基于迁移学习的遥感图像场景分类

在遥感图像场景分类中,基于卷积神经网络 (convolutional neural network,CNN) 的分 类算法存在对训练数据的依赖性,且在缺乏训练数据时分 类效果差等问题,提出一种基于迁移学习的分类算法。首先,选取现有的多个CNN预训练模型,利用迁 移学习的优势对模型进行微调,目的是提取图像不同的高层特征;然后,融合图像的多种高 层特征,使得特征信 息更加丰富;最后,将融合后的高层特征输入到基于逻辑回归的遥感图像分类器中,得到遥 感影像的分类结果。 在UCMerced_LandUse遥感数据集中进行实验,与现有算法进行比较分析,所提算法在3种评 价指标上有明显提 升。通过分析实验结果表明,该算法在仅有10%的训练数据下,能够 达到92.01%的分类准确率和91.61%的Kappa系数。     

遥感图像分类的神经网络并行学习算法

本文提出了一种基于Ｋａｌｍａｎ滤波方法的神经网络并行学习算法，模拟实验表明，这种学习算法加快了网络遥感图像分类的收敛速度和精度。     

基于迁移学习和通道注意力的遥感图像场景分类

针对遥感图像场景分类任务中训练样本数量少及遥感图像背景复杂等问题,本文将迁移学习和通道注意力引入到卷积神经网络(convolutional neural network,CNN) 中,提出基于迁移学习和通道注意力的遥感图像场景分类方法。该方法首先选用经过ImageNet自然数据集预训练的两个CNN作为主干,同时引入通道注意力机制,自适应地增强主要特征,抑制次要特征;然后融合这两个网络提取的特征进行分类;最后采用微调迁移学习的方式实现目标域上的学习与分类。提出的方法在几个经典的公共数据集上进行了评估,实验结果证明了本文提出的方法在遥感图像场景分类中达到与其他先进方法相当的性能。     

结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复

利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.     

基于半监督的SVM迁移学习文本分类算法

随着互联网的快速发展,文本信息量巨大,大规模的文本处理已经成为一个挑战。文本处理的一个重要技术便是分类,基于SVM的传统文本分类算法已经无法满足快速的文本增长分类。于是如何利用过时的历史文本数据(源任务数据)进行迁移来帮助新产生文本数据进行分类显得异常重要。文章提出了基于半监督的SVM迁移学习算法(Semi-supervised TL_SVM)来对文本进行分类。首先,在半监督SVM的模型中引入迁移学习,构建分类模型。其次,采用交互迭代的方法对目标方程求解,最终得到面向目标领域的分类器。实验验证了基于半监督的SVM迁移学习分类器具有比传统分类器更高的精确度。     

遥感影像信息提取方法研究

介绍了遥感影像信息提取的七种方法,给出遥感影像信息提取的研究方法。     

基于深度学习的高分辨率遥感图像识别与分类研究

高分辨率遥感图像,作为卫星及其它航空器拍摄的一种特殊图像类型,不论在军用还是民用领域都具有着极其重要的价值和地位。当前,卫星遥感技术发展迅速,传统的图像识别与分类技术已经不能满足人们对高分辨率遥感图像信息获取的需求。文章在传统图像预处理技术的基础上,结合了深度学习的方法,实现了高分辨率遥感图像的识别与分类。     

基于遥感影像和神经网络的城市用地功能分类

城市用地功能分类的准确识别对精准把握城市现状、优化城市空间结构有重要意义。基于此,利用高分辨力遥感影像,提出一种针对中国城市用地功能分类的模型。设计一种多分辨力特征融合的卷积神经网络识别遥感影像中的特定功能区;针对中国城市功能区分布的特点,建立一个用于城市用地功能分类的新数据集。实验显示,本文算法在6种用地功能类型上的分类精确度达88%,表明算法对城市用地功能分类识别具有较高的准确性。最后,通过对北京部分主要城区的案例研究,验证了所提出的模型在城市规划相关领域提供数据支持的价值和有效性。     

基于深度卷积神经网络和多核学习的遥感图像分类方法

为解决传统遥感图像分类方法特征提取过程复杂、特征表现力不强等问题,该文提出一种基于深度卷积神经网络和多核学习的高分辨率遥感图像分类方法。首先基于深度卷积神经网络对遥感图像数据集进行训练,学习得到两个全连接层的输出将作为遥感图像的两种高层特征;然后采用多核学习理论训练适合这两种高层特征的核函数,并将它们映射到高维空间,实现两种高层特征在高维空间的自适应融合;最后在多核融合特征的基础上,设计一种基于多核学习-支持向量机的遥感图像分类器,对遥感图像进行精确分类。实验结果表明,与目前已有的基于深度学习的遥感图像分类方法相比,该算法在分类准确率、误分类率和Kappa系数等性能指标上均有所提升,在实验测试集上3个指标分别达到了96.43%, 3.57%和96.25%,取得了令人满意的结果。

