王振国 ，陈宏宇 ，徐文明

（1.中国科学院上海微系统与信息技术研究所上海200050；2.中国科学院微小卫星创新研究院上海200120；3.上海科技大学信息科学与技术学院，上海200120；4.中国科学院大学北京101407）

遥感图像场景分类是遥感图像解译的一个重要环节，也是地理信息系统（Geographic Information System）的关键技术，它在城市规划与城市管理问题上发挥着重大作用。随着可获取的遥感图像的空间分辨率越来越高，遥感图像所展现的地面场景的细节更加丰富、类别更加多样化、场景类间的相似性增大，使得场景的分类变得更加困难。因此，如何选取更有表达性的特征与更高效准确的分类方法，成为高分辨率遥感图像场景分类问题的关键。

目前，遥感图像场景分类问题大多采用贝叶斯统计模型来解决[1-4]，这类统计学分类模型在面对分类总数较少、类间干扰不大的分类问题时效果较好。然而，由于视觉单词[5（]visual words）在描述复杂场景时的充分度不够，统计学模型在处理类间相似度较大、总类别较多的分类问题时，分类准确度较低。

文献提[6]出了一种基于多尺度深度卷积神经网络（MS-DCNN）场景分类法，由于有限的遥感数据集无法充分训练卷积神经网络，限制了其准确率的提升。文献[7]首次把ImageNet[8]数据集所预训练的AlexNet[9]作为一种遥感图像的特征提取方式，并证明了这种深度卷积神经网络（DCNN）特征提取方式在遥感图像场景分类问题上的可行性。

在此基础上，本文探讨利用ImageNet数据集训练 的 Inspection-v3[10]、CaffeNet[11]和 OverFeatL[12]3 种DCNN提取的融合特征进行场景分类的方法。……