第52卷第1期测绘学报Vol.52,No.12023年1月ActaGeodaeticaetCartographicaSinicaJanuary,2023引文格式:蒲生亮.高光谱图像深度学习分类模型研究[J].测绘学报,2023,52(1):172.DOI:10.11947/j.AGCS.2023.20210203.PUShengliang.Researchondeeplearningmodelsforhyperspectralimageclassification[J].ActaGeodaeticaetCartographicaSinica,2023,52(1):172.DOI:10.11947/j.AGCS.2023.20210203.高光谱图像深度学习分类模型研究蒲生亮1,21.自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,江西南昌330013;2.东华理工大学测绘工程学院,江西南昌330013ResearchondeeplearningmodelsforhyperspectralimageclassificationPUShengliang1,21.KeyLaboratoryofMineEnvironmentNonitoringandImprovingaroundPoyangLake,MinistryofNaturalResources,Nandrang330013,China;2.FacultyofGeomatics,EastChinaUniversityofTechnology,Nanchang330013,China光学遥感成像传感器光谱分辨率的提高,使得通过地物光谱属性精细地识别和解译地物类别成为可能,不仅促进了对地遥感观测技术的发展,也使得高光谱遥感成为遥感领域最前沿的研究方向之一。随着机器学习、模式识别和人工智能等技术领域的快速发展,高光谱遥感图像分类研究受到广泛关注,内容包括:如何利用高光谱遥感数据中包含精细光谱特征的优势,针对特定应用需求提出有效的分类方法,提高分类器的分类性能、泛化能力及智能化水平。人工智能能实现地表覆盖智能解译,借助深度学习方法自动处理高光谱遥感图像是目前比较前沿的研究方向。深度学习模型可以在高光谱遥感图像地物分类任务中取得显著的效果,比如卷积神经网络可以很好地获取高光谱遥感图像中的空间结构信息,捕捉像素与像素之间的空间特征及上下文关系。因此,深度学习模型在地物提取中具有很大的优势。基于此,论文从3个体现深度学习最先进技术水平的研究领域作为切入点,充分利用深度神经网络在信息提取和特征表达方面的能力,对基于深度学习模型的高光谱遥感图像分类方法进行了研究,主要研究内容如下。(1)有限样本训练的胶囊神经网络实现高光谱图像分类。论文重点关注胶囊神经网络的高光谱图像分类性能和特征提取能力,提出了一种能适应少量样本数据训练的胶囊神经网络算法,设计了相应的深度卷积网络框架,并与典型的卷积神经网络进行了比较。试验结果表明,胶囊神经网络经少量样本训练,依然能获得相对较高的分类精度,对于后验的最大预测概率也具有更高的置信度。(2)...
