删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

东北地理所在遥感智能计算与深度学习领域取得重要进展

本站小编 Free考研考试/2020-03-20

从遥感影像提取易于人类理解与利用的信息与知识,一直是遥感领域的核心与关键任务之一。随着遥感技术的快速发展,人类获得的遥感数据量越来越大且种类多样复杂,传统的信息处理方法很难取得满意效果。针对该技术需求,东北地理所地理信息系统学科组与英国兰卡斯特大学开展国际合作,引入先进人工智能技术处理遥感数据,取得了一系列研究进展。
  在遥感智能计算领域,研究人员针对非监督粒子群算法容易陷入局部最优解的不足,提出了一种将列维飞行与粒子群算法结合的搜索策略,开发了一种非监督列维飞行粒子群遥感分类方法(ULPSO),并利用不同遥感数据类型对算法进行验证。实验结果表明,ULPSO具有跳出局部最优解并接近全局最优解的能力,其总体分类精度(OA)显著性地优于传统k-means、遗传算法(UGA)以及粒子群算法(UPSO)。经过多次运行测试,ULPSO稳定性最好。

  图1 不同遥感分类算法目标函数值优化曲线
  在遥感深度学习领域,研究人员针对极高空间分辨率遥感分类难题,基于规则融合手段充分挖掘卷积神经网(CNN)与多层感知器(MLP)处理遥感数据的优势,开发了一种新颖的MLP-CNN分类算法,并利用极高分辨率航空影像对该算法进行了充分验证。研究结果表明,该算法在降低遥感分类“椒盐现象”的同时,能充分挖掘影像的细节信息,是一种非常适合处理极高分辨率遥感影像的技术方法。

  图2 不同分类方法遥感分类结果对比
  相关成果分别发表于国际遥感期刊International Journal of Remote Sensing及ISPRS Journal of Photogrammetry and Remote Sensing(遥感顶级期刊)上。主要工作由我所李华朋博士及兰卡斯特大学张策博士共同完成,研究工作得到国家自然科学基金(41301465)及吉林省优秀青年科学基金项目(20170520087JH)资助。
  [1] Huapeng Li, Shuqing Zhang, Ce Zhang, Ping Li and Roger Cropp. A novel unsupervised Levy flight particle swarm optimization (ULPSO) method for multispectral remote-sensing image classification. International Journal of Remote Sensing, 2017, 38(23): 6970–6992.
  链接及下载: http://www.tandfonline.com/doi/citedby/10.1080/01431161.2017.1368102?scroll=top&needAccess=true
  [2] Ce Zhang, Xin Pan, Huapeng Li, Andy Gardiner, Isabel Sargent, Jonathon Hare, and Peter M. Atkinson. A hybrid MLP-CNN classifier for very fine resolution remotely sensed image classification. ISPRS Journal of Photogrammetry and Remote Sensing. (In press)
  链接及下载: http://www.sciencedirect.com/science/article/pii/S0924271617300254
  
相关话题/计算 智能