深度置信网络在极化SAR图像分类中的应用

目的 深度置信网络能够从数据中自动学习、提取特征,在特征学习方面具有突出优势。极化SAR图像分类中存在海量特征利用率低、特征选取主观性强的问题。为了解决这一问题,提出一种基于深度置信网络的极化SAR图像分类方法。方法 首先进行海量分类特征提取,获得极化类、辐射类、空间类和子孔径类四类特征构成的特征集;然后在特征集基础上选取样本并构建特征矢量,用以输入到深度置信网络模型之中;最后利用深度置信网络的方法对海量分类特征进行逐层学习抽象,获得有效的分类特征进行分类。结果 采用AIRSAR数据进行实验,分类结果精度达到91.06%。通过与经典Wishart监督分类、逻辑回归分类方法对比,表现了深度置信网络方法在特征学习方面的突出优势,验证了方法的适用性。结论 针对极化SAR图像海量特征的选取与利用,提出了一种新的分类方法,为极化SAR图像分类提供了一种新思路,为深度置信网络获得更广泛地应用进行有益的探索和尝试。     

改进的基于深度学习的遥感图像分类算法

针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征，且分类器性能欠佳的问题，提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先，设计并搭建一个七层卷积神经网络；其次，将高分辨率遥感图像样本输入到该网络中进行网络训练，得到最后两个全连接层输出作为遥感图像两种不同的高层特征；再次，针对该网络第五层池化层输出，采用主成分分析（PCA）进行降维，作为遥感图像的第三种高层特征；然后，将上述三种高层特征通过串联的形式进行融合，得到一种有效的基于深度学习的遥感图像特征；最后，设计了一种基于逻辑回归的遥感图像分类器，可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比，所提算法分类准确率有较高提升。实验结果表明，该算法在分类准确率、误分类率和Kappa系数上表现优异，能实现良好的分类效果。     

面向对象特征融合的高分辨率遥感图像变化检测方法*

针对高分辨率遥感图像变化检测的难点和传统像元级变化检测方法的局限性,提出了基于面向对象的思想,利用分割后图像对象的光谱特征、纹理特征、形状特征分别进行变化检测,然后将不同对象特征检测结果进行融合得到最终结果。实验表明了本方法比传统的像素级方法对高分辨率遥感图像变化检测有较强的优势。     

基于Relief-PCA特征选择的遥感图像变化检测

面向对象的变化检测技术在高分辨率遥感图像领域已经得到广泛地应用。由于遥 感图像受光照、大气环境等成像条件的影响,图像特征的质量也参差不齐,筛选出高质量的特 征成为对象级遥感图像变化检测的关键。针对此问题,提出了一种基于 Relief-PCA 特征选择的 对象级遥感图像变化检测方法。首先,对原始图像进行多尺度分割获得目标对象,并提取对象 的光谱特征与纹理特征;然后,利用对数比值法获得变化矢量,再使用 Relief-PCA 特征选择的 方法对图像的对象特征进行筛选与降维;最后,计算并生成 CVA 变化强度图,利用 Otsu 方法 对变化强度图进行阈值分割得到最终的变化检测结果。实验表明：与已有方法相比,该方法的 变化检测精度更高,误检率和漏检率更低。     

基于区分深度置信网络的病害图像识别模型

对枸杞病害进行及时、准确地检测识别对于病害的监测、预测、预警、防治和农业信息化、智能化建设具有重要意义。研究提出了一种基于区分深度置信网络的枸杞病害图像分类识别模型。首先,把枸杞叶部病害图像通过自动裁剪方式获得包含典型病斑的子图像,再采用复杂背景下的图像分割方法分割病斑区域,提取病斑图像的颜色特征、纹理特征和形状特征共计147个,结合区分深度置信网络和指数损失函数建立了病害识别模型。实验结果表明,该方法对于病害图像识别效果较好,与支持向量机相比,基于区分深度置信网络的病害图像识别模型高效地利用了底层图像特征的高层表示,解决了没有足够标注数据时的图像识别问题。     

基于小样本学习融合随机深度和多尺度卷积的SDM-RNET网络

针对神经网络难以利用少量标注数据获取足够的信息来正确分类图像的问题,提出了一种融合随机深度网络和多尺度卷积的关系网络——SDM-RNET.首先在模型嵌入模块引入随机深度网络用于加深模型深度,然后在特征提取阶段采用多尺度深度可分离卷积替代普通卷积进行特征融合,经过骨干网络后再采用深浅层特征融合获取更丰富的图像特征,最终学习预测出图像的类别.在mini-ImageNet、RP2K、Omniglot这3个数据集上对比该方法与其他小样本图像分类方法,结果表明在5-way 1-shot和5-way 5-shot分类任务上该方法准确率最高.     

