曾 黎，徐慧颖，陈晓昊，钱晓亮

郑州轻工业大学 电气信息工程学院，郑州450002

遥感成像技术的不断进步，使得获得各种分辨率（空间分辨率、光谱分辨率、辐射分辨率和时间分辨率）和更高质量的航空或卫星遥感图像成为可能，而这也对遥感图像的理解提出了更高的要求[1-2]。高分辨率遥感图像场景分类是根据图像内容[3-4]区分遥感图像的土地利用或覆盖类别，为其他遥感图像处理任务提供重要线索。此外，它在自然灾害监测、环境探测、交通监管、武器制导和城市规划等方面发挥着重要作用[5-11]。

早期的遥感图像场景分类方法基于手工特征，但手工特征在设计时需要大量相关领域的专业知识，且在应用时鲁棒性较差，这也成为限制其发展的原因。但随着深度学习的出现与发展[12-16]，其由于强大的深层特征表示能力而逐渐取代手工特征成为场景分类的主流方法[17]。本文主要回顾与探讨基于深度学习的场景分类方法，并按监督方式对其归纳总结和综合评估。本文的主要贡献如下：

（1）依据监督方式的不同，对现有基于深度学习的高分遥感图像场景分类方法进行归纳总结和定性分析；

（2）在领域内三个公开的数据集上，对三种监督方式的流行方法进行了定量实验评估。

1 相关工作

1.1 早期遥感图像场景分类方法

深度学习兴起之前，高分遥感图像场景分类是基于手工特征的，其中以颜色直方图（Color Histograms，CH）、尺度不变特征转换（Scale Invariant Feature Transform，SIFT）、通用搜索树（Generalized Search Trees，GIST）等经典的手工特征为主。……