基于深度迁移学习的遥感图像场景分类方法研究

【摘要】：随着遥感技术的发展,遥感观测系统逐渐成熟,通过传感器获得的遥感图像的空间分辨率也越来越高。遥感图像已经广泛应用于各个研究领域,而场景分类任务是其中的一个热点问题。目前,场景分类任务中存在一些约束限制了分类的性能:遥感图像的样本数量很少;传统的特征提取方法不能提取遥感图像的深层特征;遥感图像间存在类内差异性。但是上述的场景分类任务受限于一个前提,即场景分类任务是单域情况下在同一个遥感数据集中以一种完全监督的方式进行的,即训练和测试样本来自相同数据集。当对一个新的没有标签信息的数据集进行场景分类时,即训练和测试样本来自不同数据集,此时需要进行跨域场景分类。针对上述问题,本文探究了将深度迁移学习应用于遥感图像场景分类。对于单域情况,本文提出了基于模型迁移的分类模型,并结合类别扩充和类内约束来提升分类性能。对于跨域分类情况,本文使用域自适应方法来减少域间差异,提升分类性能。本文的主要研究内容包含以下三个方面:首先,对于单域情况,训练、测试样本来自同一数据集,针对遥感图像数据集较小的情况,本文使用模型迁移来减少网络对数据量的需求。此外,论文中设计了基于类别扩充的方法来更加合理地使用训练样本;对于遥感图像间的类内差异性问题,本文中使用KL散度对网络的输出施加约束来减少图像间的类内差异性;最后,本文将类别扩充和KL散度结合,进一步提升场景分类性能。其次,对于跨域分类情况,论文中分为单源域问题和多源域问题分别进行了研究。对于单源域情况,即训练样本来自于同一个数据集,文中在传统方法最大均值差异的基础上研究了基于局部最大均值差异的子域对齐方法,将相似的样本划分到一个子域中,然后对相关的子域分别进行对齐,从而可以利用源域的信息来对目标域样本分类。最后,对于多源域的情况,训练样本来自于多个数据集。本文中主要研究了训练样本来自两个数据集的情况,即两源域问题。论文中通过对特征分布以及分类器输出分别进行域对齐来解决多源问题。相比于单个源域,合理利用多个源域的样本能够提升场景分类的性能。