深度学习在遥感影像分类与识别中的研究进展综述

详细信息    查看全文 | 推荐本文 |

英文篇名：Research progress of deep learning in classification and recognition of remote sensing images 作者：王斌 ; 范冬林 英文作者：WANG Bin;FAN Donglin;College of Geomatics and Geoinformation,Guilin University of Technology;Guangxi Key Laboratory of Spatial Information and Geomatics; 关键词：深度学习 ; 分类与识别 ; 遥感影像 ; 应用现状 英文关键词：deep learning;;classification and recognition;;remote sensing image;;application status 中文刊名：CHTB 英文刊名：Bulletin of Surveying and Mapping 机构：桂林理工大学测绘地理信息学院;广西空间信息与测绘重点实验室; 出版日期：2019-02-25 出版单位：测绘通报 年：2019 期：No.503 基金：广西空间信息与测绘重点实验室基金(16-380-25-24;163802515;151400720);; 广西“八桂学者”岗位专项经费资助项目 语种：中文; 页：CHTB201902021 页数：5 CN：02 ISSN：11-2246/P 分类号：108-111+145

摘要

深度学习一直是机器学习和人工智能研究的热门主题,特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来,使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性,其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状,最后对未来深度学习应用于遥感识别与分类趋势进行了展望。
        The concept of deep learning has been a hot topic in machine learning and artificial intelligence since it was put forward.In particular,the deep learning,a deep neural network learning machine algorithm,is closely combined with the classification and recognition of remote sensing images,so that the local minimization of the traditional training algorithm can be solved.This paper briefly introduces the development of remote sensing image classification and recognition algorithms and the limitations of classical algorithms.Secondly,it introduces several mainstream algorithms of deep learning and analyzes their application status in remote sensing image classification and recognition processing.Finally,the future trend of application of deep learning in remote sensing recognition and classification is prospected.

引文

[1]曹斌,邱振戈,朱述龙,等.BP神经网络遥感水深反演算法的改进[J].测绘通报,2017(2):40-44.
    [2]杨钊霞,邹峥嵘,陶超,等.空-谱信息与稀疏表示相结合的高光谱遥感影像分类[J].测绘学报,2015,44(7):775-781.
    [3]HINTON G E,OSINDERO S,TEH Y W.A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554
    [4]吕启,窦勇,牛新,等.基于DBN模型的遥感图像分类[J].计算机研究与发展,2014,51(9):1911-1918.
    [5]高蓉.面向极化SAR地物分类的稀疏深度网络[D].西安:西安电子科技大学,2015.
    [6]赵兴.基于深度置信网集成的高光谱数据分类方法研究[D].哈尔滨:哈尔滨工业大学,2015.
    [7]刘大伟,韩玲,韩晓勇,等.基于深度学习的高分辨率遥感影像分类研究[J].光学学报,2016,36(4):306-314.
    [8]朱寿红,王胜利,舒帮荣,等.基于深度学习的高光谱遥感影像分类[J].城市勘测,2017(4):84-88.
    [9]高鑫,欧阳宁,袁华,等.基于快速去噪和深度信念网络的高光谱图像分类方法[J].桂林电子科技大学学报,2016,36(6):469-476.
    [10]徐丽坤,刘晓东,向小翠,等.基于深度信念网络的遥感影像识别与分类[J].地质科技情报,2017,36(4):244-249.
    [11]宋欣益.基于卷积神经网络的高光谱数据分类方法研究[D].哈尔滨:哈尔滨工业大学,2016.
    [12]赵漫丹,任治全,吴高昌,等.利用卷积神经网络的高光谱图像分类[J].测绘科学技术学报,2017,34(5):501-507.
    [13]罗建华.深度学习在高光谱图像的降维及分类中的应用[D].成都:电子科技大学,2017.
    [14]杜敬.基于深度学习的无人机遥感影像水体识别[J].江西科学,2017,35(1):158-161.
    [15]冯颖.基于深度学习的SAR特征提取与目标识别研究[D].成都:电子科技大学,2017.
    [16]陈文康.基于深度学习的农村建筑物遥感影像检测[J].测绘,2016,39(5):227-230.
    [17]付秀丽,黎玲萍,毛克彪,等.基于卷积神经网络模型的遥感图像分类[J].高技术通讯,2017,27(3):203-212.
    [18]林洲汉.基于自动编码机的高光谱图像特征提取及分类方法研究[D].哈尔滨:哈尔滨工业大学,2014.
    [19]谭钢,郝方平,薛朝辉,等.基于堆栈稀疏自编码的高光谱遥感影像分类[J].矿山测量,2017,45(6):53-58.
    [20]马晓瑞.基于深度学习的高光谱影像分类方法研究[D].大连:大连理工大学,2017.
    [21]吕飞,韩敏.基于深度极限学习机的高光谱遥感影像分类研究[J].大连理工大学学报,2018,58(2):166-173.
    [22]徐佳,袁春琦,程圆娥,等.基于主动深度学习的极化SAR图像分类[J].国土资源遥感,2018,30(1):72-77.