基于深度學(xué)習(xí)與高光譜數(shù)據(jù)的人造目標(biāo)檢測(cè)

1、基于深度學(xué)習(xí)與高光基于深度學(xué)習(xí)與高光譜數(shù)據(jù)的人造目標(biāo)檢測(cè)譜數(shù)據(jù)的人造目標(biāo)檢測(cè)####摘要摘要高光譜遙感，基于其內(nèi)在能力來(lái)捕捉描述材料的光譜信息，對(duì)于目標(biāo)檢測(cè)與識(shí)別有獨(dú)特的能力。在這篇文章中，我們使用深度學(xué)習(xí)分類框架與高光譜數(shù)據(jù)處理了人造目標(biāo)檢測(cè)問(wèn)題。通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的有效探索，我們編碼像素的光譜信息和空間信息，使用多層感知機(jī)完成分類任務(wù)。在廣泛使用的高光譜數(shù)據(jù)中獲得的實(shí)驗(yàn)結(jié)果和性能定量驗(yàn)證，證明了提出的方法對(duì)于正確率和人造目標(biāo)自動(dòng)檢測(cè)

2、。的良好性能。####簡(jiǎn)介簡(jiǎn)介自動(dòng)提取人造目標(biāo)，比如建筑、建筑群或者馬路，是一些政府活動(dòng)的重要支持，比如城市計(jì)劃、地籍管理和自然保護(hù)區(qū)域監(jiān)視，環(huán)境監(jiān)測(cè)和多種GIS應(yīng)用比如地圖繪制和更新。因此，從高光譜遙感數(shù)據(jù)中進(jìn)行人造目標(biāo)的提取成為遙感領(lǐng)域、攝影測(cè)量法與計(jì)算機(jī)視覺的一個(gè)重要話題，至今已活躍了至少20年。今天，人造目標(biāo)檢測(cè)依舊是一個(gè)活躍的研究領(lǐng)域，研究熱點(diǎn)從目標(biāo)細(xì)節(jié)表示到使用多傳感器的數(shù)據(jù)和通用的包含空間信息的正確率算法設(shè)計(jì)。最近國(guó)際攝影

3、測(cè)量與遙感學(xué)會(huì)的研究成果顯示，在城市目標(biāo)檢測(cè)與3D建筑重構(gòu)方面的benchmark顯示，在2D方面，可以有效地識(shí)別與分離建筑與其他地形目標(biāo)，然而，這里有個(gè)成果改進(jìn)了對(duì)于小目標(biāo)結(jié)構(gòu)的檢測(cè)與建筑物邊界的精確描繪。許多研究機(jī)構(gòu)努力考慮在他們的人造目標(biāo)檢測(cè)架構(gòu)上的分類方法，，檢測(cè)是主要基于衛(wèi)星多光譜數(shù)據(jù)集上。對(duì)于多時(shí)間數(shù)據(jù)高效計(jì)算是一個(gè)前提。然而，由于最近的光子學(xué)、光學(xué)和納米技術(shù)高光譜衛(wèi)星和空氣數(shù)據(jù)變得越來(lái)越可用和便宜，同時(shí)，新的目標(biāo)檢測(cè)算法被

4、引入和驗(yàn)證。通常，對(duì)于遙感應(yīng)用和高光譜數(shù)據(jù)分類，深度學(xué)習(xí)算法比起其他效果好的方法有更低的錯(cuò)誤率。與遵循傳統(tǒng)的范例的模式識(shí)別的方法，包括從原始輸入數(shù)據(jù)構(gòu)造復(fù)雜的人深度學(xué)習(xí)結(jié)構(gòu)可能包含很多卷積層和子采樣層，最后一個(gè)子采樣層通常連接到MLP，解決分類或回歸任務(wù)。整個(gè)深度學(xué)習(xí)結(jié)構(gòu)使用經(jīng)典的BP算法進(jìn)行訓(xùn)練。###針對(duì)高光譜數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)針對(duì)高光譜數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)一幅高光譜圖像被表示為3維張量，維度為（hwc）hwc表示輸入的高度，寬度和通

5、道數(shù)。和之前提到的一樣，卷積神經(jīng)網(wǎng)絡(luò)生成全局圖像特征。然而，人造目標(biāo)檢測(cè)可以視作基于像素的分類問(wèn)題。為了能夠使用CNN做人造目標(biāo)檢測(cè)，我們必須分解捕獲的高光譜圖像為區(qū)塊，每個(gè)區(qū)塊包含了特定像素的光譜信息和空間信息。更特殊地，為了分類位于圖像平面坐標(biāo)的像素，和成功融合（xy）p(xy)光譜信息和空間信息，我們使用具有相同中心坐標(biāo)的方形區(qū)域。我們（ss）標(biāo)記是處坐標(biāo)的類別標(biāo)簽，是以為中心的區(qū)塊。然后lxy(xy)txypxy我們可以組織數(shù)據(jù)

6、集。區(qū)塊D=(txylxy)x=12...wy=12...htxy是一個(gè)3D數(shù)據(jù)，維度為包含了坐標(biāo)為的像素的光譜信息和空間(ssc)(xy)信息。更多地，張量被劃分為c個(gè)ss的矩陣，作為CNN的輸入，在txy層次上構(gòu)建表征像素的包含光譜信息和空間信息的高層次特征。這些特pxy征會(huì)被送進(jìn)MLP，完成分類任務(wù)。對(duì)于這一點(diǎn)，不得不提的是，在訓(xùn)練深度學(xué)習(xí)結(jié)構(gòu)之后，完成的是對(duì)于區(qū)塊分類而不是對(duì)于像素分類。我們假設(shè)在圖像平面中中心坐標(biāo)為的區(qū)塊的標(biāo)簽