東北地理所在遙感智能計算與深度學習領域取得重要進展
從遙感影像提取易于人類理解與利用的信息與知識，一直是遙感領域的核心與關鍵任務之一。隨著遙感技術的快速發展，人類獲得的遙感數據量越來越大且種類多樣復雜，傳統的信息處理方法很難取得滿意效果。針對該技術需求，東北地理所地理信息系統學科組與英國蘭卡斯特大學開展國際合作，引入先進人工智能技術處理遙感數據，取得了一系列研究進展。
在遙感智能計算領域，研究人員針對非監督粒子群算法容易陷入局部最優解的不足，提出了一種將列維飛行與粒子群算法結合的搜索策略，開發了一種非監督列維飛行粒子群遙感分類方法（ULPSO），并利用不同遙感數據類型對算法進行驗證。實驗結果表明，ULPSO具有跳出局部最優解并接近全局最優解的能力，其總體分類精度（OA）顯著性地優于傳統k-means、遺傳算法（UGA）以及粒子群算法（UPSO）。經過多次運行測試，ULPSO穩定性最好。
圖1 不同遙感分類算法目標函數值優化曲線
在遙感深度學習領域，研究人員針對極高空間分辨率遙感分類難題，基于規則融合手段充分挖掘卷積神經網(CNN)與多層感知器（MLP）處理遙感數據的優勢，開發了一種新穎的MLP-CNN分類算法，并利用極高分辨率航空影像對該算法進行了充分驗證。研究結果表明，該算法在降低遙感分類“椒鹽現象”的同時，能充分挖掘影像的細節信息，是一種非常適合處理極高分辨率遙感影像的技術方法。
圖2 不同分類方法遙感分類結果對比
相關成果分別發表于國際遙感期刊International Journal of Remote Sensing及ISPRS Journal of Photogrammetry and Remote Sensing（遙感頂級期刊）上。主要工作由我所李華朋博士及蘭卡斯特大學張策博士共同完成，研究工作得到國家自然科學基金（41301465）及吉林省優秀青年科學基金項目（20170520087JH）資助。
[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.
鏈接及下載: 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)
鏈接及下載: http://www.sciencedirect.com/science/article/pii/S0924271617300254
附件下載：
吉公網安備22017302000214號
