高分辨率遥感影像深度迁移可变形卷积的场景分类法

施慧慧，徐雁南，滕文秀，王 妮

1. 南京林业大学南方现代林业协同创新中心，江苏 南京 210037； 2. 南京林业大学林学院，江苏 南京 210037； 3. 马萨诸塞大学阿默斯特分校地球科学系，美国 马萨诸塞州 01003； 4. 安徽省地理信息智能感知与服务工程实验室，安徽 滁州 239000; 5. 滁州学院地理信息与旅游学院，安徽 滁州 239000

随着遥感技术和对地观测技术的快速发展，来自卫星、无人机等对地观测海量数据不仅含有丰富的纹理、空间信息，还包含了海量场景语义信息，因此高分辨率遥感影像的信息提取已经逐步从像素层的光谱解译、结构层的基元纹理分析以及面向对象的分割处理发展向规则知识、语义识别和场景建模等影像高层理解与认知方向发展[1]。高分辨率遥感影像分类从传统像素级和对象级分类渐渐转向场景语义级分类[2-4]。

目前，已有场景分类方法可概括为两类：①基于底层特征和中层特征的方法。早期基于传统的底层特征或者手工特征，通过提取纹理、颜色、形状等特征进行图像分类。与早期方法相比，基于BoVW模型[5]的中层特征方法通过手工制作的底层特征构建图像直方图，对图像聚类分析，虽简单高效，但表达能力有限。②深度学习模型方法。卷积神经网络(convolutional neural network,CNN)一经提出，便凭借其强大的特征提取能力很快成为众多领域学者关注的焦点[6-8]。针对高分辨率场景分类问题，大量深度学习模型网络被构建，如GoogleNet、VggNet和ResNet等，使得深度学习在场景分类中的准确率不断得到提高。同时……