基于深度學習與高光譜數(shù)據(jù)的人造目標檢測

1、基于深度學習與高光基于深度學習與高光譜數(shù)據(jù)的人造目標檢測譜數(shù)據(jù)的人造目標檢測####摘要摘要高光譜遙感，基于其內在能力來捕捉描述材料的光譜信息，對于目標檢測與識別有獨特的能力。在這篇文章中，我們使用深度學習分類框架與高光譜數(shù)據(jù)處理了人造目標檢測問題。通過對卷積神經(jīng)網(wǎng)絡的有效探索，我們編碼像素的光譜信息和空間信息，使用多層感知機完成分類任務。在廣泛使用的高光譜數(shù)據(jù)中獲得的實驗結果和性能定量驗證，證明了提出的方法對于正確率和人造目標自動檢測

2、。的良好性能。####簡介簡介自動提取人造目標，比如建筑、建筑群或者馬路，是一些政府活動的重要支持，比如城市計劃、地籍管理和自然保護區(qū)域監(jiān)視，環(huán)境監(jiān)測和多種GIS應用比如地圖繪制和更新。因此，從高光譜遙感數(shù)據(jù)中進行人造目標的提取成為遙感領域、攝影測量法與計算機視覺的一個重要話題，至今已活躍了至少20年。今天，人造目標檢測依舊是一個活躍的研究領域，研究熱點從目標細節(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計。最近國際攝影

3、測量與遙感學會的研究成果顯示，在城市目標檢測與3D建筑重構方面的benchmark顯示，在2D方面，可以有效地識別與分離建筑與其他地形目標，然而，這里有個成果改進了對于小目標結構的檢測與建筑物邊界的精確描繪。許多研究機構努力考慮在他們的人造目標檢測架構上的分類方法，，檢測是主要基于衛(wèi)星多光譜數(shù)據(jù)集上。對于多時間數(shù)據(jù)高效計算是一個前提。然而，由于最近的光子學、光學和納米技術高光譜衛(wèi)星和空氣數(shù)據(jù)變得越來越可用和便宜，同時，新的目標檢測算法被

4、引入和驗證。通常，對于遙感應用和高光譜數(shù)據(jù)分類，深度學習算法比起其他效果好的方法有更低的錯誤率。與遵循傳統(tǒng)的范例的模式識別的方法，包括從原始輸入數(shù)據(jù)構造復雜的人深度學習結構可能包含很多卷積層和子采樣層，最后一個子采樣層通常連接到MLP，解決分類或回歸任務。整個深度學習結構使用經(jīng)典的BP算法進行訓練。###針對高光譜數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡針對高光譜數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡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)絡生成全局圖像特征。然而，人造目標檢測可以視作基于像素的分類問題。為了能夠使用CNN做人造目標檢測，我們必須分解捕獲的高光譜圖像為區(qū)塊，每個區(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的方形區(qū)域。我們（ss）標記是處坐標的類別標簽，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3D數(shù)據(jù)，維度為包含了坐標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ss的矩陣，作為CNN的輸入，在txy層次上構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征會被送進MLP，完成分類任務。對于這一點，不得不提的是，在訓練深度學習結構之后，完成的是對于區(qū)塊分類而不是對于像素分類。我們假設在圖像平面中中心坐標為的區(qū)塊的標簽