李天一，樊浩宸，李天赐，孟祥卉

（吉林大学 地球探测科学技术学院，吉林 长春 130021）

机器学习发展迅猛，其技术方法广泛应用于各行各业。其中，计算机视觉技术中的深度学习方法在遥感目标识别、图像分类等领域也得到了广泛应用[1-5]。深度学习方法需要构建出对应实验要求的算法模型，通过对样本特征的学习产生结果并反馈以优化模型，最终实现速度、精度达到研究要求的模型。在模型构建的过程中，学习样本的采集和训练集、测试集和验证集的划分是一个重要环节。学习样本一般需要大批量、等尺寸图像作为数据集，对于遥感图像样本采集来说，原始数据来源一般是现存的各类卫星所采集到的遥感图像数据。在获取到原始数据后，需要根据研究要求对原始图像进行裁剪并重新命名归类，得到图片分辨率相同且按类存放的具有统一命名标准的图像，进而形成图片样本集[6-9]。

在样本采集过程中，会有多种因素制约图像采集工作效率，往往需要解决如下问题：首先，在遥感图像样本采集过程中，不可避免地会涉及到多种遥感数据类型。大部分的数据来源多样，不同类型的遥感数据存放在不同的遥感数据平台，因此在数据采集的时候需要在不同平台进行不同类别遥感图像数据的下载、采集和处理操作。此外，对于不同地物还有需要根据其具体尺寸选用不同比例尺的遥感数据等问题。在机器学习模型方面，要满足研究所选用的不同模型对图像格式的要求和训练模型时参数更改的需要，图像样本尺寸、类型一般是动态变化的。……