论文学习笔记：高分辨率遥感影像解译中的机器学习范式

最新推荐文章于 2024-04-30 17:52:46 发布

快乐店铺永远不打烊

最新推荐文章于 2024-04-30 17:52:46 发布

阅读量226

点赞数 1

分类专栏：知识图谱学习记录文章标签：机器学习人工智能 python

本文链接：https://blog.csdn.net/weixin_42550640/article/details/129244885

版权

知识图谱学习记录专栏收录该内容

2 篇文章 0 订阅

订阅专栏

来源：National Remote Sensing Bulletin 遥感学报

作者：周培诚、程塨、姚西文、韩军伟

1. 西北工业大学深圳研究院 , 深圳 518057;

2. 西北工业大学自动化学院 , 西安 710072

传统的高分辨率遥感影像解译通常采用人工目视解译方式，费时费力且精度低。所以，如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。

文献核心内容：

全监督学习：需要大量的标注数据，进行特征选择和分类器训练。常见的分类器有支持向量机（SVM），K-最近邻、决策树、随机森林、概率图模型等。

半监督学习：少量标注数据+大量未标注数据的情况下，用大量未标记样本改善性能。主要包括纯半监督学习、直推学习和主动学习等3种类型。纯半监督学习就是开放世界，假定训练数据中的未标记样本并非所有待测样本，直推学习是封闭世界，即未标记样本是所有待测样本

弱监督学习：在监督信息较弱的情况下训练预测模型。

无监督学习：在没有任何标注信息的情况下训练模型，包括聚类、主成分分析、稀疏表达等。

深度学习：是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更加抽象的含有语义信息的高层特征，从而最终提升分类或预测的准确性。包括堆栈自编码机、深度信念网络、卷积神经网络、循环神经网络和生成对抗网络。

基于不同的机器学习范式，总结了在遥感影像解译任务（目标检测、场景分类、高光谱图像分类、语义分割、目标识别等）中的应用。

文献相关知识的补充：

支持向量机（SVM）—— 软硬通吃分类大法

SVM最初提出是为了解决二分类问题，在日常生活中也经常会遇到二分类问题，也就是简单的是否、有无问题，例如借贷问题，我们根据一个人的收入、职业、存款等相关因素进行分析，判断是否可以进行借贷。

其基本思想就是找一个决策边界使得边界间隔最大，如果数据分布在数轴上，那可以找一个点进行分类，如果数据分布在平面上，可以找一条线进行分类，如果数据分布在三维空间，可以找一个平面进行分类，也就是维度等于n的时候，我们可以找到一个n-1维度的超平面来进行分类，分离的目的就是找到使决策边界最大化的那些支持向量，而所谓的支持向量就是到决策边界距离最小的点，这种理想情况被称为SVM硬分类。SVM软分类就是允许一定的错误但追求总体的最佳效果，用来解决过拟合问题。

然而实际当中会遇到更加复杂的问题，SVM就会运用核技巧，通过核函数把低维空间数据映射到高维空间，多数情况下高斯核效果不错，它能捕捉非线性特征，而且需要调整的参数也很少，虽然SVM在大规模数据处理上已无法和深度学习相提并论，但是在小样本任务上依然有着不错的效果。

K-最近邻 —— 少数服从多数原则

有三个要素：第一就是判断点之间的距离度量，也就是距离远近；第二就是选择参考点数量，也即是K的值，第三就是分类决策规则，也就是多数投票策略，少数服从多数。

随机森林 —— 以弱博强

随机森林是集成学习的典型算法，随机就是随机从数据集中采样，以训练模型中的每颗决策树，森林就是包含很多决策树，随机森林和决策树有异曲同工之妙，一个向上一个向下，所谓的决策树就是从根节点开始一步步走到叶子节点，如何选择根节点是决策树的核心，单棵决策树有着共同的起点，这导致决策树的表征能力受限。

