摘要
随着卫星传感器和遥感成像技术的不断进步，高分辨率遥感图像所能够提供的空间信息也更加丰富，为观测和分析地球表面提供了重要的数据源。遥感图像场景分类任务是指将遥感图像按照其所反映的地表物体类型和分布，划分为不同语义类别的过程，如河流、农田、森林等。由于它在多个领域具有广泛的应用价值和社会意义，因此引起了学术界和工业界的高度关注。然而，高分辨率遥感图像包含的复杂细节及结构信息，增加了特征表达和建模的难度;同时，大多数遥感图像场景分类方法仅关注提升分类精度，而忽略了模型的可解释性，使得在一些敏感领域如国防安全等无法验证模型结果的合理性。针对这些问题，本文主要做了以下工作: (1)设计了双向流模式来构建决策树，具体来说，通过自顶向下的模式，逐层解析生成决策路径。通过自底向上模式，利用神经网络权重映射至树形结构相应节点的方式嵌入决策规则。而后通过得到的树形结构，实现对模型决策过程的可视化，提高了模型的解释性。同时有效利用决策树内置推理能力的决策优势，为未知的遥感图像场景类别提供可靠的分类信息，进而提高模型的泛化能力。 (2)提出了一种基于深度学习与决策树融合模型的遥感图像场景分类方法，旨在结合深度学习模型与决策树模型两者的优势。并设计了级联概率分布损失，以充分利用多层次特征和树结构中丰富的层间关系。实验结果表明，本文提出的模型在三个主流遥感图像场景分类数据集上取得了显著的性能优势。 (3)为了提供方便快捷的遥感图像场景分类服务，本文利用Flask框架开发了遥感图像场景分类系统。该系统能够自动处理用户上传的遥感图像，并提供多种分类结果展示以及可视化分析功能，如分类检测、决策路径可视化、注意力图可视化等，为用户呈现更加完整和精确的信息。 综上所述，本文所提出的模型在提高分类准确性的同时，增强了模型的可解释能力。此外，本研究所搭建的遥感图像场景分类系统也具有一定的实用性和推广价值，能够为实际应用场景提供更加便捷和可靠的图像分类服务。
NETL