基于GhostNet的端到端红外和可见光图像融合方法

现有的基于深度学习的红外和可见光图像融合方法大多基于人工设计的融合策略,难以为复杂的源图像设计一个合适的融合策略.针对上述问题,文中提出基于GhostNet的端到端红外和可见光图像融合方法.在网络结构中使用Ghost模块代替卷积层,形成一个轻量级模型.损失函数的约束使网络学习到适应融合任务的图像特征,从而在特征提取的同时完成融合任务.此外,在损失函数中引入感知损失,将图像的深层语义信息应用到融合过程中.源图像通过级联输入深度网络,在经过带有稠密连接的编码器提取图像特征后,通过解码器的重构得到融合结果.实验表明,文中方法在主观对比和客观图像质量评价上都有较好表现.     

基于深度神经网络训练与优化算法的图像分类

当前图像分类方法在分类过程中没有充分获取图像的深度特征，导致方法真阳性率低、假阳性率较高，存在图像分类准确率低等问题。为解决上述问题，提出基于深度神经网络训练与优化算法的图像分类方法。方法选取不同特征的图像构建测试集，利用FCM算法对图像进行分割、去噪处理，根据多核学习对提取的图像深度特征进行适应与融合，并构建一个支持向量机的高分辨图像分类器，最终实现图像分类。实验结果表明，所提方法的图像分类真阳性率较高、假阳性率较低，表明该方法准确率高且有明显的分类效果。     

一种图像回归与关联关系特征融合的遥感影像变化检测方法北大核心CSCD

异质遥感影像变化检测是一个重要且具有挑战性的研究课题。针对直接比较异质数据进行变化检测导致检测精度低的问题,提出了一种图像回归与关联关系特征融合(Image Regression and Association-based Feature, IRAF)的异质遥感影像变化检测方法。首先基于信息熵理论量化异质数据的信息量差异并确定回归方向,采用多输出多层感知器图像回归得到与原始影像特征空间分布相近的回归图像;其次,得到差异图像并基于模糊局部信息C均值(Fuzzy Local Information C-Means,FLICM)算法找到部分显著样本对用于后续检测。为了考虑不同特征间的关联关系并充分利用数据中潜在的高阶信息,采用基于关联关系特征的融合算法(Association-based Fusion,AF)对原始遥感数据进行增强,最后利用融合后的特征训练分类模型得到最终的变化二值图。为验证该方法的有效性,采用Sardinia、Yellow River和Texas这3组真实数据集进行实验,Ka分别达到了0.796 1、0.827 1、0.958 1。与相关方法进行对比的实验结果表明该方法在不同数据集上均得到了最优的检测结果,能够抑制噪声的影响且有效提升变化检测精度。     

基于多判别器的多波段图像自监督融合方法

针对多波段图像融合领域利用深度学习方法进行融合时过度依赖标签图像导致融合结果受限的问题,文中提出了一种基于多判别器生成对抗网络的多波段图像自监督融合方法.首先,设计并构建反馈密集网络作为特征增强模块,分别提取多波段图像特征并进行特征增强;其次,将多波段图像特征增强结果合并连接,并通过设计的特征融合模块重构融合图像;最后,将初步融合结果与各波段源图像分别输入判别网络,通过多个判别器的分类任务来不断优化生成器,使生成器在输出最终结果的同时保留多个波段图像的特征,以达到图像融合的目的.实验结果表明,与当前代表性的融合方法相比,所提方法具有更好的清晰度和更多信息量,细节信息更丰富,更符合人眼的视觉特性.