赵 涛,彭 峰,周发超,高明亚,刘 超,罗 楠

(1. 水工程智慧建造与管理湖北省重点实验室,湖北 宜昌 443002;2. 湖北省河湖长制办公室,武汉 430064)

0 前 言

遥感影像场景分类技术可以将遥感影像块自动划分为不同的类目,在城市规划、环境监测、土地资源管理等方面均有着较大的应用价值[1],在水库水位库容的应用越来越成熟,并取得了良好的效果[2]。随着人工智能技术的进步,以卷积神经网(Convolutional Neural Network,CNN)为代表的深度模型的分类技术已经成为遥感场景分类方法的标准方法[3-4]。利用CNN可以提取出遥感场景中更高层次的属性信息,并获得远超传统浅层模型的分类精度[5];同时基于CNN结构在场景分类中还可以加入注意力机制、记忆机制来不断提高场景分类精度[6-8]。

CNN等深度模型需要大量的样本来进行训练,然而在实际工作中往往会遇到研究区范围较小或待分类对象数量本身就较少的情况,此时会遇到困难:要么提供极少的样本,分类模型无法得到充分训练,进而无法有效分类;要么将几乎所有需区分的对象加入到样本集,此时已经不需要进行自动分类了[9]。因此,在实际场景分类应用中CNN需要应对小样本的问题[10]。

不同于传统模型,CNN参数量较大,可记住所有的少量样本中所有细节,所以在样本量较少的情况下CNN易于拟合与场景中的特异差异[11-12]。为了提高CNN小样本情况下的表现,目前在遥感和图像识别领域主要采取的手段是利用几何变换方式对样本影像进行一定方向和……