面向遥感影像分类的“场景-目标-像素”层次化迁移学习研究

Manually labeling training samples require a lot of human labor, which hardly meet requirements of extracting land cover information in real time. Transfer learning is a new machine learning method that could transfer the training samples from old remote sensing images into new image classification tasks, as a result, reducing the manually labeling costs. However, there are two problems on transfer learning methods: (1) the correlated source labeled samples are hard to be adaptively selected from large amounts of remote sensing images; (2) achieving high performance still needs some prior knowledge in target domain, which might go against auto interpretation. Therefore, under the condition without prior knowledge in target domain, this project proposes to develop scene-object-pixel hierarchical transfer learning framework. Firstly, selecting most correlate source labeled samples from large remote sensing data based on the similarity between the scenes；Secondly, transferring the ground object knowledge in similar scenes to new scene, and recognizing ground object in new scene; finally, transferring the previous samples from source domain, and developing the transfer learning model by effective utilization of transferred previous samples and new samples in target domain. This research has important applications in urban planning, military reconnaissance, environmental monitoring, and disaster evaluation.

遥感影像的人工标注通常需要耗费大量的时间、人力及物力，不能适应土地覆盖信息快速提取的应用需求。迁移学习是一种可以将历史影像内的标记样本迁移到新影像分类任务的机器学习方法，有效降低人工标注成本，是遥感信息处理领域的前沿课题。迁移学习存在的主要问题是：（1）难以自适应地从海量遥感影像中选取可靠的样本集；（2）缺乏目标域先验的条件下，迁移精度不高。对此，本项目提出“场景-目标-像素”层次化迁移框架，主要研究内容包括三个部分：（1）场景相似性匹配，即从相似场景中选择最相关的样本集；（2）新影像内目标识别，即自动学习出新影像中的样本知识；（3）多源异质场景的联合迁移，即联合多个场景中的不同维度的先验样本与学习出的新样本，构建迁移模型。本课题的研究成果有望实现遥感影像大数据的快速地学解译，相关研究成果在军事侦察、环境监测、城市规划、灾害评估等众多领域具有重要的实际应用潜力。

遥感监测作为全球动态监测的重要手段，可以在短周期内对地球表层状况变化进行大规模同步观测。因此快速、准确地提取各类土地覆盖因子信息已经成为模式识别、数据挖掘和遥感信息提取等领域的热点研究问题之一。遥感影像的人工标注通常需要耗费大量的时间、人力及物力，不能适应土地覆盖信息快速提取的应用需求。迁移学习是一种可以将历史影像内的标记样本迁移到新影像分类任务的机器学习方法，有效降低人工标注成本，是遥感信息处理领域的前沿课题。迁移学习存在的主要问题是：(1) 难以自适应地从海量遥感影像中选取可靠的样本集；(2) 缺乏目标域先验的条件下，迁移精度不高。对此，本项目提出“场景-目标-像素”层次化迁移框架，主要研究内容包括三个部分：(1)将待分影像细化为场景，提出场景相似性匹配机制，寻找与其最相似的源域场景；(2) 提取目标不变性特征， 构建地物目标识别模型， 从而增加目标域内样本知识，提高迁移学习的准确性；(3) 利用从相似的源域场景中获取的源域样本集， 以及学习出的目标域样本集， 共同构建稳健的样本迁移模型， 实现对整幅新影像的分类。本课题的研究成果有望实现遥感影像大数据的快速地学解译，相关研究成果在军事侦察、环境监测、城市规划、灾害评估等众多领域具有重要的实际应用潜力。