作為機器學習的分支,深度學習克服了機器學習在提取特征上的弱點,能從海量數(shù)據(jù)中提取抽象特征。其特征表達能力和泛化能力高,面對海量遙感影像數(shù)據(jù)也能高效準確的提取特征。遙感影像分類是從提取影像中各類地物特征并歸類處理,是遙感影像處理中的關鍵技術�；谏疃葘W習的遙感圖像分類可以彌補傳統(tǒng)機器學習分類精度不高、效率低和泛化能力不足的缺陷,推動了遙感分類技術的進步。將首先介紹現(xiàn)有的部分深度學習模型;其次對遙感圖像分類方法做闡述;最后對基于深度學習的遙感圖像分類方法研究分析并做總結(jié)。 

【文章來源】：激光雜志. 2021,42(05)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

一般自編碼模型[9]

CNN能夠?qū)W習輸入輸出間的對應關系訓練網(wǎng)絡構建模型。典型的CNN包括輸入層、卷積層、池化層(采樣層)、全連接層和輸出層[15]，如圖3所示。卷積層用于提取特征;采樣層能在降低數(shù)據(jù)量的同時過濾信息處理特征，兩者交替放置[16]。CNN的局部感受野和權值共享兩大特征可以只在局部感知而在高層將局部進行匯總得到全局信息，并減少參數(shù)數(shù)量[17]。張康等提出基于變異系數(shù)的CNN，能夠有效減少高光譜圖像中的低效波段以提取有效信息并提升分類精度，由測試數(shù)據(jù)集結(jié)果證明該模型可行性[18]。李亞等為解決跨年齡人臉識別，研究了一種基于深度卷積神經(jīng)網(wǎng)絡的聯(lián)合學習算法，該算法能同時學習數(shù)據(jù)特征和最佳測度函數(shù)計算出最佳閾值來提升匹配準確度，且人臉識別正確率較高[19]。

監(jiān)督分類根據(jù)樣本進行訓練，訓練后的模型記錄了地物特征信息可實現(xiàn)圖像的分類。常用的支持向量機(SVM)和神經(jīng)網(wǎng)絡分類等都屬于監(jiān)督分類。SVM屬于淺層機器學習算法。在低維空間無法實現(xiàn)分類的數(shù)據(jù)，SVM可映射到高維空間，以尋找一個最優(yōu)分類面[23]。它優(yōu)秀的抗噪性能和學習能力在遙感圖像處理領域發(fā)揮了較好作用[24]。神經(jīng)網(wǎng)絡模仿了人腦神經(jīng)元，由多個神經(jīng)元構成輸入層、隱藏層和輸出層，如圖4所示。神經(jīng)元結(jié)構如圖5,Xn為輸入數(shù)據(jù)，Wn為權重，bk為偏置值，Sigmoid和Re Lu等是常用激活函數(shù)。神經(jīng)網(wǎng)絡通過訓練網(wǎng)絡調(diào)整參數(shù)，構建輸入輸出間的關系模型來劃分數(shù)據(jù)。圖5 神經(jīng)元結(jié)構圖

【參考文獻】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡的遙感圖像飛機目標檢測[J]. 李文斌,何冉.  計算機工程. 2020(07)
[2]結(jié)合雙視覺全卷積網(wǎng)絡的遙感影像地物提取[J]. 李道紀,郭海濤,張保明,趙傳,盧俊,余東行.  中國圖象圖形學報. 2020(03)
[3]基于降噪自編碼器的水聲信號增強研究[J]. 殷敬偉,羅五雄,李理,韓笑,郭龍祥,王建峰.  通信學報. 2019(10)
[4]基于神經(jīng)網(wǎng)絡的遙感圖像語義分割方法[J]. 王恩德,齊凱,李學鵬,彭良玉.  光學學報. 2019(12)
[5]基于棧式自編碼神經(jīng)網(wǎng)絡對高光譜遙感圖像分類研究[J]. 張國東,周浩,方淇,張露,楊峻.  紅外技術. 2019(05)
[6]深度置信網(wǎng)絡在導彈攻擊區(qū)分類中的應用[J]. 楊任農(nóng),張振興,房育寰,左家亮,張彬超.  國防科技大學學報. 2019(02)
[7]深度學習在遙感影像分類與識別中的研究進展綜述[J]. 王斌,范冬林.  測繪通報. 2019(02)
[8]基于蜂群k-means算法的遙感圖像聚類應用研究[J]. 李艷娟,牛夢婷,李林輝.  計算機工程與應用. 2019(06)
[9]自編碼神經(jīng)網(wǎng)絡理論及應用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計算機學報. 2019(01)
[10]遙感圖像分類方法綜述[J]. 張裕,楊海濤,袁春慧.  兵器裝備工程學報. 2018(08)



本文編號：3473231