面向信息非均衡遥感影像变化检测的深度学习模型及其优化方法

This project aims at dealing with information unbalanced and multiple changes detection problems existed in the process of images interpretation from the massive, unstructured, heterogeneous multi-source remote sensing images. Considering the features of various sensor types, it utilizes the layered representation and independent learning abilities of deep neural networks, solving some key learning problems in difference representation, which benefits for analysis of change-index image and changing-target recognition. Getting the inspiration from fuzzy theory which simulates human thinking process, a data-driven fuzzy deep neural network model which could obtain an efficient representation of changes in remote sensing image sequence is designed. The proposed change detection techniques provide an effective method for the extraction description of difference information, removing the effect of unbalanced information. Further, to achieve a good balance between the expressing ability of deep neural networks and computation complexity, an enhanced deep neural network model with representation sparsely is designed. The proposed change detection techniques provide efficient and robust ways for detecting and recognizing changes of remote-sensing targets in complex environment.

针对海量、非结构化、多源异质遥感图像解译中存在的信息非均衡问题和多分类问题，综合考虑多种传感器的成像特性，借鉴模糊理论模拟人脑思维方式的特点，利用深度神经网络逐层特征抽象表示与自主学习的能力，建立数据驱动的模糊深度神经网络模型，通过直接获取原始遥感图像序列间差异信息的有效表示方法，排除信息非均衡问题带来的干扰，提出鲁棒而有效的基于模糊深度神经网络的遥感图像序列差异分析方法。通过进一步构造表示稀疏的深度神经网络多目标学习模型，在一定程度上解决深度神经网络表示能力和计算复杂度难以自适应平衡的问题。为复杂环境下的信息非均衡遥感影像序列目标的变化检测及识别提供有效而稳健的方法。

花费巨大代价通过星载/机载传感器获取的复杂遥感影像如何有效利用，既是提高遥感综合应用能力的关键问题，也给计算机科学领域带来巨大挑战。项目针对海量、非结构化、多源异质遥感图像解译中存在的信息非均衡问题和多分类问题，综合考虑多种传感器的成像特性，借鉴模糊理论模拟人脑思维方式的特点，利用深度神经网络逐层特征抽象表示与自主学习的能力，建立数据驱动的模糊深度神经网络模型，通过直接获取原始遥感图像序列间差异信息的有效表示方法，排除信息非均衡问题带来的干扰。此外，随着项目研究的深入，针对高维遥感影像变化检测中的维数灾难和小样本难题，从认知稀疏特性出发，建立结构稀疏和表示稀疏的自主感知多目标深度学习模型，在一定程度上解决深度神经网络表示能力和计算复杂度难以自适应平衡的问题。结合进化计算的并行性，智能性，稳健性等特点，针对深度学习的优化难题，构建计算代价低、学习速度快的多目标进化深度学习模型，提升深度学习模型的高维复杂数据适应性、鲁棒性和学习性能。发展面向复杂遥感影像解译的深度神经网络新模型和新方法，求解高维遥感影像序列变化检测中的差异表示学习、差异影像分析和变化目标分类中的关键学习问题，实现对遥感影像中变化信息的高效检测与分析，为复杂场景下遥感目标的变化检测及分析提供稳健的方法。研究成果在国内外权威期刊和国际知名会议上共计发表论文11篇，其中SCI检索6篇，申请国家发明专利3项。培养博士、硕士研究生9人。