论文部分内容阅读
摘要：近年来，以对地观测技术为核心的空间地球信息科技已经成为衡量一个国家科技实力和经济水平的重要指标，遥感技术就是一种采集地球信息的重要手段。而深度学习则是一种有效的特征提取方法，随着科学家对于人工智能的深度研究，深度学习成为机器人与人工智能研究的热点，深度学习已经被广泛运用到遥感领域。本文总结了深度学习在遥感影像中的应用成果，并指出了当前研究存在的问题，为后期研究提供一定的参考意义。
关键词：深度学习;遥感影像;应用
一.深度学习概念及其典型方法
深度学习是指超过三层的神经网络模型，模仿人类大脑的层次结构，尝试使用体系结构的多个非线性变换组成模型中数据的高级抽象机器学习算法。主要方法有以下三种：
1.深度信念网络
深度信念网络由多层的RBM和一层分类器组成，训练过程有两步：第一步是对DBM进行网络预训练，自下而上对每层RBM进行无监督训练，第二步是网络微调，是一种自上而下的监督学习，主要是对无监督学习阶段取得的特征信息进行总结归纳，最后得到一个较好的识别水平。
2.卷积神经网络
卷积神经网络也分为两层。低隐含层由卷积层，池化层交替组成，卷积层通常为组合卷积，负责的内容是线性操作，进行特征提取;池化层负责减少特征图尺寸规模;高层由全连接层作为分类器使用，负责最终的推断和分类。
3.自动编码器
自动编码器的组成部分是编码器和解码器。其演化模型包括栈式自动编码器和稀疏自动编码器等。其中，编码器将输入数据映射到特征空间，解码器将数据映射回数据空间，完成对输入时数据的重建。
二.遥感数据源及其分类方法
1.遥感概述
遥感影像记录的是观测区在某一时间内地物的电磁波辐射，其亮度值反映了地物的辐射光谱能量的特征，其纹理特征反映了地物的光谱结构特征。
2.分类方法
非监督分类：非监督分类不必对影像地物获取先验知识，仅依靠影像上不同种类的地物光谱信息特征进行特征提取，再统计特征的差别，然后确认已分出的各个类别的属性。常用的非监督分类方法有：K均值、ISODATA方法等。
监督分类：监督分类是先选择具有代表性的典型训练区，用从训练区中获取的地物样本的光谱特征来选择特征参数、确定判别函数，从而把影像中的各个像元划归到各个给定类的分类方法。常用的监督分类方法有：K近邻法、马氏距离分类、最大似然法等。
三.深度学习在遥感影像中应用现状
深度学习能从原始数据自动进行特征学习，通过多层非线性网络逼近复杂分类问题。然而，深度学习应用于遥感图像处理尚处于起步阶段，用于高分辨率遥感与高光谱遥感影像居多。
1.深度信念网络在遥感图像处理中的应用现状
目前深度信念网络应用遥感数据主要是经典数据集，需要进一步拓展不同遥感数据的应用。从网络参数看，最优隐藏层数集中于2-3层，且3层较多。受输入与输出大小影响，各隐藏层的节点数差异较大，幅度在50-500之间，部份研究尚未探讨节点数对分类精度影响;绝大多数学习率是0.01和0.1。从分类结果看，多数分类精度达到90%以上，大大超出常规目视解译、专家检验和多次纠正分类结果。
2.卷积神经网络在遥感图像处理中的应用现状
1989年LECUN等提出了一种用于字符识别的卷积神经网络，该网络使用7层神经层，识别结果达到了当时的顶尖水平。曲景影等在传统 LENET-5网络结构的基础上，引入ReLU激活函数，并应用于高分辨率遥感图像的5类对象识别，识别效果精度很高。陈文康把CNN应用于四川省丹棱县内无人机遥感影像农村建筑物识别研究发现，池化层置于归一层前面有利提高建筑物提取精度。Scott等利用迁移学习和3种CNN网络对高分遥感数据集进行研究，取得较好研究结果。
3.自动编码器在遥感图像处理中的应用现状
林洲汉较早应用自动编码机进行高光谱数据特征提取，好于传统特征提取方法。研究表明，融合光谱特征与空间信息占优的特征所形成的空谱联合分类对分类精度改进是有效的。Liu构建了wacDAE对光学遥感图像进行山崩自然灾害分类研究，实验结果表明，wacDAE有利于山崩识别.阚希等利用层叠去噪自动编码器和风云三号卫星对青藏高原积雪进行识别，研究指出根据青藏高原特征，需要进一步训练季节性的积雪判识的深度网络，以提高整体分类精度。
