论文部分内容阅读
随着遥感技术和高光谱测量手段的不断发展,高光谱遥感影像分类方法成为研究的热点问题之一。传统的特征提取和分类器的框架,采用人工提取特征往往不够全面,无法充分利用高光谱影像自身空间和光谱信息。结合当下广泛流行的深度学习技术方法,本文从高光谱影像数据特点出发,使用3D-CNN充分提取空间光谱联合特征,自适应提取特征而无需人工设计特征,实现端到端的模型。在精度和速度等多方面相较于现有的处理高光谱影像的模型有较大的提升,主要研究内容和成果包括下面四个方面:1)实现了基于3D-CNN的空谱信息联合高光谱影像分类方法。基于3D-CNN结构,利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息充分融合,从而提取出在分类中重要的有判别力的特征。该网络结构既考虑高光谱遥感影像标签数据缺乏的问题,也考虑高光谱影像高维特性和模型深度之间的平衡问题,充分利用空谱联合提供的语义信息。2)实现了基于3D-CNN和密集连接结构的3D-DenseNet的高光谱影像分类方法。3D-DenseNet通过密集连接结构,加强特征传输,鼓励特征复用,促进网络信息流动。结合3D-CNN和密集连接的优良特性,实现空谱特征的深度提取。3)实现了引入注意力机制的3D-SE-DenseNet的高光谱影像分类方法。针对高光谱数据存在的稀疏特性,在空间上样本分布不均,在光谱维度上存在大量高维冗余信息,因此引入Squeeze-and-Excitation模块(SE模块),对不同通道间的卷积特征图进行关联,加速深度模型对地物类型的理解,有效的控制了参数总量,提升了分类精度,特别是面对小样本数据时非常有效。4)实现了基于特征聚合方式的深度特征聚合网络的高光谱影像分类方法。从聚合视图角度出发,结合残差结构和密集连接结构以及特征融合机制,使网络能够更深的传递,从而提取深度特征,在面对不同高光谱数据的特征时,可以设计不同的聚合方式,为高光谱影像分类提供了很好的思路。