     

一种新的高光谱图像分类方法

基于像元波谱曲线特征提取进而利用所提取的特征进行分类是高光谱图像分类的重要研究内容。提出了一种基于傅里叶变换幅度谱的高光谱遥感图像分类新方法,也就是利用像元渡谱曲线傅里叶变换幅度谱最值单一特征实现对地物的分类识别。     

Spectrum Sensing Based on Deep Learning Classification for Cognitive Radios

Spectrum sensing is a key technology for cognitive radios.We present spectrum sensing as a classification problem and propose a sensing method based on deep learning classification.We normalize the received signal power to overcome the effects of noise power uncertainty.We train the model with as many types of signals as possible as well as noise data to enable the trained network model to adapt to untrained new signals.We also use transfer learning strategies to improve the performance for real-world signals.Extensive experiments are conducted to evaluate the performance of this method.The simulation results show that the proposed method performs better than two traditional spectrum sensing methods,i.e.,maximum-minimum eigenvalue ratio-based method and frequency domain entropy-based method.In addition,the experimental results of the new untrained signal types show that our method can adapt to the detection of these new signals.Furthermore,the real-world signal detection experiment results show that the detection performance can be further improved by transfer learning.Finally,experiments under colored noise show that our proposed method has superior detection performance under colored noise,while the traditional methods have a significant performance degradation,which further validate the superiority of our method.     

面向高光谱遥感影像分类的监督多流形鉴别嵌入方法

流形学习方法可以发现嵌入于高维观测数据中的低维流形结构,但是传统的流形学习算法都是假设所有数据位于单一流形上,忽略了高维数据中不同的子集可能存在不同的流形.针对上述问题,本文提出一种监督多流形鉴别嵌入的维数约简方法,并应用于高光谱遥感影像分类.该方法首先利用样本数据的类别标签进行多子流形划分,在此基础上采用图嵌入理论构造流形内图和流形间图,然后通过最小化流形内距离同时最大化流形间距离以增强类内数据聚集性和类间数据分散性,提取低维鉴别特征,改善地物分类性能.在University of Pavia （PaviaU）和Kennedy Space Center （KSC）高光谱数据集上的实验表明,相较于其他单流形算法和多流形算法,该方法取得了更高的分类精度,在随机选取2%训练样本时,其总体分类精度分别达到88.04%和84.53%,有效提升了地物分类性能.     

基于残差网络的光学遥感图像场景分类算法

提出一种基于卷积神经网络中残差网络的遥感图像场景分类方法.本文方法在原网络模型中嵌入了跳跃连接和协方差池化两个模块,用于连接多分辨率特征映射和融合不同层次的多分辨率特征信息,并在3个公开的经典遥感数据集上进行了实验.结果证明,本文方法不仅可以将残差网络中不同层次的多分辨率特征信息融合在一起,还可以利用高阶信息来实现更具...     

遥感数据的贝叶斯网络分类研究

由于遥感成像过程的复杂性,遥感数据中包含了一定程度的不确定性因素。利用最大似然分类器处理遥感数据时分类精度受一定的影响, 为了提高分类精度往往需要引入先验知识。贝叶斯网络是一个带有概率注释的有向无环图,可以动态地对先验概率密度修正,提高分类精度,也没有严格的数据正态分布前提要求,适合处理不完整复杂的数据。该文介绍了利用贝叶斯网络对遥感数据进行分类处理的算法和技术过程。分类结果表明：贝叶斯网络具有稳定的数学基础,是一种可供遥感信息处理领域利用的有效新方法。     

基于卷积神经网络的高分遥感影像单木树种分类

树种调查一直面临着成本高、效率低、精度不高等问题.利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类.基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类.在利用高分影像半自动化构建单木树种...     

基于注意力机制与迁移学习的乳腺钼靶肿块分类

针对乳腺钼靶图像中良恶性肿块难以诊断的问题,提出一种基于注意力机制与迁移学习的乳腺钼靶肿块分类方法,并用于医学影像中乳腺钼靶肿块的良恶性分类.首先,构建一种新的网络模型,该模型将注意力机制CBAM(Convolutional Block Attention Module)与残差网络ResNet50相结合,用于提高网络对...     

基于输入扩展改进的BP网络及其在遥感图像分类中的应用

提出了一种基于输入模式扩展的神经网络改进方法,并和Levenberg-Marquardt优化的BP网络(LMBPN)进行了对比。通过二阶内积或切比雪夫多项式等非线性函数,把输入向量映射到更高维的模式空间,可以增强样本的可分性。Iris数据和遥感图像分类实验表明,输入模式扩展的神经网络改进方法可以进一步加快收敛速度,改进模式分类效果。