宋中山，梁家锐，郑 禄*，刘振宇，帖 军

（1.中南民族大学计算机科学学院，武汉 430074；2.湖北省制造企业智能管理工程技术研究中心（中南民族大学），武汉 430074；3.中南民族大学资源与环境学院，武汉 430074）

（*通信作者电子邮箱lu2008@mail.scuec.edu.cn）

0 引言

遥感场景分类是航空和卫星图像分析领域的一个活跃的研究课题，它根据图像内容将场景图像划分为不同的类别。由于遥感图像场景的地物类型较为复杂，因此对其精确分类是一项艰巨的任务［1-2］。

遥感场景分类的早期研究主要是基于手工制作的特征，利用手工提取后的特征对其进行分类。如Swain 等［3］提出的颜色直方图和Lowe［4］提出的尺度不变特征变换（Scale Invariant Feature Transform，SIFT）等分别利用了图像的颜色特征以及形状特征。为了弥补手工制作特征的局限性，通过从图像中学习特征而不是依靠手动设计的特征，如Hotelling［5］提出了主成分分析（Principal Component Analysis，PCA），Olshausen 等［6］提出了K-均值聚类、稀疏编码方法，能在降低手工设计特征成本的同时更精准地对图像进行分类。而在深度卷积神经网络上，从Hinton 等［7］在深度特征学习方面取得了突破，以及Krizhecsky 等［8］提出的AlexNet的巨大成功开始，研究工作相继在卷积神经网络（Convolution Neural Network，CNN）模型上有进一步的发展，如Simonyan 等［9］提 出 的VGGNet，Szegedy 等［10］提出的GoogleNet。在优化深层次神经网络提高可训练以及训练的速度上，He等［11］提出了ResNet残差网络和Cheng 等［12］提出了DenseNet，解决了深层网络训练难和训练慢的问题。近来研究已经开始利用这些功能强大的CNN 来对遥感场景进行分类。如Liang［13］采用转移学习的方法来微调现有的CNN 用于遥感场景分类；……