首页期刊导航|遥感学报
期刊信息/Journal information
遥感学报
遥感学报

顾行发

双月刊

1007-4619

jrs@irsa.ac.cn

010-64806643

100101

北京市安外大屯路中国科学院遥感应用研究所

遥感学报/Journal Journal of Remote SensingCSCD北大核心CSTPCDEI
查看更多>>本刊为专业性学术刊物。反映遥感领域的科研与技术应用成果。包括航天航空、农业、林业、资源开发、环境监测和保护、区域和工程地质勘探和评价、找矿、灾害监测和评估等领域的应用，以及地理信息系统、遥感、GIS及空间定位系统的综合应用等方面。读者对象为遥感及相关学科的科研人员及高等院校师生。
正式出版
收录年代

    考虑光谱信息和超像素分割的高光谱解混网络

    谢金凤陈涛
    142-153页
    查看更多>>摘要：在高光谱解混的过程中考虑影像的空间信息,能够有效提高解混精度.而超像素分割能够划分空间同质区域,为此本文提出一种考虑光谱信息和超像素分割的解混网络(SSUNet).首先需对原始影像进行超像素分割处理,获得具有空间特征的超像素分割数据,然后采用SSUNet对原始高光谱数据和超像素分割数据进行训练和解混.在线性和非线性混合模型生成的模拟数据集和两个真实数据集上的实验表明,与SUnSAL、SUnSAL-TV、SCLRSU、MTAEU、EGU-Net-pw和1DCNN的解混结果相比,所提网络具有更高的解混精度和较好的鲁棒性.

    高光谱图像高光谱解混光谱和空间信息超像素分割深度学习卷积神经网络

      原文链接:
    • 万方数据
    • 维普

    模态间匹配学习的高光谱和激光雷达联合分类

    杭仁龙孙瑜刘青山
    154-167页
    查看更多>>摘要：如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键.近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注.然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量.为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性.具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签.然后,利用该标签训练含有多个卷积层的匹配学习网络.该网络由两个并行分支构成,每个分支负责提取单个模态的特征.最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型.该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果.为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验.实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能.

    遥感图像高光谱图像激光雷达数据深度学习匹配学习联合分类

      原文链接:
    • 万方数据
    • 维普

    基于多方向自适应感知网络的高光谱遥感图像分类

    刘倩吴泽彬徐洋郑鹏...
    168-186页
    查看更多>>摘要：高光谱遥感能够同步获取目标场景的光谱数据和空间图像,满足对目标物体成分组成和形貌特征的探测需求,已被广泛应用于精准农业、地质勘察、环境监测和生物医学等领域.近几年,得益于优秀的空谱信息表征能力,基于卷积神经网络的高光谱图像分类方法取得了优于传统方法的分类精度.然而,基于一定规则和固定方形窗口的卷积运算无法满足不同对象、不同分布的空谱特征提取需求,当像素位于类别边缘时该模式无法避免其他类别的无关信息,导致类别间的信息扩散以及跨类别像素的误分和错分.针对上述问题,本文提出了一种基于多方向自适应感知的高光谱图像空谱联合分类方法,并通过联合不同邻域范围的空谱上下文信息来改善模型的局部空谱建模能力.具体研究过程如下:首先,将常规卷积网络的全窗口滤波器拆分为不同方向的半窗滤波器,从而设计出侧窗卷积以捕捉具有方向性的空谱特征;然后,在此基础上进一步将不同方向的侧窗滤波核整合到统一的卷积架构中构造空谱分离多方向卷积,并设计方向自适应感知模块,以密集连接构建基于高光谱图像的多方向自适应感知分类网络,赋予模型自适应学习多种空谱结构特征的能力,弥补常规卷积和侧窗卷积只能建模单一方向空谱关系的不足,提升模型对复杂空谱结构的刻画能力.在3个公开数据集上的实验结果表明,本文提出的多方向自适应感知分类方法较常规卷积方法具有更优的分类性能,能增强边缘样本的表征准确性,改善分类中的边缘混淆现象.