四.深度学习用于遥感图像处理中存在问题与发展趋势
1.算法理论的深入研究
深度学习网络结构趋势向更深、更宽方向发展，但网络结构选取目前尚没有完善的理论依据。例如不同隐藏层对遥感图像特征提取的物理意义是什么？如何理解深度学习中各参数变化对分类结果影响？这些都是迫切需要回答的问题。
2.典型方法的应用与修正
深度学习中典型方法在遥感领域应用有初步成果，需要利用现有成果进行遥感图像处理规范建设，也要巩固现有成果进行技术标准化研究。但同时也有一些问题需要解决，例如已有的优化模型可否直接应用于不同遥感数据源处理？各种网络如何合作并发挥各网络功能进行智能化处理等等。
3.新模型的拓展与应用
典型方法应用仅局限于经典几个数据集研究当中，实际应用成果较少，如何将区域神经网络应用于遥感图像分类、定位以及相關物体检测？如何利用递归神经网络以及长短时记忆模型的记忆功能？如何应用综合网络于不同遥感图像融合并提高识别精度？这些问题都值得进一步研究。
4.遥感大数据监测平台的建设
由于遥感有数据源丰富、更新周期短、应用范围广的特征，所以，迫切需要建立行业统一遥感大数据监测平台，将海量多源异构遥感大数据集成到该平台中。不仅要加强用于训练与测试的遥感数据集建设，侧重研究遥感数据扩充技术，还要探索小样本甚至零样本学习问题。
五.结语
随着生活水平的不断提高，遥感影像即遥感技术在人们的日常生活中扮演着越来越重要的角色，由于遥感技术和计算机技术的不断发展，影像的智能化解译将会成为一个重要的发展趋势，但遥感技术在其提升过程中也出现了一些问题。本文主要结合基于深度学习的各种方法，对遥感影像的分类进行了研究与分析，希望能够对此类学科的发展提供理论帮助。
参考文献：
[1]钟传琦.基于深度学习的高分辨率遥感影像道路自动提取研究[D].电子科技大学，2018.
[2]刘大伟，韩玲，韩晓勇.基于深度学习的高分辨率遥感影像分类研究[J].光学学报，2016，36（04）：306-314.
[3]罗仙仙，曾蔚，陈小瑜，张东水，庄世芳.深度学习方法用于遥感图像处理的研究进展[J].泉州师范学院学报，2017，35（06）：35-41.
[4]罗可雨.关于深度学习用于遥感影像分类的探讨[J].中国战略新兴产业，2018（40）：170+172.
关键词：深度学习;遥感影像;应用
一.深度学习概念及其典型方法
深度学习是指超过三层的神经网络模型，模仿人类大脑的层次结构，尝试使用体系结构的多个非线性变换组成模型中数据的高级抽象机器学习算法。主要方法有以下三种：
1.深度信念网络
深度信念网络由多层的RBM和一层分类器组成，训练过程有两步：第一步是对DBM进行网络预训练，自下而上对每层RBM进行无监督训练，第二步是网络微调，是一种自上而下的监督学习，主要是对无监督学习阶段取得的特征信息进行总结归纳，最后得到一个较好的识别水平。
2.卷积神经网络
卷积神经网络也分为两层。低隐含层由卷积层，池化层交替组成，卷积层通常为组合卷积，负责的内容是线性操作，进行特征提取;池化层负责减少特征图尺寸规模;高层由全连接层作为分类器使用，负责最终的推断和分类。
3.自动编码器
自动编码器的组成部分是编码器和解码器。其演化模型包括栈式自动编码器和稀疏自动编码器等。其中，编码器将输入数据映射到特征空间，解码器将数据映射回数据空间，完成对输入时数据的重建。
二.遥感数据源及其分类方法
1.遥感概述
遥感影像记录的是观测区在某一时间内地物的电磁波辐射，其亮度值反映了地物的辐射光谱能量的特征，其纹理特征反映了地物的光谱结构特征。
2.分类方法
非监督分类：非监督分类不必对影像地物获取先验知识，仅依靠影像上不同种类的地物光谱信息特征进行特征提取，再统计特征的差别，然后确认已分出的各个类别的属性。常用的非监督分类方法有：K均值、ISODATA方法等。
监督分类：监督分类是先选择具有代表性的典型训练区，用从训练区中获取的地物样本的光谱特征来选择特征参数、确定判别函数，从而把影像中的各个像元划归到各个给定类的分类方法。常用的监督分类方法有：K近邻法、马氏距离分类、最大似然法等。
