面向高分辨率遥感影像分析的深度学习方法研究

【摘要】：近十年来,随着卫星传感器、信息传输、数据存储技术的高速发展,我们已经可以快速获取和存储海量的高分辨率遥感卫星影像。高分辨率遥感卫星影像,能够对地球表面提供高精度,大范围,周期性观测数据,已经被广泛应用到农业、环境、军事、交通、勘测、规划等领域,成为人类观察和研究地球的最重要数据来源之一,已经成为人类研究地表生态环境与人类社会的一种重要手段。然而,遥感影像分辨率的显著提高和大量高分辨率遥感卫星的发射,使得高分辨率遥感影像的数据呈爆炸性增长。面对着如此浩瀚的遥感影像,如何快速,高效,自动地进行遥感数据分析与理解,成为最迫切需要解决的问题。近年来,随着人工智能的蓬勃发展,如何让计算机通过智能软件自动化处理常规任务,图像理解,语音分析和支持科学研究,成为一个全球的热点发展领域。人工智能旨在提供一种方法,让计算机可以从海量的经验中自主学习,通过一种由简单到复杂的层次化概念结构来理解世界。通过让计算机从经验中自主学习,有效地避免了计算机需要人类为其提供一系列形式化的规则与知识。层次化的概念结构也使得计算机可以通过由简到繁的学习体系,利用低层次概念构造复杂的高层次信息。这种层次化的构建体系,一般称为人工智能中的深度学习。因此,开展深度学习的理论、方法及其在遥感影像处理中的应用方法研究不仅满足了当前高分辨率遥影像分析需要高效快速自动化的处理需求,同时也能大幅度提高高分辨率遥感影像的处理精度,为当前遥感影像处理开辟了一条新的智能化处理途径。针对高分辨率遥感影像智能化处理的问题,本文开展了基于深度学习的高分辨遥感影像分析方法研究,主要研究内容与创新之处包括:(1)系统地总结了当前用于高分辨率遥感影像分析的相关理论与方法。本文分析了高分辨率遥感影像中常见任务的特点以及不同任务面临的困难,并对当前常用的高分辨率遥感影像分析任务现状进行了详细的讨论和总结。(2)提出了基于显著度的无监督特征学习模型。由于高分辨率遥感影像空间分辨率高,地物细节丰富,场景结构分布复杂,如何自动化快速高效的提取遥感数据内在高层次特征,用于不同的遥感分析与应用,是一个难点问题。因此,本论文通过引入无监督特征学习方法,来利用未标记的影像数据,快速高效的提取潜藏在数据中内在特征表达。同时,通过结合影像数据的显著度特征,提取出影像中不同地物的最具代表性的内在特征表达,提高地物识别精度。(3)提出了基于梯度提升的聚合卷积神经网络模型。考虑到高分辨率遥感影像覆盖范围大,数据量大,但是目前遥感人工标注数据较少,难以有效利用。另一方面传统的深度学习方法往往需要大量人工标注数据。因此,针对遥感影像人工标注数据少,网络难以训练问题,本文提出了利用梯度提升模型和深度卷积网络来训练多网络聚合模型,利用网络聚合方法来提高算法的稳定性。(4)提出了基于弱监督学习的耦合卷积神经网络模型。考虑到遥感影像分析与应用的复杂性,如遥感影像目标探测问题,人工标注数据少,目标场景变化复杂,搜索范围大,往往利用单一模型难以处理。因此,针对遥感影像目标探测任务,提出利用耦合深度卷积网络,训练两个深度网络进行协同工作,构成一个由粗到细的处理流程,来处理大范围的遥感影像。(5)提出了基于多任务卷积神经网络的城市分析模型。考虑到遥感影像分析与应用的任务种类多与任务多样性的特点。如何考虑不同应用之间的区别与联系,构建一套统一的应用框架,来协同处理和分析不同子任务,是本研究需要解决的问题。因此,本文提出了多任务卷积神经网络的城市地理信息分析统一框架,来协同处理应用中的不同子任务,同时考虑任务间的区别与联系,提高了数据处理速度和效率。