随机森林远比单棵决策树强大，首先样本随机且允许一定的重复，数据足够多样大大提升特征空间的分辨率，使决策边界更加平滑准确，其次特征随机，随机选取的特征子集可以在特征空间中形成更加有效的决策边界，从而大大减轻过拟合问题，随机森林的树结构十分清晰，因此简单高效，可解释性强，可以处理高维特征，随机森林应用十分广泛，金融领域用于信用风险评估，医疗领域用于疾病诊断，互联网领域用于推荐系统等。

概率图模型

概率图模型最重要的就是用图描述清楚随机变量之间的关系，将概率引入到机器学习中，而图作为工具，有无向图（马尔科夫随机场）和有向图（贝叶斯网络），马尔可夫性有三种，成对马尔可夫性，局部马尔可夫性、全局马尔可夫性，这三者其实是等价的，条件随机场模型在NLP领域中经常用于语义识别。

深度信念网络DBN

打开了深度学习的大门，将多个受限玻尔兹曼机（RBM）堆积在一起，用贪婪的方式进行训练，可以对训练数据进行深层表达的图形模型。

卷积神经网络CNN

全连接神经网络的缺点：求偏导，偏导链式法则，网络层越深计算量越大，不止一个神经元会形成多个复杂嵌套关系，会带来计算灾难。

CNN分为输入层，卷积层，池化层，输出层（全连接层+ softmax layer），至少有1个卷积层，卷积层用来提取特征（去除冗余提取精华，压缩卷积核，相当于映射函数，卷积核将结果映射到卷积层），可能有多个卷积核，多层叠加会使卷积层输出结果变胖，卷积层之间的神经元是局部连接和参数共享，减少计算量，池化层是对卷积层输出的特征图进一步特征抽样。CNN主要应用在图像上，例如图像分类、图像检测等。

循环神经网络RNN

简单的神经网络就是输入层x即进入隐藏层神经元，再经过输出产生最后的结果y，通过调整权重win和wout就可以实现学习的效果，通常情况下，深度学习网络都是水平延伸的，例如CNN，但是没有考虑单个隐藏层在时序上的变化，RNN则更加细腻，关注隐藏层的每个神经元在时间维度上的不断进步，也就是网络结构不变，没有添加新的神经元，但是沿着时间轴recurrent建立时序上的关联（重复），看上去是级联，但实际上却沿着时序反复迭代网络结构，实现了对序列数据的学习，也就是让神经网络有了某种记忆的能力，根据不同的问题需要，隐藏层的时间关联可以是全连接的，也可以是自己对自己的。

对于图片分类而言，往往都是独立的，前后无关的，因此用CNN就足够，但是对于语言类问题，输入的语境和语序都是十分重要的，RNN就派上用场了，在NLP领域实现了巨大的飞跃，RNN的训练和传统神经网络一样，采用误差反向传播+梯度下降来更新权重，只不过在计算隐藏层的时候要引入之前不同的时刻数据。

由于时序上的层级关系，使得RNN在输入输出关系上有更大的灵活性，能够解决不同的问题，例如1toN的形式实现看图说话，Nto1的形式可以实现情感分析，NtoN(输入输出是等长序列)的形式可以实现生成文章等，NtoM(输入输出是不等长序列，即Encoder-Decoder模型)的形式可以实现机器翻译、对话生成等。时序上的依赖导致RNN就像人的记忆难以持久一样，不能无限延伸，因此为了解决这一问题又在RNN的基础上提出了长短期记忆网络（LSTM）。

生成对抗网络GAN

GAN模型的结构总体看包括生成器和判别器两个网络，即生成提供原料，对抗产生动力，生成器由随机出入生成模拟样本，判别器通过比较真实样本和生成样本之间的两种损失，来迭代更新网络，不断缩小生成样本和真实样本间的差别，直到真假难辨，从而获得强大的生成模型，GAN模型有了广泛的应用，例如图像数据集自动生成、不同年龄段的照片自动生成、文字或语义转照片、自动生成3D模型等。

高分辨率遥感影像解译任务和相关实现如下图所示：