面向高光谱数据分类的深度学习方法研究

Classification and recognition of landmark with high accuracy is one of the key applications of hyperspectral remote sensing technology. Due to the challenges of high dimensions, nonlinear distribution and large scale of hyperspectral data, the classical method of combining handcrafted features with shallow classification algorithm, such as the regression and SVM classification algorithm, has encountered the bottleneck of improving classification performance. The Deep Learning (DL) is able to automatically discover the high-level and inherent patterns in the nonlinear distributed data by multi-layer abstract mechanism. As a new trend of machine learning research, using deep learning for hyperspectral data analysis has received wide and significant attentions. But the current research mainly focuses on applying the fixed structure model to the classification task, rather than designing more efficient deep models according to the characteristics of hyperspectral data. Therefore, from the aspects of network structure and learning efficiency, the project develops deep learning methods adapted to the characteristics of hyperspectral data. The topics we plan to explore include the design of deep convolution network model for the spectral–spatial features extraction, the adaptive learning of deep network structure and its parameter, network structured prediction with spatial consistency constraints and the methods of optimizing and compressing neural network model. Hopefully, this project will provide technical support to the effective analysis of hyperspectral data and advance the theory and algorithm research in deep learning.

对观测地物的精细分类是高光谱遥感技术应用的核心内容。高光谱数据分类通常采用人工设计特征结合回归、SVM等浅层分类器的模式实现，然而高光谱数据往往存在高维度、非线性分布、数据规模大等挑战，在性能提升上遇到了瓶颈。深度学习算法通过多层抽象机制，可自主学习非线性分布数据的高层本质特征，带来了机器学习的一个新浪潮。基于深度学习的高光谱分析也引起了广泛关注，但目前主要集中于将固定结构的模型应用于分类任务，未能针对高光谱数据的自身特点设计更高效的深度模型。为此，本项目从网络结构以及学习效率等方面，研究适用于高光谱数据特性的深度学习方法，主要研究内容包括空谱特征提取的深度卷积模型设计、网络结构及其参数的自适应学习、空间一致性约束的网络结构化预测，以及网络模型的压缩与优化方法，并基于研究成果搭建高光谱分类的原型系统。本项目的开展将为高光谱数据分析提供技术支撑，也将有助于丰富和发展深度学习理论与算法研究。

随着遥感探测技术的发展，获取的高光谱数据具有高的空间分辨率与光谱分辨率，虽然为进一步的分析提供了丰富的可用信息，但高光谱数据所显现的非线性分布、光谱数据间的强相关，以及噪声污染等问题，又使其面临着新的挑战。为了有效应对这一挑战，本项目依据研究计划，着重研究了高光谱空谱深度特征学习、高光谱数据分类的深度卷积模型设计、高光谱表示网络的自适应学习、空间一致性约束的结构化预测等内容，形成了一套适应于高光谱数据特性的深度学习模型与算法，同时基于项目的成果，在全色图像压缩感知成像、高光谱压缩快照成像，气溶胶反演，遥感影像目标检测等问题中进行了拓展研究。项目研究取得了多项成果，已在国内外期刊发表（录用）论文23篇次，其中IEEE trans汇刊3篇，软件学报1篇，电子学报1篇，在本领域重要的国际国内会议发表论文2篇次，其中知名国际会议ECCV论文1篇,合计发表论文25篇，SCI(E)源刊14篇次；授权发明专利1项, 软件著作权3项，申请发明专利9项，发表(录用)的论文数和专利数均满足验收指标，完成了项目计划书规定的研究任务。在本项目资助期间，项目负责人获得了2018 年江苏省高校自然科学一等奖（排名5/5），作为骨干成员入选教育部首批认定的“全国高校黄大年式教师团队”，作为骨干成员入选2019年度江苏省高校优秀科技创新团队，指导研究生获得2019中国多媒体大会（ChinaMM 2019）最佳Poster论文奖，中国航空学会2019“贝式计算杯”信息融合（目标检测与识别）挑战赛二等奖等奖项。项目研究成果具有良好的应用前景，有利于提升高光谱遥感影像的成像效率与智能化处理水平。