香港中文大學黃波教授團隊應用深度卷積神經網絡實現了遙感影像分類從土地覆蓋到土地利用的飛躍

2021-01-15 慧天地


點擊左上方藍色字體「慧天地」即可訂閱

（點擊圖片可放大觀看，更多精彩請留意文末推薦)

作者：黃波、趙貝、宋禕萌

近日，香港中文大學黃波教授團隊在遙感領域頂級學術期刊《Remote Sensing of Environment》上發表了研究論文「Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery」（利用深度卷積神經網絡與高解析度多光譜遙感影像識別城市土地利用）。

城市土地利用分類是遙感領域的一項重要且極具挑戰性的工作。雖然目前已經開發了很多衛星影像分類方法以獲取城市土地利用/土地覆蓋信息，但這些方法的精度和效率不足以滿足實際應用（如城市規劃和土地管理）的要求，而且目前的分類方法主要停留在土地覆蓋（如水體、建築、植被等）而非土地利用（如商業、居住、工業等）層次。近年來，深度學習技術，特別是深度卷積神經網絡（DCNN）在圖像分類領域中取得了驚人的效果。然而，傳統的DCNN方法通常不應用於超過三個波段的多波段衛星影像，並且訓練樣本主要來自於自然影像。此外，這些方法將大圖像均勻地分解成小的處理單元，從而截斷連續的土地利用模式，並產生明顯的具有「塊狀效應」的土地利用圖。

為克服這些問題，黃波教授團隊提出了一種半轉移深度卷積神經網絡（STDCNN）方法（圖1）。STDCNN分為三個部分：一部分涉及具有深度結構的傳輸DCNN；另一部分用於分析多光譜圖像；最後一部分將前兩部分結合到分類層中。此外，研究團隊設計了一種基於街區數據的骨架分解定位方法，該方法能自適應地將大圖像分割成小的處理單元，以保持土地利用分布模式的完整性。

STDCNN分別使用worldview-3圖像和worldview-2圖像產生了香港與深圳的城市土地利用圖。結果顯示，香港土地利用分類的整體精度（OA）達到91.25%，Kappa係數達到0.903；深圳土地利用分類的整體精度達到80%，Kappa係數達到0.780。此外，結合以街區骨架為基礎的分解方法，STDCNN所產生的土地利用地圖相比此前的方法視覺效果更好（圖2）。

圖2、使用STDCNN與基礎骨架分解方法得到的九龍/港島、沙田、深圳土地利用分類圖以及分別與原始高解析度遙感影像的重疊效果

（點擊文末「」閱讀原文「可查看原文）

編輯 /卜璽   審核 / 盛兆陽 郭曉非

指導：萬劍華教授(微信號wjh18266613129)

