高分辨率遥感图像可以获得地面场景物体的纹理以及丰富的光谱信息，因此使用高分辨率遥感卫星数据对数据进行更加高效的特征提取，获得比以往应用更加精确的结果是当前学者研究的热点（刘宣江，基于神经网络的遥感影像识别：北京邮电大学，2007）。基于遥感影像的地物信息提取方法种类众多，且不断发展改进，然而通过高分遥感影像对地物信息提取却并不理想（方旭，杨化超，刘慧杰，等，结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类：激光与光电子学进展，2018,55(2)）。经过长久的实验研究发现，传统遥感分类方法存在一定的不足（陈睿敏，孙胜利，基于深度学习的红外遥感信息自动提取：红外，2017,38(8):39-45），通过已知或未知经验为依托增加了地物分类结果的误差性（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：光学学报，2016,36;No.409(4):306-314）。此外，虽然我们可以使用的遥感影像的分辨率更加精确，高分遥感影像中所包含的纹理、光谱信息愈加丰富，但由此带来的巨大数据量以及包含复杂信息的有效使用问题也明显突出（王腾飞，高分辨率遥感图像深度学习舰船检测技术研究：2017）。如何利用高分遥感影像所包含的丰富信息，选取需要的特征，将待识别的目标有效识别出来，成为我们的研究目标（骆剑承，周成虎，梁怡，马江洪，支撑向量机及其遥感影像空间特征提取和分类的应用研究：遥感学报，2002(01):50-55）。因此，目前科技进步，对于高分辨率遥感影像检测的方面研究还有较大提升空间（胡茂莹，基于高分二号遥感影像面向对象的城市房屋信息提取方法研究：2016）。同时如何将现有高分辨率图像所包含的丰富的信息量转化为对我们社会发展有用的基础，并将原有传统基于像素的遥感分类方法进一步拓展到基于对象的检测方法上，也是一种发展趋势。

而深度学习作为一种人工智能算法，近几年发展极为迅速，其图像识别算法技术也不断提出，但是却缺少遥感影像方面识别算法，且传统的深度学习算法应在遥感影像分类方面存在着严重不足（王金亮，李石华，陈姚，基于自组织神经网络的遥感图像分类应用研究：遥感信息，2006(3):6-9）。基于此，本文通过对卷积神经网络中池化层与全连接层提取到的图像特征进行串联融合，通过跨模态学习布置，在卷积神经网络特征学习过程中将遥感影像地物多个模态都呈现，通过共享特征关联，实现了多模态学习模型，这些模型可以实现多模态任务，利用多个模态用于有监督训练和测试。结合柔性结构化深度学习、模态识别技术获得更高效、更显性的特征，进而实现对遥感影像多尺度、多层次、多方向目标统一的识别检测，实现对遥感影像的高精度监测。(图1所示为技术路线)

图1 技术路线

图2 卷积神经网络基本流程

图3 研究流程

本文根据高分辨率遥感影像中地物信息的多样性与复杂性，针对传统高分遥感影像分类方法中的缺陷（王生生，张宇婷，基于深度学习和复杂空间关系特征的多尺度遥感图像检索），通过深度学习抽象出地物信息高层特征的优势，将遥感影像中地物信息进行区分（张洪群，刘雪莹，杨森，等，深度学习的半监督遥感图像检索：遥感学报，2017,21(3):82-90）。在使用深度学习方法对遥感影像进行处理过程中，基于遥感影像地物尺度以及角度变化范围较大的缺点及遥感影像样本人工获取不便的前提下（万雪，基于RBF神经网络的高分辨率遥感影像分类的研究：测绘通报，2009,2009(2):18-20），对同一样本集使用不同模态卷积神经网络进行训练，使得数据应用更充分。最后，选取最优分类特征实现卷积神经网络遥感影像目标检测（瞿继双，瞿松柏，王自杰，基于特征的模糊神经网络遥感图像目标分类识别：遥感学报，2009,13(1):67-74），并在实验中验证该方法的有效性。

卷积神经网络是一种特殊的人工神经网络，主要是通过卷积运算进行操作。因卷积神经网络在图像相关领域具有优异表现，如图像分类、图像予以分割、图像检索、物体检测等计算机视觉方面。随着卷积神经网络的发展，其应用领域也随之扩展，如自然语言中的文本分类，数据挖掘等。卷积神经网络包括两类基本过程：前馈运算、反馈运算。前馈运算时通过卷积、池化和非线性激活函数映射等一系列运算将数据中包括的高层语义信息抽象出来。反馈运算是通过计算将预测值与实际值的误差或损失通过反向传播算法向前反馈，并更新每层参数，通过反复前馈，达到模型训练目的。（图2所示为卷积神经网络基本流程）

文章来源：《北京邮电大学学报》 网址: http://www.bjyddxxb.cn/qikandaodu/2020/1113/419.html

上一篇：中国将率先建成全球最大5G网络
下一篇：“业务网络”的开拓者“顶天立地”的科学人