EEPW论坛

　　项目一：神经架构搜索指导的轻量化特征融合网的遥感图像分类

　　1、项目简介

　　本成果属于图像处理技术领域，具体涉及一种NAS指导的轻量化深度可分离卷积特征融合网的高光谱图像分类方法。

　　本成果提供一种轻量化深度可分离卷积特征融合网的高光谱图像分类方法，充分利用轻量化结构分别提取空间信息与光谱信息通过多层特征融合进行样本预测，再经过投****表决预测最终分类结果。本方法通过轻量化结构提取光谱信息与空间信息，克服传统方法只利用高光谱图像光谱信息的缺点，采用光谱信息与空间信息相融合的方法，降低参数数量，增加网络深度，提升网络运行效率，改善了分类准确度。

　　请参阅表1到表3，在三个数据集上，本方法提出的高光谱图像分类方法，相比于传统分类器SVM和SVMCK，以及深度学习方法2D-CNN，3D-CNN，DFFN和SSRN，本方法提出的网络结构取得了最优的分类效果。

　　使用总体精度OA、平均精度AA、卡帕系数KAPPA指标分析评价模型，OA、AA、KAPPA指标越高，模型的分类准确性越高。

　　2、应用技术成果

　　高光谱遥感图像在军事与民用领域有着广阔的应用前景，进行高光谱遥感图像分类具有极大的经济效益。本技术通过对卷积神经网络进行轻量化处理，降低网络参数数量，提高网络运行效率，在未来将高光谱遥感图像处理可以应用于嵌入式设备与移动终端。

　　项目二：基于双通道的空谱胶囊生成对抗网的遥感图像分类

　　1、成果简介

　　本成果属于图像信息处理技术，特别涉及一种基于双通道空谱胶囊生成对抗网的高光谱遥感地物分类方法。

　　本成果提供一种双通道空谱胶囊生成对抗网的高光谱遥感地物分类方法。包含了光谱结构和空谱结构，通过生成对抗网络提取特征，并在判别器部分构建胶囊网络，建模样本的相对位置等细节特征。同时构建八度卷积、多尺度卷积与对称填充偶数卷积方法，在降低胶囊网络参数量的同时改善特征图偏移问题，最后通过空谱融合实现整体网络输出，在小样本的情况下有效提升模型分类精度。

　　在数据集上，每类取40个样本训练模型，剩下的有标签样本为测试集。

　　2、应用技术成果

　　高光谱图像地物分类在军事和民用领域有广阔的应用前景和可观的经济效益。本方法利用生成对抗网络和胶囊网络提取空谱信息，在小样本的情况下提高模型分类准确性，具有实用性和可操作性。

　　项目三：基于半监督的多级空谱特征融合全卷积网的遥感图像分类

　　1、项目简介

　　针对我国沿岸封闭海湾自净能力弱和滩涂、水体等典型生境退化严重的实际，建立基于“驱动力-压力-状态-影响-响应（DPSIR）”框架模型的封闭海湾生境退化综合诊断技术，确定其生境退化的主导因素；开发基于有限元技术的浅海水动力模型（SHYFEM）、充分利用潮、余流的稀释、输运能力降低湾内污染物积累的物理修复关键技术和综合利用盐土植物、大型藻类、贝类和多毛类改善水质和滩涂底质的生物修复关键技术，建立“海岸-滩涂-浅海”一体化的生境修复示范区，编制相关技术标准；以DPSIR框架模型为指导，提出封闭海湾典型退化生境的修复策略和对目标海湾（三沙湾）生境有针对性的、切实可行的修复技术方案，重点解决封闭海湾因积累性污染引起的生境退化问题。为提高我国封闭海湾生态环境保护与修复能力，保障沿海经济社会又好又快发展，提供技术支撑和决策咨询。

　　在数据集和萨利纳斯数据集上，每类取分别取20个，10个样本训练模型，剩下的有标签样本为测试集。下表是在测试集上测得的OA、AA、KAPPA和各个类的分类精度。

　　2、应用技术成果

　　高光谱图像地物分类在军事和民用领域有广阔的应用前景和可观的经济效益。本方法利用半监督方法扩充训练样本和使用全卷积神经网络提取空谱信息，在小样本的情况下提高模型分类准确性，具有实用性和可操作性。

　　项目四：基于超像素样本扩充的空谱全卷积高光谱图像分类方法

　　1、项目简介

　　本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。

　　由下表可以看出，在每类选取30个样本的情况下，本 模 型 的 OA，AA，Kappa系数 比 DFFN模型 高 出20.8%，17.4%和26.5%；比CNN高出 23.1%，18.8%和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于DFFN和CNN，达到了较好的分类效果。

　　2、应用技术成果

　　高光谱图像中含有丰富的光谱信息和空间信息，可以实现对地物精确辨别与细节提取。由于高光谱图像独有的特点，高光谱遥感技术已经广泛的应用在不同的领域。在民用领域，高光谱遥感影像已经被用于城市环境监测、地表土壤监测、地质勘探、灾害评估、农业产量估计、农作物分析等方面。高光谱遥感技术已经广泛的应用于人们的日常生活中。因此，设计实用高效的高光谱图像分类方法，已经成为现代社会必不可少的科技需求。随着深度学习的兴起，研究人员也成功将卷积神经网络应用于高光谱图像分类。但是由于训练卷积神经网络需要大量的有标记样本作为训练样本，而高光谱图像标注成本又十分昂贵。本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。

　　项目五：基于空谱胶囊生成对抗网络的高光谱遥感图像分类

　　1、项目简介

　　本成果属于图像信息处理技术，特别涉及一种基于空谱胶囊生成对抗网络的遥感图像分类方法。

　　本成果提供一种空谱胶囊融合生成对抗网络的高光谱图像分类方法。包含了光谱结构和空谱结构，通过生成对抗网络提取特征，并在判别器部分构建胶囊网络，建模样本的相对位置等细节特征。同时构建八度卷积、多尺度卷积与对称填充偶数卷积方法，在降低胶囊网络参数量的同时改善特征图偏移问题，最后通过空谱融合实现整体网络输出，在小样本的情况下有效提升模型分类精度。

　　在数据集上，每类取40个样本训练模型，剩下的有标签样本为测试集。

　　在PaviaU数据集上，该成果方法在每类只取40个训练样本的情况下，比SVM方法在OA、AA、Kappa上有24%、18%以及30%以上提升。对比于CNN方法有约15%、13%以及20%左右的提升。本方法在每个类的分类准确性均优于传统分类器SVM和CNN，达到了较好的分类效果。

　　2、技术应用领域

　　高光谱图像地物分类在军事和民用领域有广阔的应用前景和可观的经济效益。本方法利用生成对抗网络和胶囊网络提取空谱信息，在小样本的情况下提高模型分类准确性，具有实用性和可操作性。