面向局部语义表达的遥感场景分类深度学习方法
二十一世纪以来，高分辨率遥感卫星数量显著增多，获取海量高分辨率遥感影像不再困难。遥感影像解译的主要难点也从难以短时间内获得大量高质量的数据源转变为如何高效地从海量遥感数据中高效地实现信息的智能提取。遥感影像场景分类是遥感图像智能信息提取中的重要研究内容。有效的遥感场景分类方法可应用于诸如国土资源规划、专题制图和军事侦察等一系列遥感应用中。2012年以来，在新一轮人工智能浪潮的冲击下，以卷积神经网络为代表的深度学习方法在图像理解与模式识别领域取得飞速进展，为遥感图像信息的智能提取提供了可行方案。 然而，相比于自然影像场景，遥感场景的空间排列更加复杂、目标分布更加多样。现有卷积神经网络通常保留全局语义信息，尚不足以有效描述复杂的遥感场景。增强场景的局部语义描述能力可突出遥感场景中诸多重要局部区域的特征响应，为提升深度学习模型对遥感场景的理解能力提供了可能。 本文以增强深度学习的局部语义描述能力为目标，在建立面向深度学习的局部语义描述模型的基础上，研究了三种面向局部语义表达的深度学习遥感场景分类方法。有关工作可概括为： (1)融合重要局部语义特征与卷积特征的深度学习分类方法 现有注意力模型可感知场景中往往能决定其全局语义标签的重要局部区域，但这一自顶向下显著特征提取过程会中断现有卷积神经网络自底向上特征提取的过程。因此，现有注意力模型对场景局部语义表达的改善能力仍有待提升。本文提出基于一种基于残差连接的空间注意力模型融合以上两类特征。同时，使用密集连接结构增强特征传递，整体组成一种残差注意力密集连接卷积神经网络RADC-Net。该模型可有效保留深度学习的中低层特征，并以可训练的方式在注意力模型中融合重要的局部语义特征和自底向上卷积特征。 (2)面向遥感场景局部语义表达的多尺度特征堆叠注意力池化方法 深度学习现有池化操作多使用平均值或最大值池化，预先定义、不可训练。难以有效突出遥感场景中一系列重要的局部语义信息。针对这一问题，本文在池化操作中引入加权平均模板，对重要的局部区域给予更高的权重响应。为使得该加权平均池化整体可随深度学习模型一同训练和优化，引入基于注意力模型提取的空间权重模板作为加权平均池化操作的模板。另一方面，为提高卷积特征的可分性，使用一系列不同尺寸的膨胀卷积提取多尺度卷积特征，整体构成一种可嵌入任何一个现有卷积神经网络中的多尺度堆叠注意力池化MS2AP用于增强局部语义表达。 (3)基于深度多实例学习的遥感影像场景分类方法 为进一步挖掘场景全局语义标签和各图像块局部语义之间的关系、突出重要局部语义块，本文在深度学习模型中引入多实例学习过程以增强遥感场景的局部语义表达能力。然而，现有多实例学习中的实例聚合函数同样多预先定义、不可训练，无法突出重要实例对场景全局语义标签的贡献和作用。因此，本文使用空间注意力模型和“通道-空间”注意力模型提取的权重来描述不同实例在场景中的贡献。该多实例学习模块与本文研究的密集连接结构整体构成一种轻量的多实例卷积神经网络MIDC-Net以提升遥感场景的局部语义表达能力。 以上三种遥感场景分类方法在UCM、AID和NWPU三组遥感场景数据集上的表现均超过现有基线方法和近年来部分最优方法，可有效增强遥感场景中与语义标签相关的重要局部区域的特征响应，为深度学习遥感图像处理提供了新方法和新思路。此外，上述三种方法在新疆居民区识别和沿江小型港口识别两个遥感场景分类实地应用任务上的表现同样突出，展示了面向局部语义表达的深度学习方法在遥感场景分类实际应用中的潜力。
遥感场景分类;深度学习;局部语义描述;密集连接卷积网络
武汉大学
硕士
摄影测量与遥感
秦昆
2020
中文
TP391.41
2021-06-30（万方平台首次上网日期，不代表论文的发表时间）