基于动态联合图进行迁移学习的遥感图像分类方法研究

For classification of remote sensing images, labeled instances are often difficult to obtain. Transfer learning is able to transfer knowledge from the existed remote sensing images, and then learn a classifier that is suitable for the new image and achieve automatic classification. The current transfer learning approaches cannot achieve feature alignment of each class and do not aim to improve the data separability. Therefore, this project attempts to solve the problems by introducing the dynamic joint graph, and propose graph joint graph based transfer learning algorithm for classification of remote sensing image. Firstly, a dynamic joint graph structure is constructed. It includes source domain graph constructed by discriminant analysis, target domain graph constructed by multi-feature manifold learning, and cross-domain graph constructed by combining different transfer strategies or learning cross-domain relation matrix. The first two graphs can describe the data manifold and thus improve the separability, and the third graph is able to characterize the relationships of each class between domains. Secondly, based on the dynamic joint graph structure, the traditional graph based learning algorithms are developed to transfer learning approaches, and thus a series of dynamic joint graph based algorithms are provided for the cross-domain classification problem. This project investigates the effect of joint graph for knowledge transfer, and will promote the development of transfer learning approach for remote sensing image classification.

遥感图像分类中存在标记样本难以获取的问题，而迁移学习算法能够把已有遥感图像的知识迁移到新图像，对缺乏标记信息的新图像进行分类，能大幅度提高图像分类的自动化水平。当前迁移学习算法中，由于未针对各个类别进行知识迁移，而且忽略了数据的可分性，导致目前分类精度不高。针对该问题，本项目拟引入动态联合图结构进行解决，开展基于动态联合图进行迁移学习的遥感图像分类方法研究。首先研究动态联合图的构造方法，包括基于判别分析思想构造源域图和利用多特征流形学习算法构造目标域图，以提高数据可分性；研究结合不同迁移策略或学习域间关系矩阵来构造域间图的方法，以全面准确描述域间各个类别之间的对应关系。最后基于动态联合图，将传统的基于图的学习算法发展为新的迁移学习算法，为跨领域数据分类问题提供一类基于动态联合图的学习算法。本项目将深入探讨联合图在迁移学习中的应用，发展图理论，促进面向遥感图像分类的迁移学习技术的发展。

遥感图像分类中存在标记样本难以获取的问题，而迁移学习算法能够把已有遥感图像的知识迁移到新图像，对缺乏标记信息的新图像进行分类，能大幅度提高图像分类的自动化水平。当前迁移学习算法中，由于未针对各个类别进行知识迁移，而且忽略了数据的可分性，导致目前分类精度不高。针对该问题，本项目引入动态联合图结构，开展基于迁移学习的遥感图像分类方法研究。. 项目重要成果包括：（1）针对动态联合图的构造问题，提出基于流形正则化的域内图构造方法、基于近邻一致性和属类概率的域间图构造方法、基于循环一致性的联合图优化算法。在多组遥感图像上的实验结果表明，性能更好的图结构明显提高了遥感图像分类性能。（2）迁移策略是迁移学习算法的关键，提出多种有效的迁移策略，包括：类心和协方差对齐策略、流形对齐和重构对齐策略、关联学习策略、对抗自适应和类心对齐结合的策略、图网络和协方差对齐结合的策略。不同迁移策略利用不同的数据特征描述方式，全面深入挖掘两域数据的对应关系。（3）提出基于深度网络的迁移学习算法，由于深度网络不仅可以提取图像深度特征，同时得到域不变特征和自适应分类器，还能够对大尺度遥感数据进行处理，因此使用深度网络进行特征提取和分类，并引入对抗学习等多种迁移策略，达到更好的迁移学习效果。. 本项目提出多种联合图构造方法和多种迁移学习策略，发展出多种有效的迁移学习算法。自从2018年该项目启动以来，以第一作者或通讯作者发表论文16篇，其中SCI论文10篇，EI收录的国际会议论文6篇；获批国家发明专利3项；参加国际会议8人次，国内会议10人次；培养研究生10人，其中8人发表国际SCI期刊论文；完成硕士毕业论文8篇，其中4人获得校级优秀硕士学位论文，2人获得国家奖学金。