相關焦點

  • 神池驕子:香港中文大學教授、遙感專業博士張淵智
    現任香港中文大學太空與地球信息研究所教授及電子科技大學自動化學院兼職教授。1986年畢業於吉林大學（原長春地質學院）地質專業，1991 年中國科學院遙感應用研究所遙感專業獲碩士學位，1997年荷蘭國際宇航研究院遙感專業獲碩士學位，2003 芬蘭赫爾辛基工業大學遙感專業獲博士學位。
  • 國產高分辨遙感影像在峽江樞紐庫區監測中的應用
    最後,利用面向對象分類方法對兩期影像進行了土地利用信息提取和地類變化分析。試驗結果表明:利用面向對象方法可實現對庫區高分影像土地利用信息的精確提取,總體分類精度達到87.9%,Kappa係數為0.836,完全滿足遙感應用的精度要求。
  • 武漢大學CVEO小組:一種基於卷積神經網絡的高解析度遙感影像分類方法
    基於對象的圖像分類（OBIC）已經成為超高解析度遙感影像土地利用的主流框架。OBIC可以利用高解析度遙感影像中的紋理、空間幾何信息，與基於像素的圖像分類（PBIC）框架相比，在一定程度上克服了「椒鹽」現象。 　　OBIC框架通常包括圖像預處理，圖像分割，特徵提取和監督分類等過程。
  • 深度卷積神經網絡CNNs的多GPU並行框架 及其在圖像識別的應用
    Deep CNNs的單機多GPU模型並行和數據並行框架是騰訊深度學習平臺的一部分，騰訊深度學習平臺技術團隊實現了模型並行和數據並行技術加速Deep CNNs訓練，證實模型拆分對減少單GPU上顯存佔用有效，並且在加速比指標上得到顯著收益，同時可以以較快速度訓練更大的深度卷積神經網絡，提升模型準確率。
  • 視角| 全球地表覆蓋變化監測動態(土地利用)
    該研究採用最大似然分類算法對衛星數據進行監督分類的方法對衛星圖像進行分類。監督分類包括三個步驟：（a）訓練，（b）類別分配及（c）測試。在訓練階段，使用ERDAS 2014為不同的土地利用/土地覆蓋（LULC）類創建感興趣區域(ROI)。此外，還啟用了谷歌地球的數字地形模式來檢查分類的準確性，並將參考數據和分類數據進行了關聯和制表，以便使用混淆矩陣對分類結果進行測試。
  • 東北地理所等在森林優勢樹種高光譜遙感自動分類方面取得進展
    幾十年來，遙感技術已廣泛應用於森林優勢樹種及樹種組成的精細識別領域，尤其是高光譜遙感的發展，突破了多光譜遙感在光譜解析度上的局限性，能夠準確地探測到具有細微光譜差異的地物類型，極大地提高了森林樹種的識別精度。但高光譜遙感數據波段多、數據量大、特徵複雜，發展更為有效的分類算法才能使其發揮更大的作用。
  • 深度學習之卷積神經網絡經典模型
    LeNet-5模型在CNN的應用中，文字識別系統所用的LeNet-5模型是非常經典的模型。LeNet-5模型是1998年，Yann LeCun教授提出的，它是第一個成功大規模應用在手寫數字識別問題的卷積神經網絡，在MNIST數據集中的正確率可以高達99.2%。
  • LORS的合作團隊介紹- 香港中文大學太空與地球信息科學研究所 (ISEIS)
    香港中文大學太空與地球信息科學研究所城市與溼地遙感團隊 (UWRSG)(www.urbanwetlandrs.com)在林琿教授和張鴻生博士帶領下，近年來在香港特別行政區政府研究資助局(RGC)、國家自然科學基金(NSFC)和廣東省海洋遙感重點實驗室(LORS)等單位的支持下，應用光學和合成孔徑雷達(SAR)等多源遙感融合技術，開展了粵港澳大灣區的城市與紅樹林溼地遙感監測和評估的系列研究
  • 駱劍承:遙感智能計算與地理精準應用的思考與探索
    我回憶起這一路上產生重要啟發的幾個裡程碑式片段，在此記錄與大家一起重溫，更希望讀者以此能對我們的研究背景和發展歷程有一個輪廓性的認識：　　1　　啟 程　　早在20 世紀90 年代中後期，也就是我就讀於資源與環境信息系統國家重點實驗室的研究生時代，在何建邦研究員、周成虎研究員、池天河研究員等實驗室新老主任們的聯合推薦下，我來到香港中文大學地理系跟隨梁怡教授學習運用模糊專家系統
  • 深度卷積神經網絡應用於量子計算機
    本文詳細講述量子計算機上卷積神經網絡（CNN）的理論實現。我們將此算法稱為QCNN，我們證明了它可以比CNN 更快地運行，並且精度很高。另一方面，機器學習，尤其是神經網絡，正在粗略地使用向量和矩陣來理解或處理數據。量子機器學習（QML）旨在使用量子系統對向量進行編碼，並使用新的量子算法對其進行學習。一個關鍵的概念是在許多矢量上使用量子疊加，我們可以同時處理它們。
