多尺度深度Contourlet网络及其多目标学习优化算法

Research on Object detection and recognition plays an important role in the understanding and interpretation of high resolution optical remote sensing images. The current target detection and recognition algorithms based on deep learning can achieve well performance. However, the existing deep neural network models have insufficient image representation and function approximation abilities on singularity of high-dimensional point line surface. Moreover, the gradient descent method is easily to fall into local minimum in the training of neural networks. In order to deal with the problems that existing deep neural networks are insufficient in the representation of high-dimensional singularity, poor in the approximation ability and lack of the deep structure-related optimization, on the basis of multi-scale geometric analysis, deep learning, visual attention theory and multi-objective evolutionary optimization, a deep contourlet network model via attention mechanism and multi-scale geometric representation is proposed, and a multi-objective evolutionary method is presented to optimize above deep contourlet network model. The effectiveness of the proposed method is verified on the practical data collected by the domestic Gaofen-1 satellite, Gaofen-2 satellite and Jilin-1 satellite. This research has important research significance and application value for object detection and recognition of high resolution optical remote sensing image.

目标检测与识别是高分辨光学遥感影像理解与解译的重要研究内容。当前基于深度学习的目标检测与识别算法已显示出很好的性能，但现有深度神经网络模型本身存在高维点线面奇异性的图像表征能力和函数逼近能力不足、且梯度下降法在训练神经网络时常陷入局部最小值的问题。本课题针对已有深度神经网络对高维奇异性的表征不足、逼近能力差以及缺乏结构优化的问题，以多尺度几何分析、深度学习、视觉显著注意理论及多目标进化优化为基础，建立基于注意机制及多尺度几何表征的深度Contourlet网络模型，提出用于深度Contourlet网络结构优化的多目标进化方法，并在国产高分一号、二号及吉林一号卫星采集的实际数据上验证所提方法的有效性。该研究对于高分辨光学遥感影像的目标检测与识别具有重要的研究意义和应用价值。

高分辨率光学遥感影像中目标具有多尺度、多方向等特性，加之物体成像时会有光照、遮挡等因素的干扰和影像复杂的空间排列，使得高分辨率光学遥感影像的目标检测与识别成为计算机领域最具挑战性的问题。多尺度深度Contourlet网络及其多目标学习优化算法课题主要已有深度神经网络对高维奇异性的表征不足、逼近能力差以及缺乏结构优化的问题，结合高分辨光学遥感影像的典型特征-点线面高维奇异性和稀疏特性，以多尺度几何分析 、深度学习、视觉显著注意理论及多目标进化优化为基础，建立基于注意机制及多尺度几何表征的深度Contourlet网络模型，利用多尺度几何的Contourlet 函数表征神经元的基函数，并将生物视觉注意机制和Contourlet 函数的逼近能力结合；同时，将深度神经网络结构优化建模为一个多目标优化问题，并用进化计算求解多目标深度神经网络优化问题，从而使得神经网络的权值优化和结构优化同时有效进行，进而提高函数的逼近和求解性能。针对已有深度神经网络对高维奇异性的表征不足、逼近能力差等难点问题，提出了基于多尺度几何分析与图像稀疏表示模型，克服高维奇异性检测与逼近能力弱的问题，提高深度神经网络对高维奇异性信息的稀疏表征能力和推广能力。在实际应用中，为了提高影像的分类检测与识别精度，提出了深度多级融合网络，可以实现对多传感器数据进行分类；提出的非线性投影字典对学习(NDPL)模型用于自适应地获得输入数据元素之间的非线性关系；提出了交互式建议图网络（IPGN），用于学习一个网络中的交互知识，提升检测精度。该算法在国产高分一号、二号及吉林一号卫星采集的实际数据上验证了所提方法的有效性。该研究对于高分辨光学遥感影像的目标检测与识别具有重要的研究意义和应用价值。