蒲生亮

1.自然資源部環(huán)鄱陽湖區(qū)域礦山環(huán)境監(jiān)測與治理重點實驗室，江西 南昌 330013； 2. 東華理工大學測繪工程學院，江西 南昌 330013

光學遙感成像傳感器光譜分辨率的提高，使得通過地物光譜屬性精細地識別和解譯地物類別成為可能，不僅促進了對地遙感觀測技術(shù)的發(fā)展，也使得高光譜遙感成為遙感領(lǐng)域最前沿的研究方向之一。隨著機器學習、模式識別和人工智能等技術(shù)領(lǐng)域的快速發(fā)展，高光譜遙感圖像分類研究受到廣泛關(guān)注，內(nèi)容包括：如何利用高光譜遙感數(shù)據(jù)中包含精細光譜特征的優(yōu)勢，針對特定應(yīng)用需求提出有效的分類方法，提高分類器的分類性能、泛化能力及智能化水平。人工智能能實現(xiàn)地表覆蓋智能解譯，借助深度學習方法自動處理高光譜遙感圖像是目前比較前沿的研究方向。深度學習模型可以在高光譜遙感圖像地物分類任務(wù)中取得顯著的效果，比如卷積神經(jīng)網(wǎng)絡(luò)可以很好地獲取高光譜遙感圖像中的空間結(jié)構(gòu)信息，捕捉像素與像素之間的空間特征及上下文關(guān)系。因此，深度學習模型在地物提取中具有很大的優(yōu)勢?；诖耍撐膹?個體現(xiàn)深度學習最先進技術(shù)水平的研究領(lǐng)域作為切入點，充分利用深度神經(jīng)網(wǎng)絡(luò)在信息提取和特征表達方面的能力，對基于深度學習模型的高光譜遙感圖像分類方法進行了研究，主要研究內(nèi)容如下。

(1) 有限樣本訓(xùn)練的膠囊神經(jīng)網(wǎng)絡(luò)實現(xiàn)高光譜圖像分類。論文重點關(guān)注膠囊神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類性能和特征提取能力，提出了一種能適應(yīng)少量樣本數(shù)據(jù)訓(xùn)練的膠囊神經(jīng)網(wǎng)絡(luò)算法，設(shè)計了相應(yīng)的深度卷積網(wǎng)絡(luò)框架，并與典型的卷積神經(jīng)網(wǎng)絡(luò)進行了比較。試驗結(jié)果表明，膠囊神經(jīng)網(wǎng)絡(luò)經(jīng)少量樣本訓(xùn)練，依然能獲得相對較高的分類精度，對于后驗的最大預(yù)測概率也具有更高的置信度。

(2) 塊式結(jié)構(gòu)化的殘差學習網(wǎng)絡(luò)實現(xiàn)高光譜圖像分類。論文通過使用復(fù)合的跳躍式連接，提出了兩種結(jié)構(gòu)化的殘差學習網(wǎng)絡(luò)模型，研究不同殘差學習網(wǎng)絡(luò)模型的高光譜圖像分類性能和深度抽象表征能力。試驗結(jié)果表明，顧及深度卷積網(wǎng)絡(luò)的特征提取能力，經(jīng)有限的樣本進行訓(xùn)練學習，對于同樣的深度網(wǎng)絡(luò)參數(shù)量，密集連接網(wǎng)絡(luò)比深度殘差網(wǎng)絡(luò)訓(xùn)練時間更少，但是分類精度并沒有顯著提高。

(3) 權(quán)重共享的快速神經(jīng)架構(gòu)搜索實現(xiàn)高光譜圖像分類。基于自動的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)模型構(gòu)建與搜索技術(shù)，論文提出了一種針對高光譜圖像數(shù)據(jù)分類性能提升和精度改善的快速神經(jīng)架構(gòu)搜索網(wǎng)絡(luò)，以實現(xiàn)高光譜圖像分類中特征學習的自動化水平。試驗結(jié)果表明，與人工設(shè)計的最佳深度卷積神經(jīng)網(wǎng)絡(luò)相比，論文提出的神經(jīng)架構(gòu)搜索網(wǎng)絡(luò)能充分地利用訓(xùn)練樣本信息，即使只有少量的訓(xùn)練樣本，也能夠獲得較高的分類精度，并且在神經(jīng)網(wǎng)絡(luò)模型設(shè)計、構(gòu)建、搜索和生成方面更加科學和有效。

(4) 輕量級高光譜遙感圖像分類深度學習抽象框架研究。論文開發(fā)了一種面向高光譜遙感圖像分類任務(wù)的輕量級深度學習抽象程序框架，能夠使構(gòu)建、訓(xùn)練和評估深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)更高智能化水平的算法集成、創(chuàng)新發(fā)現(xiàn)和技術(shù)迭代。通過多種深度卷積網(wǎng)絡(luò)模型的實現(xiàn)與集成，能夠兼顧深度學習技術(shù)的先進特性和高光譜圖像數(shù)據(jù)的獨特性質(zhì)。

高光譜遙感圖像具有更精細的地表覆蓋信息提取潛力，因此高光譜遙感圖像分類算法的智能化和高效化是需要著重解決的科學問題。論文針對深度學習技術(shù)在高光譜圖像數(shù)據(jù)分類任務(wù)中的應(yīng)用，提出了3種少量樣本訓(xùn)練的深度學習分類模型，能夠在高光譜圖像數(shù)據(jù)分類任務(wù)中顯著地提高地物分類的精度，實現(xiàn)地表覆蓋的精細化提取和精確制圖，進一步促進了高光譜遙感地表覆蓋智能化解譯技術(shù)的發(fā)展。