    遥感高光谱图像深度学习多方向自适应感知空谱结构建模空谱联合分类

      原文链接:
    • 万方数据
    • 维普

    联合空间信息的高光谱遥感协同表示动态集成分类算法

    虞瑶苏红军陶旸
    187-202页
    查看更多>>摘要：近年来,集成学习成为高光谱遥感影像分类的研究热点,尤其是动态集成算法根据测试样本的特征自适应地选择最佳分类器,其分类性能显著提升.然而现有的动态集成方法仅考虑测试样本与验证样本的光谱信息,忽略了高度规则化的高光谱遥感影像包含的丰富空间信息.为进一步提升高光谱遥感影像动态集成算法分类的准确性和可靠性,提出了联合空间信息的可变K邻域动态集成算法VKS(Variable K-neighborhood and Spatial Information)和联合自适应邻域空间信息的可变K邻域动态集成算法VKSA(Variable K-neighborhood with Shape-Adaptive).两种算法第一阶段综合考虑分类器精度与相似度自适应地改变测试样本的K邻域,第二阶段分别设计固定窗口和自适应窗口的嵌入方式增加地物的局部空间近邻关系,充分利用高光谱遥感影像地物复杂的空间形态结构信息.实验部分采用3组通用的高光谱遥感影像数据对所提出算法的性能进行综合评价.结果表明相比于传统的动态集成算法,本文提出的联合空间信息的动态集成模型能显著提升分类精度,其中基于自适应窗口方式的VKSA算法明显优于基于固定窗口的VKS算法.

    高光谱遥感动态集成自适应邻域协同表示影像分类

      原文链接:
    • 万方数据
    • 维普

    结合协方差池化与跨尺度特征提取的高光谱分类

    汪乐彭江涛陈娜孙伟伟...
    203-218页
    查看更多>>摘要：深度卷积神经网络在高光谱图像分类任务上取得了优越性能.但是,主流深度学习算法通常采用一阶池化运算,容易忽略光谱之间的相关性,因而难以获取高阶统计判别特征.另外,这类算法往往难以选择最优的窗口大小去捕获不同感受野信息.针对上述问题,本文提出了一种结合协方差池化和跨尺度特征提取的高光谱影像分类方法.该方法设计了跨尺度自适应特征提取模块,能够自动提取多尺度特征,获取不同视野的互补信息,避免了尺度选择问题;进一步利用平均池化和快速协方差池化的联合池化操作,得到一阶统计量和结合空间光谱信息的二阶统计量;最终,将一阶和二阶池化特征进行融合用于分类.在3个公开高光谱数据集Indian Pines、Houston和Pavia University上分别随机选取5％、5％和1％标记样本进行训练,本文算法得到的总体分类精度分别达到97.63％、98.48％和98.21％,分类性能优于主流深度学习方法.

    高光谱图像分类协方差池化多尺度特征融合卷积神经网络

      原文链接:
    • 万方数据
    • 维普

    结合空间—光谱信息的快速自训练高光谱遥感影像分类

    金垚董燕妮杜博
    219-230页
    查看更多>>摘要：自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题.传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息,导致最终分类精度受到影响;同时在每次迭代过程中都需要完成一次对未标记数据的分类任务,导致需要大量的时间成本.因此,针对上述问题,本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类.与传统的自训练方法不同,该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充,而不是使用分类器对未标记样本进行分类.首先针对初始标记样本使用空间邻域块选择空间近邻点,然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记,最后根据扩充后的标记样本对分类器进行训练完成分类任务.结果表明,在Washington DC Mall Subimage高光谱数据集中每类分别选择2个和10个训练样本时,整体分类精度分别达到了 93.17％和95.43％;而在Indian Pines数据集中整体分类精度分别达到了59.75％和86.13％.我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比,我们的方法有明显的提升.

    高光谱遥感半监督分类小样本问题空间—光谱信息自训练方法

      原文链接:
    • 万方数据
    • 维普

    对抗与蒸馏耦合的高光谱遥感域自适应分类方法

    于纯妍徐铭阳宋梅萍胡亚斌...
    231-246页
    查看更多>>摘要：高光谱遥感域自适应分类旨在利用有标注样本的源域知识对无标注的目标域场景进行分类,是高光谱跨场景分类的重要方法之一.目前流行的域自适应分类方法利用对抗训练模式实现目标域与源域的特征对齐,但未考虑源域知识是否充分转移至目标域这一关键问题.为了有效提取并迁移源域知识,本文提出一种基于对抗与蒸馏藕合模式的高光谱遥感自适应分类方法UDAACD(Unsupervised Domain Adaptation by Adversary Coupled with Distillation).该方法采用类内样本自蒸馏方式对源域信息进行提炼,提高自适应分类模型对源域监督知识的提取能力;同时,构建知识蒸馏与对抗耦合机制使目标域与源域特征在对抗与蒸馏中实现对齐,利用对抗与蒸馏耦合机制相互补充、相互促进,提升高光谱遥感知识从源域至目标域的迁移能力,进而完成目标域高光谱影像的无监督分类.本文选用Pavia University、Pavia Center、Houston 2013及Houston 2018高光谱遥感场景数据集进行了4组跨场景图像分类实验,结果表明所提出的模型优于其他高光谱域自适应方法,在相同样本条件下取得了较高的分类精度,准确率分别为 91.75％(Pavia University-＞Pavia Center)、74.41％(Pavia Center-＞Pavia University)、70.68％(Houston 2013-＞Houston 2018)及67.76％(Houston 2018-＞Houston 2013),验证了方法的鲁棒性.