三.深度学习在遥感影像中应用现状
深度学习能从原始数据自动进行特征学习，通过多层非线性网络逼近复杂分类问题。然而，深度学习应用于遥感图像处理尚处于起步阶段，用于高分辨率遥感与高光谱遥感影像居多。
1.深度信念网络在遥感图像处理中的应用现状
目前深度信念网络应用遥感数据主要是经典数据集，需要进一步拓展不同遥感数据的应用。从网络参数看，最优隐藏层数集中于2-3层，且3层较多。受输入与输出大小影响，各隐藏层的节点数差异较大，幅度在50-500之间，部份研究尚未探讨节点数对分类精度影响;绝大多数学习率是0.01和0.1。从分类结果看，多数分类精度达到90%以上，大大超出常规目视解译、专家检验和多次纠正分类结果。
2.卷积神经网络在遥感图像处理中的应用现状
1989年LECUN等提出了一种用于字符识别的卷积神经网络，该网络使用7层神经层，识别结果达到了当时的顶尖水平。曲景影等在传统 LENET-5网络结构的基础上，引入ReLU激活函数，并应用于高分辨率遥感图像的5类对象识别，识别效果精度很高。陈文康把CNN应用于四川省丹棱县内无人机遥感影像农村建筑物识别研究发现，池化层置于归一层前面有利提高建筑物提取精度。Scott等利用迁移学习和3种CNN网络对高分遥感数据集进行研究，取得较好研究结果。
3.自动编码器在遥感图像处理中的应用现状
林洲汉较早应用自动编码机进行高光谱数据特征提取，好于传统特征提取方法。研究表明，融合光谱特征与空间信息占优的特征所形成的空谱联合分类对分类精度改进是有效的。Liu构建了wacDAE对光学遥感图像进行山崩自然灾害分类研究，实验结果表明，wacDAE有利于山崩识别.阚希等利用层叠去噪自动编码器和风云三号卫星对青藏高原积雪进行识别，研究指出根据青藏高原特征，需要进一步训练季节性的积雪判识的深度网络，以提高整体分类精度。
四.深度学习用于遥感图像处理中存在问题与发展趋势
1.算法理论的深入研究
深度学习网络结构趋势向更深、更宽方向发展，但网络结构选取目前尚没有完善的理论依据。例如不同隐藏层对遥感图像特征提取的物理意义是什么？如何理解深度学习中各参数变化对分类结果影响？这些都是迫切需要回答的问题。
2.典型方法的应用与修正
深度学习中典型方法在遥感领域应用有初步成果，需要利用现有成果进行遥感图像处理规范建设，也要巩固现有成果进行技术标准化研究。但同时也有一些问题需要解决，例如已有的优化模型可否直接应用于不同遥感数据源处理？各种网络如何合作并发挥各网络功能进行智能化处理等等。
3.新模型的拓展与应用
典型方法应用仅局限于经典几个数据集研究当中，实际应用成果较少，如何将区域神经网络应用于遥感图像分类、定位以及相關物体检测？如何利用递归神经网络以及长短时记忆模型的记忆功能？如何应用综合网络于不同遥感图像融合并提高识别精度？这些问题都值得进一步研究。
4.遥感大数据监测平台的建设
由于遥感有数据源丰富、更新周期短、应用范围广的特征，所以，迫切需要建立行业统一遥感大数据监测平台，将海量多源异构遥感大数据集成到该平台中。不仅要加强用于训练与测试的遥感数据集建设，侧重研究遥感数据扩充技术，还要探索小样本甚至零样本学习问题。
五.结语
随着生活水平的不断提高，遥感影像即遥感技术在人们的日常生活中扮演着越来越重要的角色，由于遥感技术和计算机技术的不断发展，影像的智能化解译将会成为一个重要的发展趋势，但遥感技术在其提升过程中也出现了一些问题。本文主要结合基于深度学习的各种方法，对遥感影像的分类进行了研究与分析，希望能够对此类学科的发展提供理论帮助。
参考文献：
[1]钟传琦.基于深度学习的高分辨率遥感影像道路自动提取研究[D].电子科技大学，2018.
[2]刘大伟，韩玲，韩晓勇.基于深度学习的高分辨率遥感影像分类研究[J].光学学报，2016，36（04）：306-314.
[3]罗仙仙，曾蔚，陈小瑜，张东水，庄世芳.深度学习方法用于遥感图像处理的研究进展[J].泉州师范学院学报，2017，35（06）：35-41.
[4]罗可雨.关于深度学习用于遥感影像分类的探讨[J].中国战略新兴产业，2018（40）：170+172.