摘要
多源遥感数据联合分类相较于单一数据源分类，能够综合利用不同来源获取的遥感数据信息，实现更精准、更全面的对地观测，被广泛应用于环境监测、精准农业、地质勘测、军事和安全等领域。由于多源数据的来源与结构均不同，这给多源数据特征提取以及联合分类带来了诸多挑战。本文以深度学习为研究基础从多尺度特征提取、注意力模块设计以及分数阶Gabor卷积等角度出发，设计了三种面向多源遥感数据联合分类的深度网络模型，通过在多组公开数据集上的分类实验验证了所提方法的有效性。本文主要研究内容如下： （1）针对网络模型过深，导致遥感数据有效信息减少和目标检测能力降低的问题，提出了一种基于多尺度特征提取的高光谱与激光雷达数据联合分类方法（Multi-Scale Feature Extraction Network，MsFEN）。该方法采用选择核卷积自适应的选择卷积核大小，有效提取多源遥感数据的多尺度特征，实现细粒度的特征分类。大尺度的特征包含更多的语义信息，小尺度特征包含着更多的细节信息，该方法通过设计多分支网络结构，利用多尺度特征提高对目标的分类精度。通过对公开数据集进行实验，实验结果证明了所提出的方法在不同尺度地物识别上均有较好的分类性能，提高了多源数据的特征表示能力。 （2）利用深度网络进行特征提取时，引入注意力机制，可以通过分配权重系数实现特征的高效提取，并消除冗余特征对分类结果的影响。提出了一种基于注意力机制的高光谱与激光雷达数据联合分类方法，在高光谱和激光雷达数据的通道间引入注意力模块，对关键特征赋予更大的权重，同时，通过激光雷达数据处理通道获得的空间注意力权重分配到高光谱数据处理通道，实现多源数据特征的互补，提高多源数据联合分类的效率和准确性。通过对公开数据集进行实验，实验结果证明了所提方法可以有效增强空间和光谱特征的表达能力，提升多源数据间的信息交互能力。 （3）针对现有方法通常只在单一方向上进行特征提取，缺乏对方向性特征的表示，提出了基于分数阶Gabor卷积的高光谱与激光雷达数据联合分类方法。分数阶Gabor卷积可以在不同的分数阶实现方向的旋转，在多方向性的维度上挖掘高光谱和激光雷达数据的特征，协同空间、光谱和高程特征，实现多源数据的特征融合与联合分类。通过对公开数据集进行实验，实验结果证明了所提方法通过多方向空间特征提取得到丰富的多源数据特征，从而提高分类性能。
NETL