)據(jù)集對預(yù)訓(xùn)練CNN模型進(jìn)行微調(diào)(finetune)，使用一個較小的學(xué)習(xí)率(learning rate)通過繼續(xù)反向傳播對CNN網(wǎng)絡(luò)的權(quán)重進(jìn)行優(yōu)化，可以微調(diào)網(wǎng)絡(luò)的所有層，或者凍結(jié)前面的幾層，僅微調(diào)網(wǎng)絡(luò)中較高的層，使得僅需少量的有標(biāo)簽遙感影像數(shù)據(jù)便可獲得很好的分類效果。該策略不僅能有效解決小樣本數(shù)據(jù)訓(xùn)練模型易產(chǎn)生的過擬合問題，同時也能夠大大縮減模型訓(xùn)練的時間。使用遷移學(xué)習(xí)策略進(jìn)行遙感影像場景分類的流程如圖3所示。2 試驗及結(jié)果分析

【參考文獻(xiàn)】：
期刊論文
[1]基于CNN模型的遙感圖像復(fù)雜場景分類[J]. 張康,黑保琴,李盛陽,邵雨陽.  國土資源遙感. 2018(04)
[2]融合全局和局部深度特征的高分辨率遙感影像場景分類方法[J]. 龔希,吳亮,謝忠,陳占龍,劉袁緣,俞侃.  光學(xué)學(xué)報. 2019(03)
[3]基于深度學(xué)習(xí)AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學(xué)學(xué)報. 2017(11)
[4]基于CNN模型的高分辨率遙感圖像目標(biāo)識別[J]. 曲景影,孫顯,高鑫.  國外電子測量技術(shù). 2016(08)
[5]高分辨率對地觀測的若干前沿科學(xué)問題[J]. 李德仁,童慶禧,李榮興,龔健雅,張良培.  中國科學(xué):地球科學(xué). 2012(06)



本文編號：3410140