论文部分内容阅读
近年来,随着遥感和计算机技术的日趋成熟,大批高分辨率、短重访周期的对地观测卫星应运而生,提供了海量优质的遥感数据,其中光学遥感卫星的发展尤为迅速。作为对地观测的主要手段之一,光学遥感图像的科学管理和高效利用至关重要。而对海量的光学遥感图像进行多标签分类能够自动解译图像信息,批量快速生成图像标注,对许多理论研究和实际应用领域都有着极其重要的意义。本文针对深度学习相关的光学遥感多标签分类任务展开研究,主要工作内容和研究成果如下:(1)针对光学遥感图像中复杂形变及标签差异过大的问题,本文开创性地将可变形卷积(Deformable Convolution,DC)单元引入多标签图像分类任务,提取了具有几何不变性和自适应感受野的图像特征,为多标签分类器提供了一种很好的特征表示;(2)将多标签分类问题视作图节点的分类问题,提出了一种显式建模标签相关性、同时预测各类标签的多标签遥感图像分类算法DCN-GNN(Multi-Label Classification with Deformable Convolution and Graph Neural Network),该算法利用语义引导的注意力机制对图像特征进行语义解耦,再以数据驱动的方式将解耦后的语义特征及标签间的相关性表示成图结构,然后通过图神经网络将这些语义信息在近邻标签之间传播更新,得到多种语义交错的图像特征,送入最后的多标签分类器。DCN-GNN算法具有较高的可解释性,有效减小了用于多标签分类的图像特征与人类对图像的语义理解之间的“语义鸿沟”;(3)将多标签分类问题视作序列预测问题,提出了一种隐式建模标签相关性、序贯预测各类标签的多标签遥感图像分类算法DCN-RL(Multi-Label Classification with Deformable Convolution and Reinforcement Learning),该算法利用强化学习的思想,学习如何根据图像特征和已经预测出的标签生成后续标签的策略。DCN-RL算法模拟人类的认知机理,按先易后难的顺序为图像生成标签,这样的顺序预测方式有利于捕获标签之间的高阶相关性,提高多标签分类性能。(4)在多个数据集上进行对比试验及可视化实验,实验结果表明了可变形卷积操作与光学遥感图像具有很高的契合度,且DCN-GNN和DCN-RL算法中的显式及隐式标签相关性建模机制也能很好地改善分类效果,两个算法的总体性能均优于现有的光学遥感多标签分类算法。