近年来,伴随着我国城镇化进程的不断推进,拆迁、棚户改造、市政工程等项目日益增多,城市面临的建筑垃圾管理不当的问题愈显突出。不规范的建筑垃圾堆放不仅会带来安全隐患,同时也会造成严重的环境污染。针对建筑垃圾堆存的监管排查工作是建筑垃圾治理的重点任务之一,目前主要采用实地检查和现场测量相结合的形式。但这种方法存在时效性差,人力?物力?财力消耗大等问题。遥感对地观测技术具有远距离探测?大面积覆盖?重访周期短等优势,目前已在建筑垃圾堆存监测领域展开应用。并且,随着以神经网络为代表的深度学习技术的发展,其在遥感图像处理、识别等方面取得了较好的应用成效。因此,本文研究将深度学习的方法应用于建筑垃圾堆存的遥感识别中,围绕2个方面开展研究:一是针对建筑垃圾遥感数据集样本不足问题,使用改进的生成对抗网络实现了建筑垃圾遥感图像样本的扩充;二是利用迁移学习手段实现了建筑垃圾遥感图像语义分割,为建筑垃圾堆存的遥感识别研究提供技术支持。现就主要开展的研究工作简述如下:(1)首先对三种经典的遥感识别方法研究现状进行了梳理。基于像元的遥感地物识别,仅利用了图像的光谱信息,不能充分利用影像的上下文信息,提取精度较差;面向对象的遥感地物识别,其分割得到的图像往往不能比较精准的表示整个物体,从而影响识别精度;基于深度学习语义分割的遥感提取方法是热门研究方向,可以解决以上两种方法的问题,但需要大量数据样本提供支持。(2)通过对三种遥感识别方式的研究,本文选取了基于语义分割的遥感识别方式,并开展了制作建筑垃圾堆存样本集的工作。选取高分二号2018年9月5日北京南部区域5景图像,经预处理与剪裁后,共选取956张,尺寸为512×512像素的图片作为样本集原图。经实地调研与影像特征解译,制定了语义分割实验的6种类别,通过人工标注,得到了原图对应标签,为今后实验研究积累了样本数据。(3)基于改进的生成对抗网络进行样本生成实验。生成对抗网络由生成模型和判别模型组成。本文根据可提取特征的LBP算子改进了生成模型损失函数,并且在模型训练的时候引入参数迁移学习的思想,提高了模型对重点特征的学习能力。实验使用956张样本集原图进行训练,结果显示生成图像对比原图的最高均方误差(MSE)、峰值信噪比(PSNR)分别达到12.9873与5838.7155,相较于原始网络小幅提升,且生成样本颜色与纹理符合客观现实,可以实现数据集的有效扩充。(4)基于迁移学习的建筑垃圾语义分割研究。研究中迁移学习采用的预训练模型为DeepLabV3模型,该模型包含空洞卷积、ASPP池化,以及骨干网络ResNet。研究共包含三个实验:实验一选择以ResNet-50为骨干网络的DeepLab模型作为预训练模型进行建筑垃圾语义分割;实验二使用实验一训练后模型进行不同层参数迁移实验;实验三使用实验一训练后模型以及本文生成样本进行样本迁移实验。实验一结果表明,平均交并比mIoU为75.32%,存在裸地被误判的情况,总体符合建筑垃圾遥感识别要求。实验二结果表明参数迁移方法可提升平均交并比mIoU(最高为78.12%),若样本量不足时,可适当进行参数迁移学习达到一定精度;实验三结果表明使用生成样本方法获得样本参与分割网络的训练,可以在一定程度上提升建筑垃圾分割算法的语义分割精度;对于建筑垃圾分割研究,生成样本与真实样本比例为1:3为佳。