  • 光學卷積神經網絡加速器:通過光學實現更強大的人工智慧
    近日，美國喬治·華盛頓大學和加州大學洛杉磯分校的研究人員與深度科技創業公司Optelligence LLC共同開發出一種光學卷積神經網絡加速器，每秒能夠處理拍字節（1拍字節=250位元組）級的大量信息。這項創新利用了光的巨量並行性，預示著用於機器學習的光學信號處理新時代的到來，應用領域眾多，包括無人駕駛汽車、5G網絡、數據中心、生物醫學診斷、數據安全等。
  • 光學卷積神經網絡加速器:通過光學實現更強大的人工智慧!
    導讀據美國喬治·華盛頓大學官網近日報導，該校和加州大學洛杉磯分校的研究人員與深度科技創業公司 Optelligence LLC 共同開發出一種光學卷積神經網絡加速器，每秒能夠處理拍字節（1拍字節=2^50位元組）級的大量信息。
  • 蘭州大學研究團隊在基於深度學習從高解析度遙感影像中消除城市環境陰影效應取得重要進展
    隨著遙感技術的發展，衛星傳感器空間解析度不斷提高，我們已經全面進入高解析度衛星遙感時代。在城市環境中，高大建築物、樹木等遮擋光源在遙感影像中形成陰影。陰影可以減少城市熱島效應，也可以作為遙感影像建築物識別的線索。然而，陰影的存在影響影像信息的判讀和解譯，也給城市土地覆被精細化製圖帶來了高度的不確定性。
  • 人工智慧之卷積神經網絡(CNN)
    現在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由於該網絡避免了對圖像的複雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。Neural Network)是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元，可以應用於語音識別、圖像處理和圖像識別等領域。
  • 深度卷積神經網絡CNNs的多GPU並行框架及其應用
    DeepCNNs網絡的層次模型實際上是一張有向無環圖（DAG圖），分配到每個模型並行Worker上的層集合，是有向無環圖的拓撲排序子集，所有子集組成整個網絡的1組模型。
  • 氣溶膠細模態比例參數反演的深度學習遙感方法 | 微課堂
    地面的監測儀器可以獲得氣溶膠多參數的高精度觀測結果，但地面觀測站僅散布在若干點位，不能實現大面積觀測。衛星遙感在太空可以實現全球的大範圍氣溶膠觀測，服務於環境監測和全球氣候變化研究。遙感中使用氣溶膠光學厚度（Aerosol Optical Depth, AOD）描述整層氣溶膠消光總量，使用細模態比例（Fine Mode Fraction, FMF）描述細顆粒物光學貢獻。
  • 圖像識別中的深度學習【香港中文大學王曉剛】
    深度學習是近十年來人工智慧領域取得的重要突破。它在語音識別、自然語言處理、計算機視覺、圖像與視頻分析、多媒體等諸多領域的應用取得了巨大成功。現有的深度學習模型屬於神經網絡。神經網絡的起源可追溯到20世紀40年代，曾經在八九十年代流行。神經網絡試圖通過模擬大腦認知的機理解決各種機器學習問題。
  • ...香港大學羅平:師從湯曉鷗、王曉剛,最早將深度學習應用於計算機...
    其中就包括今年帶了 7 篇論文參加 ICCV 的來自香港大學的羅平教授。作為一位在將深度學習應用到 CV 領域中做出了很多開創性工作的研究者，他的相關工作對於這一細分領域的研究者而言可能並不陌生：最早將深度學習用於行人、人臉分割、與人臉生成，首先提出 CNN 求解 MRF 用於語義分割等。與此同時，他做的人臉關鍵點工作還是多任務深度學習的代表性工作。
  • AI入門:卷積神經網絡
    講到AI不得不講深度學習，而講到深度學習，又不能不講卷積神經網絡。如果把深度學習比作中國的網際網路界，那捲積神經網絡和循環神經網絡就是騰訊和阿里級別的地位。今天我們主要討論的卷積神經網絡，到底卷積神經網絡能解決什麼問題，它的結構是怎樣的？是怎麼學習的？應用在哪些具體的產品上？本文將為大家一一解答。
  • 從全卷積網絡到大型卷積核:深度學習的語義分割全指南
    By路雪 2017年7月14日　　語義分割一直是計算機視覺中十分重要的領域，隨著深度學習的流行，語義分割任務也得到了大量的進步。本文首先闡釋何為語義分割，然後再從論文出發概述多種解決方案。本文由淺層模型到深度模型，簡要介紹了語義分割各種技術，雖然本文並沒有深入講解語義分割的具體實現，但本文簡要地概述了每一篇重要論文的精要和亮點，希望能給讀者一些指南。