陈春芳，边小勇，费雄君，杨 博，张晓龙

1(武汉科技大学 计算机科学与技术学院，武汉 430065)2(武汉科技大学 大数据科学与工程研究院，武汉 430065)3(智能信息处理与实时工业系统湖北省重点实验室，武汉 430065)

1 引 言

随着卫星遥感、航空遥感图像数量的激增和图像分辨率的不断提高，如何有效地分类识别这些大规模遥感图像场景受到了广泛的关注，越来越成为了一个重要的研究课题，也是遥感图像处理领域的研究热点.但是，受不同时间、季节、地域、成像条件的影响，遥感图像在视点、外观、空间分辨率、光照和背景等方面具有丰富的变化[1]，表现出高的类内多样性和低的类间差异.因此，遥感场景分类依然面临着严峻的挑战.

传统上，大量的手工局部图像描述子或者其组合方法[2-4]被提出并用于遥感场景分类，取得了较好的分类效果，尽管如此，但是这些传统手工特征方法需要耗费大量的时间.特别是场景变得更加复杂时，这些特征方法的描述能力变得极其有限.随后，若干无监督特征学习方法[5，6]被提出，其目标是从大量无标签数据中学习一组基函数(或滤波器)用于特征编码.通过从图像中学习特征而不是人工设计特征，可以获得更富判别的特征信息用于分类，典型的有k-means、PCA、稀疏编码[7]和自动编码器[8]等.最近，深度学习[9]在图像和视频分类识别中取得了长足的进展，获得了前所未有的分类性能(例如在ILSVRC图像数据集上的比赛冠军)，这是因为深度学习是由……