论文部分内容阅读
在遥感大数据背景下,融合多源遥感数据进行地物分类已成为遥感信息智能化处理的热点问题,而深度学习作为大数据处理中最热门的突破性技术之一,已被证明是众多领域取得突破性进展的强大工具。尽管目前已有部分利用深度学习技术融合多源遥感数据进行地物分类的研究,但仍处于起步阶段,因此,开展基于深度学习的多源遥感数据融合分类方法研究具有重要的现实意义。本文的主要研究内容和结论如下:(1)综述了遥感数据地物分类方法并总结了深度学习和多源遥感数据融合的相关理论,构建基于双通道卷积神经网络的多源遥感数据特征提取与融合分类框架。在特征提取阶段,构建两通道网络分别提取高光谱影像和LiDAR DSM数据的特征信息;在特征融合与分类阶段,两分支网络单独训练后移除各自分类层并在末端进行连接,最后采用新设计的特征融合与分类网络完成异构特征的深度融合和分类。(2)针对标准的卷积神经网络架构对遥感数据特征提取存在性能瓶颈问题,研究基于双通道密集连接卷积网络(Densely Connected Convolutional Network,DenseNet)的多源遥感数据融合分类方法。首先构建3-D和2-D的DenseNet模型提取高光谱影像和LiDAR DSM数据的光谱-空间-高程特征;然后采用由两层全连接层组成的特征融合与分类网络实现特征融合与地物分类。实验结果表明,双通道DenseNet模型能够在不同层次上实现特征重用和融合,在Houston和Trento数据集上较已有方法取得了更高的分类精度。(3)针对基于卷积神经网络架构的地物分类方法存在计算冗余和低细粒度分割的问题,提出了一种基于双通道全卷积DenseNet(Fully Convolutional DenseNet,FC-DenseNet)的多源遥感数据融合分类模型。该模型采用编码器-解码器结构,编码器使用3-D和2-D FC-DenseNet对高光谱影像和LiDAR DSM数据进行下采样;解码器通过跳跃连接对来自编码器的多层次特征图进行融合并通过转置卷积进行上采样,实现全分辨率的语义分割。实验结果表明,双通道FC-DenseNet方法在两个数据集上的总体分类精度较前面提出的双通道DenseNet方法有所提高,实现了更佳的分类效果。