    高光谱遥感图像分类域自适应知识蒸馏生成对抗网络

      原文链接:
    • 万方数据
    • 维普

    高光谱影像三分支分组空谱注意力深度分类网络

    苏涵陈娜彭江涛孙伟伟...
    247-265页
    查看更多>>摘要：高光谱影像具有丰富的空间和光谱信息,充分提取和利用这两个维度的信息是高光谱分类算法重点关注的问题.目前深度特征提取网络通常利用单分支串行网络连续提取空谱特征或双分支并行网络分别提取空谱特征.由于空间和光谱维内在差异,单分支串行网络连续提取的两类特征之间会互相干扰.并行双分支网络虽然可以减少两类特征之间的干扰,但同时会忽略空间和光谱特征间的潜在相关性.为解决上述问题,本文提出了一种三分支分组空谱注意力深度网络结构.该网络具有3个分支,分别用于提取空间、光谱和空谱联合特征.针对3个分支的不同特性,设计了不同的注意力机制以加强特征的判别性.该网络既可以提取独立的空间和光谱特征,又保留了空间和光谱之间的相关性.在5个数据集上的实验表明,本文所提出的方法要优于现有的一些先进算法.

    高光谱影像分类注意力机制三分支结构深度网络

      原文链接:
    • 万方数据
    • 维普

    基于Sentinel-2和3D多源域自注意力模型的湿地分类

    楼桉君贺智肖曼李心媛...
    266-279页
    查看更多>>摘要：准确的湿地分类可掌握湿地时空分异特征,在湿地研究中占据重要地位.针对现有基于小样本学习的湿地分类方法仅局限于利用目标域或单源域数据的问题,本文提出一种3D多源域自注意力小样本学习模型3D-MDAFSL(3D Multi-source Domain self-Attention Few-Shot Learning).首先,结合卷积和注意力机制的优势,设计基于自注意力机制和深度残差卷积的3D特征提取器;然后,采用对抗域自适应策略实现多源域特征对齐,在每个域分别进行小样本学习;最后,利用训练好的模型提取特征,并将特征输入至K近邻(K-nearest Neighbor)分类器以获取分类结果.结果表明,3D特征提取器相比无特征提取框架的湿地总体分类精度提升约6.79％;当使用多源域数据集时,3D-MDAFSL模型对中山市Sentinel-2湿地数据集的总体分类精度能达到93.52％,相比于现有算法有明显提升.本文所提出的3D-MDAFSL模型在湿地地物高精度提取和分类中有较好的应用价值.

    遥感小样本湿地分类多源域自注意力

      原文链接:
    • 万方数据
    • 维普

    不同种植设施背景蔬菜作物无人机高光谱精细分类

    胡顺石杨斌黄英岑奕...
    280-292页
    查看更多>>摘要：中国蔬菜产业规模大、产值高,是促进农民增收和农村农业经济发展的支柱产业.快速准确地获取区域尺度蔬菜种植结构信息对于农业现代化、自动化和精细化等具有重要意义.无人机高光谱遥感技术具有快速机动灵活和"图谱合一"的优势,在作物精细分类中具有广泛应用前景.然而蔬菜作物种植规模差异大、农业景观破碎度高,同时还受地膜、大棚和防鸟网覆盖等影响,无人机高光谱图像易产生严重的混合光谱效应,给蔬菜作物精细分类带来了极大的挑战.针对此问题,本研究以湖南省农科院高桥科研基地蔬菜种植区为例,获取无人机高光谱图像,探索采用支持向量机和深度学习方法对不同蔬菜作物进行精细分类.研究结果表明:基于无人机高光谱遥感数据,可以实现不同覆盖背景下的蔬菜作物精细分类;两大分类方法的平均总体精度分别为78.03％和90.75％,平均Kappa系数分别为0.7359和0.8887,相较于支持向量机方法,基于深度学习的分类方法获得的精细分类效果更加理想,三维卷积神经网络和引入注意力机制的卷积神经网络可以有效提取图像中的光谱—空间特征信息,在蔬菜作物精细分类中体现出更好的分类效果;蔬菜作物在大尺度地块上空间纹理特征明显,而在小地块尺度上差异较大,宜采用不同深度学习方法对其进行精细分类;不同覆盖背景与蔬菜作物产生混合光谱效应,对作物精细分类效果影响显著.

    精细分类蔬菜作物无人机高光谱大棚地膜

      原文链接:
    • 万方数据
    • 维普