《高光譜遙感大數據語義分割研究》是依託哈爾濱工業大學，由陳雨時擔任項目負責人的面上項目。
基本介紹
- 中文名：高光譜遙感大數據語義分割研究
- 依託單位：哈爾濱工業大學
- 項目類別：面上項目
- 項目負責人：陳雨時
項目摘要,結題摘要,
項目摘要
成像光譜技術的發展，在確保光譜解析度的基礎上，在促使空間解析度提高的同時，也帶來了體量大、類別多的高光譜遙感大數據。數據獲取手段的提升給信息處理方法帶來了新的挑戰，主要體現在：一、高光譜數據空間解析度的提高，使得以像素級層面處理為中心的方法難以適應；二、高光譜遙感獲取了廣域場景、不同時相、地物類別眾多的大數據，而當前處理方法難以滿足實際需求。本項目針對高光譜遙感大數據的語義理解，套用深度網路處理高光譜數據的空間、光譜信息，提取魯棒的空譜特徵，最終形成對數據的語義分割。主要研究內容包括：一、時間-空間-光譜變化下的高光譜數據特性分析；二、基於混合深度網路的高光譜數據一體化表達及魯棒特徵提取；三、針對深度網路設計困難及容易形成局部極值，提出進化深度網路；四、完成深度特徵下高光譜數據分割，促使高光譜數據的語義理解。研究將形成高光譜數據特徵提取及語義理解軟體包，促進高光譜遙感的理論研究及實際套用。
結題摘要
（特別說明：由於項目執行期限由4年調整為1年，在項目計畫書中對研究內容進行了較大程度的調整，研究內容主要集中在高光譜數據的分類上。） 高光譜遙感能夠以納米級的光譜精度對目標地物進行成像，這種具有“圖譜合一”成像方式是遙感領域的一大突破。然而，如何有效處理高光譜遙感不僅是理論熱點，更是現實問題。高光譜數據分類是高光譜遙感信息處理的核心問題，也是高光譜遙感得到廣泛、深入套用的前提。本項目利用深度學習技術，對高光譜數據的分類問題開展了創新性科學研究。這一年來的進展主要體現在以下兩個方面： 1、提出結合Gabor濾波的卷積神經網路用於高光譜數據分類方法。利用一組具有特定頻率和相位的Gabor濾波器，提取方向和相位的紋理細節，將經過Gabor濾波器濾波之後的高光譜數據作為卷積神經網路的輸入，從而有利於圖像分類精度的進一步提升。針對訓練樣本量較少問題，通過Gabor濾波器進行預處理，有效解決了高光譜數據小樣本分類問題。 2、提出基於生成對抗網路的有監督高光譜數據分類方法。從數據的光譜維度和空間-光譜相結合的維度進行分析和研究，並針對性的提出高光譜數據1D-GAN和3D-GAN的網路結構，對不同層面的數據進行特徵提取，從而完成對高光譜數據進行監督分類的任務並有效提高分類精度。 所提出的分類方法在高光譜實際數據中均得到驗證，相對於傳統方法，分類精度有較大程度的提高。 近年來，深度學習作為人工智慧領域的一個重大突破，用來分析圖像、語音和文本等數據，在學術界和工業界取得了廣泛關注。具體到高光譜遙感領域，項目組提出高光譜數據的小樣本分類方法以及基於對抗思想的高光譜數據分類方法，拓展了高光譜數據分類技術，不僅具有較強的理論意義，也具有一定的實用價值，推動了高光譜遙感數據分類技術的發展。
