论文部分内容阅读
随着传感科技的更新换代及航天航空科技的迅猛发展,卫星遥感图像分辨率不断提高,同时遥感图像数据也变得日趋复杂。遥感图像数据的多元性、时间周期性、多空间分辨率以及地物复杂性等特点使得图像处理难以从海量数据中提取到有效信息,并且导致数据冗余度高和添加遥感场景标签难等问题。因此如何更高效、更准确得对其场景进行分类影响着遥感技术研究多方面的发展。遥感图像场景分类就是一个学习将图像映射到语义内容标签的过程。传统图像特征提取方法,例如支持向量机、K均值和高斯混合分类器等统计方法以及基于主成分分析的算法都只能提取到浅层的图像数据特征。而人工神经网络能对特征进行抽象,从而得到图像深层特征。近年来,卷积神经网络在图像识别及分类等任务中取得了极大的进展。与传统分类方法相比,神经网络不必预先对概率模型进行假设,并且具有极强的学习能力和容错能力,它适用于空间模式图像识别的各类问题。为高效利用卷积神经网络在图像处理上的优越性,本文提出了多尺度最大输出卷积神经网络的遥感图像分类方法及基于循环学习率及迁移学习的遥感图像分类方法。本文首先简单介绍了感知器、单层神经网络及多层神经网络的结构及其训练过程,然后简要描述了卷积神经网络特点和以正反向传播方法更新权值的过程。随后针对传统卷积神经网络的稀疏网络结构无法保留全连接网络密集计算高效性的缺点,以及激活函数的确定传统情况下都是凭借经验或不同实验函数训练结果来选择,降低了准确率且增加了额外的计算量的问题,提出了多尺度最大输出卷积神经网络的遥感图像分类方法。该方法先在第三个卷积层前插入Inception模块,让不同尺度卷积核来扩展网络宽度,提高网络特征提取能力。随后在全连接层前接入Maxout网络,让该网络在dropout操作下对任意激活函数进行拟合的基础上,提高图像分类精度。最后训练所得特征送入softmax分类器进行分类。第二种方法希望在上文所提方法的基础上缩短实验时间,让网络在较短时间里提取到更契合遥感图像的特征且更大程度上提高分类精度,使经过预训练已经得到相关图像特征的网络对遥感场景图像进行分类,遂提出一种基于迁移学习的卷积神经网络算法:基于循环学习率及迁移学习的遥感图像分类方法。该方法能加快训练过程,且在一定程度上缓解遥感图像数据集小的难题,还可以有效防止出现由于自适应选择学习率造成的局部极小值震荡,最重要的是该方法极大程度地提高了对遥感图像场景分类的精度。最后在UCMLandUse21类遥感场景图像上的实验验证了以上两种方法的可行性以及每个改进点的有效性。