摘要
在林业遥感中，遥感图像包含着大量与林业相关的地物和地貌要素信息，如森林、灌木、草本植物、道路等。如何利用哈希技术从海量的遥感图像中快速、精准地检索出用户所需的图像，成为了林业遥感领域中一个亟待解决的难题。目前大多数深度哈希方法都是监督学习的方式，但由于有标签的遥感图像数量相对较少，且标注非常耗费人力物力，所以标注不足场景下的监督哈希方法的检索效果不佳。遥感图像与自然图像相比,类内差异性和类间相似性更明显，即便使用ImageNet预训练模型提取遥感图像的特征,也不能较好地改善其检索效果。虽然深度无监督哈希方法无需利用真实标签信息，但由于卷积神经网络受局部约束限制，对遥感图像特征提取不够明显，导致生成的伪标签不可靠，同时现有无监督哈希研究还存在图像对的训练权重相同等问题。针对上述问题，本文分别面向少标签和无标签遥感图像检索，提出了两种改进的深度哈希方法。本文的主要工作如下: (1)本文提出了一种深度自监督对比哈希(DeepSelf-SupervisedContrastiveHashing,DSCH)方法，用于少标签遥感图像检索。在自监督对比学习框架的基础上，构建了多层级双分支融合网络作为新编码器，通过并行结构提取并融合不同层级、不同语义尺度的全局和局部特征，增强编码器的特征提取能力。通过对同一幅遥感图像分别增广后的图像对之间的特征比对计算，进一步提高特征表达的准确性。自监督训练后的编码器通过参数迁移的方式在下游检索任务进行基于少量标注数据的深度监督哈希模型微调，更好地保持数据的语义信息，进一步提升了遥感图像的检索精度。实验结果表明,相比于现有的自监督学习方法，本文实现的深度自监督对比哈希方法在少标签遥感图像检索中表现出更优秀的性能。 (2)本文提出了一种深度无监督多相似性哈希(DeepUnsupervisedMulti-SimilarityHashing,DMSH)方法，用于无标签遥感图像检索。该方法采用基于K最近邻和核相似度的自适应伪标签模块来评估图像间的相似关系，实现伪标签的初始生成和在线校正,达到提高伪标签可靠性的目标。为了衡量不同图像对的重要性，本文设计了成对结构信息模块，将图像对的多尺度结构相似度映射为训练关注度，为其分配不同的训练权重来优化深度哈希学习。网络在两个基于不同相似度设计的模块上实现交替优化，充分挖掘图像间的多种相似信息进而生成高辨识力的哈希编码，提高了遥感图像检索的准确性。实验结果表明，本文实现的深度无监督多相似性哈希方法相比于目前的传统无监督哈希和深度无监督哈希方法在无标签遥感图像检索中可以实现更好的检索效果。
NETL