基于深度迁移学习的城市高分遥感影像分类

黄如金，聂运菊

(东华理工大学测绘工程学院，330013，南昌)

0 引言

随着计算机技术和空间技术的不断进步，使得遥感学科充分发挥自身优势释放出巨大的商业价值和科研价值，国家政府部门在发展规划中也把地理信息产业列为工作的重点之一，包括扩大遥感技术及遥感数据应用领域，以及鼓励社会资本进入遥感应用产业等[1]。同时，我国城市化进程大量人口涌入城市，据国家统计局数据显示2018年我国城镇人口占总人口比重达到59.58%，这距离发达国家平均水平的75%还有15个百分点意味着未来我国还会有大约2.15亿人进入城市，随之形成庞大的人口密集建筑区将带来相当严峻的社会问题。

传统的遥感信息获取主要利用航拍相片或者中、低分辨率卫星影像，常用的方法有目视判读以及基于像元的计算机分类法[2]。其分类技术通常运用的是一种基于像元的分类，无论是监督分类还是非监督分类仅仅是基于像元级别的处理，更加适用于获取中、低分辨率遥感影像的信息。高分遥感影像的发展这种分类方法已经不能满足分类的精度需求和影像信息的提取，面向对象的分类方法不再是针对单个像元，而是针对影像对象[3]。卷积神经网络(CNN)的应用使得这一问题有了很好的解决[4]，Krizhevsky等提出了8层的Alex Net模型，大幅提高了图像分类的准确度[5];Simonyan等提出了16层的VGG－16模型和19层的VGG－19模型分类准确度进一步提升[6];Res Net模型的提出解决了网络退化的问题;刘嘉政提出基于Inception_v3模型的迁移学习并对结构进行微调适应花卉识别[7－8]。……