目的高分辨率遙感圖像檢索中,單一特征難以準(zhǔn)確描述遙感圖像的復(fù)雜信息。為了充分利用不同卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）的學(xué)習(xí)參數(shù)來提高遙感圖像的特征表達(dá)提出一種基于判別相關(guān)分析的方法融合不同CNN的高層特征。方法將高層特征作為特殊的卷積層特征處理,為了更好地保留圖像的原始空間信息在圖像的原始輸入尺寸下提取不同高層特征再對(duì)高層特征進(jìn)行最大池化來獲得顯著特征;計(jì)算高層特征的類間散布矩陣,結(jié)合判別相關(guān)分析來增強(qiáng)同類特征的聯(lián)系,并突出不同類特征之間的差異,從而提高特征的判別力;選擇串聯(lián)與相加兩種方法來對(duì)不同特征進(jìn)行融合,用所得融合特征來檢索高分辨率遙感圖像。結(jié)果在UC-Merced、RSSCN7和WHU-RS19數(shù)據(jù)集上的實(shí)驗(yàn)表明與單一高層特征相比絕大多數(shù)融合特征的檢索準(zhǔn)確率和檢索時(shí)間都得到有效改進(jìn)。其中,在3個(gè)數(shù)據(jù)集上的平均精確率均值（mean average precision,mAP）分別提高了10.4%～14.1%、5.7%～9.9%和5.9%～17.6%。以檢索能力接近的特征進(jìn)行融合時(shí),性能提升更明顯。在UC-Merced數(shù)據(jù)集上融合特... 

【文章來源】：中國圖象圖形學(xué)報(bào). 2020,25(12)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

基于DCA特征融合的圖像檢索流程圖

為了驗(yàn)證本文方法的有效性，采用UC-Merced(Yang和Newsam,2013)數(shù)據(jù)集、WHU-RS19 (Hu等，2015)數(shù)據(jù)集和RSSCN7數(shù)據(jù)集(Zou等，2015)進(jìn)行實(shí)驗(yàn)。UC-Merced數(shù)據(jù)集中的圖像來源于美國地質(zhì)勘探局收集的國家城市地區(qū)地圖，每幅圖像大小為256×256像素，包含飛機(jī)、海灘、建筑物等21個(gè)類，每類100幅圖像，示例圖像如圖2(a)所示。RSSCN7數(shù)據(jù)集包含2 800幅遙感圖像，每幅圖像大小為400×400像素，包含草地、森林、農(nóng)田、停車場(chǎng)、住宅區(qū)、工業(yè)區(qū)和河湖共7個(gè)類別，每個(gè)類別包含400幅圖像，示例圖像如圖2 (b)所示。WHU-RS19數(shù)據(jù)集中的圖像來自谷歌地球，每幅圖像大小為600×600像素，包含港口、火車站、高架等19個(gè)類，每類50幅圖像，示例圖像如圖2(c)所示。實(shí)驗(yàn)中，采用Mat Conv Net (Vedaldi和Lenc,2015)框架提取VGG16 (Simonyan和Zisserman,2015)、VGGM(visual geometry group medium)(Chatfield等，2014)、Res Net50(He等，2016)和Goog Le Net(Szegedy等，2015)的高層特征，VGG16和VGGM的高層特征為全連接層Re LU 6層的輸出值，分別簡(jiǎn)記為V和M;Res Net50和Goog Le Net的高層特征為最后的池化層對(duì)應(yīng)的特征，分別簡(jiǎn)記為R和G。V與R的融合特征簡(jiǎn)記為V-R，其他融合特征采用類似的標(biāo)記。實(shí)驗(yàn)時(shí)，將數(shù)據(jù)集中80%的圖像作為訓(xùn)練集，剩余20%作為測(cè)試集。

圖3(b)和圖3(c)分別是在RSSCN7和WHU-RS19數(shù)據(jù)集中的檢索結(jié)果。可以看出，輸入圖像在原始尺寸下的檢索性能優(yōu)于傳統(tǒng)默認(rèn)尺寸。RSS-CN7數(shù)據(jù)集與WHU-RS19數(shù)據(jù)集中圖像的原始尺寸分別為400×400像素和600×600像素，與默認(rèn)尺寸224×224像素相差較大，同UC-Merced數(shù)據(jù)集相比，這兩個(gè)數(shù)據(jù)集在原始尺寸下的檢索結(jié)果優(yōu)勢(shì)更明顯。RSSCN7數(shù)據(jù)集在原始輸入尺寸下的m AP比默認(rèn)尺寸下的m AP提高了4%左右，AN-MRR降低了3%左右。在WHU-RS19數(shù)據(jù)集中，原始輸入尺寸下的m AP比默認(rèn)尺寸的m AP提高了7%左右，ANMRR降低了6%左右。其中檢索效果最好的是M-R,m AP達(dá)到0.940 0。由此可知，隨著輸入圖像的原始尺寸增加，在原始尺寸下提取特征的檢索結(jié)果越好。2.4 查準(zhǔn)率—查全率比較

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合深度學(xué)習(xí)與相關(guān)反饋的遙感圖像檢索[J]. 彭晏飛,宋曉男,武宏,訾玲玲.  中國圖象圖形學(xué)報(bào). 2019(03)
[2]卷積神經(jīng)網(wǎng)絡(luò)多層特征聯(lián)合的遙感圖像檢索[J]. 楊珂,李從敏,周維勛,程起敏,任應(yīng)超.  測(cè)繪科學(xué). 2019(07)
[3]基于特征關(guān)聯(lián)融合的圖像檢索方法[J]. 劉潤(rùn)杰,張化祥,孔文杰.  濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(05)
[4]一種融合顏色和紋理特征的遙感圖像檢索方法[J]. 陸麗珍,劉仁義,劉南.  中國圖象圖形學(xué)報(bào). 2004(03)



本文編號(hào)：3437950