李大威

（中北大学电气与控制工程学院，太原030051）

0 引 言

人工智能技术的飞速进步很大程度上是由于深度学习和神经网络领域的突破，而且得益于大型数据库的建立和更快的GPU硬件。基于深度学习思想的遥感图像计算机自动分类识别的研究层出不穷，取得了众多的研究成果［1-4］。深度学习通过多层训练机制挖掘潜在于数据中的非线性特征，从海量训练数据中自动学习全局特征，促进了特征提取模型从手工特征向学习特征的质变，典型的深度学习模型包括自编码器［5］、深度置信网络［6］、深度置信网络［7］、堆栈自编码［8］、深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）［9-10］和生成对抗网络［11］等。

DCNN是特殊的深层神经网络模型［12］，Le等在卡内基梅隆大学机器人研究所所做的演讲中特别强调了卷积神经网络的重要性和应用，主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，ILSVRC竞赛采用的数据集为标准数据，同一图像属于单一场景，且各图像尺寸一致。遥感图像识别领域的分类网络也层出不穷［13］。但对于地物分布复杂的遥感图像，传统的CNN网络结构除了结构参数的优化调整，还面临两个亟待解决的问题：一是地面参考图像的标记以及训练样本的选取；二是二维输入数据的制备，尤其是后者。一般的处理方法可以包括等尺寸分块和多尺度分割，但等尺寸分块无法适应地物的复杂分布情况，块内像元包含的地物种类势必包含多种，如同混合像元，因此该块所对应的确定类别标签不能反映地面实况，无法准确评估网络性能。……