摘要：近年来,极化合成孔径雷达(PolSAR)图像地物分类得到了深入研究。传统的PolSAR图像地物分类方法采用的特征往往需要针对具体问题进行设计,特征表征性不强。因此,该文提出一种基于卷积神经网络(CNN)和条件随机场(CRF)模型的PolSAR图像地物分类方法。利用预训练好的实现图像分类任务的卷积神经网络模型(VGG-Net-16)提取表征能力更强的图像特征,再通过CRF模型对多特征及上下文信息的有效利用来实现图像的地物分类。实验结果表明,与3种利用传统经典特征的方法相比,该方法能够提取更有效的特征,取得了更高的总体分类精度和Kappa系数。

摘要：高光谱遥感信息提取面临的突出问题是混合像元的广泛存在,如何有效地解译混合像元是高光谱遥感应用的关键问题。混合像元不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍,混合像元分解是解决混合像元问题最有效的方法,能够克服高光谱图像空间分辨率的限制。针对传统混合像元分解算法的缺点,基于优化的候选端元判断方法及端元提取的并行设计方法,提出了一种优化的混合像元分解方法,实现了光谱特征信息和空间特征信息的有机融合。通过模拟高光谱数据和真实遥感图像进行仿真研究,实验结果表明,该方法能得到精确的端元和对应的丰度,获得较好的解混效果,为城市地物分类提供了有力支持。

摘要：经典的卷积神经网络在对遥感影像进行地物分类的过程中,由于影像中的地物尺寸和光谱特征差异较大、待分类目标背景环境复杂等问题,经典影像分类方法很难得到理想的分类结果。针对这些问题,本文借鉴U型卷积神经网络多层次特征融和的思想,提出了多注意力融和U型网络(MAFU-Net)。该网络利用注意力模块提取和处理不同层次的语义信息,强化不同位置像素和不同特征图之间的相关性,进而提高网络在复杂背景条件下的分类性能。为了验证本文提出的网络在遥感影像地物分类中的效果,分别在ISPRS上的Vaihingen数据集以及北京、河南两地区高分二号数据集上进行了试验,并与目前主流的语义分割网络进行了对比。试验结果表明,相比其他网络,本文提出的MAFU-Net在不同特点的数据集上均可以得到最佳的地物分类结果。同时,该网络结构简单、计算复杂度低、参数量少,具有很强的实用性。另外,本文充分利用特征可视化手段进行MAFU-Net和其他网络的分类性能对比分析,试验结果表明,目前多数深度学习网络模型的深层次原理和作用机制较为复杂,无法准确解释特定网络为何在某种数据集中会失效。这需要研究人员进一步通过更加高级的可视化表达方法和量化准则来对特定深度学习模型及网络性能进行分析评价,进而对更加高级的模型结构进行设计。

摘要：为了提高城区机载激光雷达点云数据地物分类的分类精度,提出了一种基于Point-Net网络的多源融合点云地物分类方法。点云在地物三维特征表示上具有优势,而遥感影像包含丰富的光谱信息,因此设计了一种点云与遥感影像的配准融合方法,综合利用两种数据的优势。针对Point-Net网络存在缺少邻域信息的问题,提出一种针对融合点云数据的多尺度Point-Net分类模型,实现对融合点云数据的有效分类。利用城区点云数据验证本文算法,通过分析分类精度和分类时间对分类效果进行评价。结果证明:相比其他算法,本文算法有效提高了点云数据分类效果,实现了对城区点云数据的有效分类。

摘要：为了提高在少标签数据条件下的地物分类精度,提出一种利用高光谱图像(HSI)数据与机载激光雷达(LiDAR)数据进行对比学习的地物分类方法。首先利用不带标签的HSI数据与LiDAR数据进行对比学习,通过对比学习可以建立这两种数据的空间特征之间的联系,实现对这两种数据的空间特征提取;设计了卷积模块与Transformer模块相结合的网络,使模型能够利用提取出的局部特征建立全局交互关系。在Houston 2013数据集和Trento数据集上进行对比实验,所提方法的分类精度高于其他多源数据融合地物分类的对照方法,在Houston 2013数据集上当每类标签样本量为5时,所提方法的分类精度比对照方法提高20.73个百分点,在Trento数据集上当每类标签样本量为2时,所提方法的分类精度比对照方法提高8.35个百分点。

摘要：为更好地进行数据融合实现地物分类,设计了一种基于卷积神经网络(CNN)的高光谱与激光雷达数据融合分类实验方案。首先通过构建CNN模型实现高光谱及激光雷达数据的特征提取;然后分别在特征级和决策级上实现两种数据的融合,其中特征级融合采取求和与最大化策略,决策级融合采取加权融合策略;最后在休斯顿与特伦托数据集上使用标准训练集与测试集验证该模型的有效性。结果表明,相较于SVM和ELM两种对比方案,此方案总体分类精度分别提升了10.18%和8.75%。证实了新方案能够实现更高精度的城市地物分类。

摘要：针对高分辨率遥感影像复杂地物分类的问题,提出了人工特征工程与深度神经网络相结合的地物分类方法。通过纹理与结构等人工设计特征提取构建多尺度特征图,采用特征图和原始图像合并构建的高维图集合作为网络输入,最大程度地丰富了输入信息量,同时增强了纹理、尺度等有利特征在网络训练过程中的主导作用。根据全卷积网络端到端的像素级分类思想,借鉴并改进DeepLab v3网络的结构设计,实现了一站式的遥感地物分类。实验结果表明,相对于采用原始图像直接作为网络输入,多尺度特征图与原始图结合的方法可以有效地凸显地物中纹理与结构的描述能力,较好地提升地物分类准确度;同时相对于传统神经网络进行图片分类的方法,设计的基于多尺度特征图集合的方法在遥感地物分类任务中具有更好的抗干扰性与准确性。

摘要：为有效监测人类活动对自然环境的破坏,构建了基于深度迁移学习的多标签遥感影像地物分类系统。基于深度迁移学习方法,训练了5种不同深度的ResNet模型,通过分析其损失曲线、测试精确率与F1值,确定最优模型,并根据该模型设计了方便用户使用的交互界面系统。研究结果表明,深度迁移学习调优后的ResNet34模型分类性能优于其他网络,分类指标精确率可达96.02%,F1值达到90.38%。该结果可为政府相关管理部门了解生态变化状况、采取管理措施提供决策支持,对生态环境可持续发展具有积极意义。

摘要：利用遥感手段对地物进行语义分割可为城市规划、土地利用管理、环境保护等方面提供重要的基础信息,针对二维影像数据自身的局限性和传统的点云地物分类方法智能化程度低、准确度差等缺点。利用某村庄的无人机倾斜摄影测量实景数据进行三维点云语义分割并进行语义标注,建立了一个满足室外场景语义分割的3D点云数据集。利用PointNet++算法对该3D点云数据集进行模型训练和测试。实验结果显示植被类和建筑物分类的IOU可达0.792和0.852,而其他类别中的小类别分类的IOU均低于0.2。

摘要：遥感图像中包含了丰富的信息,如何有效提取这些信息成为当前的挑战。高光谱遥感图像分类是研究的热点。针对高光谱图像的地物分类问题,本文设计了一个新颖的光谱—空间特征双流密集残差网络。本文在高光谱图像领域的开源数据集Indian Pines上进行了实验,实验结果表明该方法有效地改善了高光谱图像的分类性能。