遥感图像分类的三维深度学习方法
本文综述了目前最新的遥感深度学习研究进展及理论、工具和挑战,并着重讨论深度学习系统的未解决的挑战和机遇,包括数据不足、模拟物理现象的人类可理解解决方案、大数据、非传统异构数据源、光谱、空间和时间数据的深度学习架构和学习算法、迁移学习、更好的理论理解深度学习系统、高门槛和深度学习的训练和优化。
Sep, 2017
应用深度学习技术来处理高光谱影像的挑战,如高维度和有限空间分辨率,并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外,采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本,并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估,并持续超越现有的最先进技术。
Mar, 2024
深度学习模型应用于遥感语义分割 / 分类任务,需要大规模训练数据,但由于地理区域之间遥感图像内容的差异性,其可迁移性不足。本研究利用四个高度多样化的遥感数据集,训练了六个模型,并分析了它们之间的可迁移性以及领域适应方法在提高模型可迁移性方面的效果。此外,提出了一种基于光谱指数的简单方法来量化模型的可迁移性,在标签不可用时评估目标领域的模型可迁移性。该研究的发现有助于指导通用遥感学习模型的未来发展。
Oct, 2023
本文综述了基于深度学习的高光谱影像分类方法,并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分,最后,基于实际高光谱数据验证了几种典型的深度学习分类算法。
Oct, 2019
介绍单层和深度卷积网络用于遥感数据分析的应用,使用贪婪层次无监督预训练和高效的无监督特征学习算法提取有稀疏特征,结果表明深度架构比单层架构的分类性能更好。
Nov, 2015
本文旨在探讨如何使用深度学习技术完成遥感图片情景分类任务。通过对不同深度神经网络预训练模型和多头注意力机制进行评估,提出了一种基于深度学习的架构,并在 NWPU-RESISC45 数据集上取得了 94.7% 的准确率。
Jun, 2022
本文研究使用深度完全卷积网络来处理多模态多尺度遥感数据的语义标注,并采用有效的多尺度方法来提高语义标注的精度和深入研究数据的早期和后期融合方法,并在两个公共数据集上验证了我们的方法,表现出令人满意的结果。
Nov, 2017
本文研究了在农业领域中,利用深度学习方法如 Autoencoders、卷积神经网络(1D,2D 和 3D)、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集(包括 Indian Pines,Salinas Valley 和 Pavia University)上的成果来解决高光谱成像 (HSI) 分类的过程中,克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。
Apr, 2023
本文提出了一种基于加权递增字典学习的主动学习算法,该算法选择能够最大化代表性和不确定性两个选择标准的训练样本,通过在每次迭代中主动选择训练样本来高效地训练深度网络,然后将所提出的算法应用于高光谱图像的分类,并与其他应用主动学习的分类算法进行比较,结果表明所提出的算法在分类高光谱图像时既高效又有效。
Nov, 2016