基于多尺度残差收缩网络的遥感图像分类算法

针对高分辨率遥感影像分类特征提取不充分、地物识别能力有限的问题，有学者提出了一种面向对象的多尺度残差收缩网络的遥感图像分类算法。首先根据融合旋转不变等价局部纹理特征的超像素分割算法获取影像的超像素对象，采用超像素多个角度的邻域超像素中心连接构成的最小外接矩形作为网络模型的输入；然后利用迁移学习方法微调残差收缩网络，微调后的残差收缩网络作为特征提取网络对多个尺度的超像素对象进行特征提取；最后融合各尺度特征，实现对高分辨率遥感图像的分类。

在对样本进行分类的时候，样本中很可能包含着与当前分类任务无关的信息，这些信息被称为噪声，噪声会对分类效果产生不利的影响。尤其高分辨率遥感图像具有地物细节信息丰富、空间分布复杂等特性，在分类过程中受到噪声的影响较为严重。

深度残差收缩网络结构中的软阈值化是去噪的核心步骤。作用是将绝对值低于某个阈值的特征置为零，其他的特征也朝着零进行调整，也就是“收缩”。软阈值化是一种非线性变换，有着与ReLU激活函数非常相似的性质：梯度值为 1 或 0。有实验表明软阈值化可以作为神经网络的激活函数进行使用。

2019年，M.Zhao等人提出深度残差收缩网络模型用于故障诊断，提高对高噪声信号的特征学习能力，实现了较高的故障诊断精度。尽管最早提出深度残差收缩网络是用于故障诊断，但其实质上可看作一种通用的特征学习方法，同样可用于图像分类研究。因此，该研究选取了深度残差收缩网络中的残差收缩模块作为特征提取的基础模块。

M. Zhao, S. Zhong, X. Fu, B. Tang, M. Pecht. Deep residual shrinkage networks for fault diagnosis[J]. IEEE Transactions on Industrial Informatics, vol. 16, no. 7, pp. 4681-4690, 2020.

李慧. 结合面向对象与深度学习的高分辨率遥感图像分类研究[D]. 广东工业大学, 2020.