高分辨率卫星遥感影像边境无人区稀疏建筑物迁移学习和语义空间建模

Using high resolution satellite remote sensing imagery to detect sparse buildings in the uninhabited plateau area can find the entry points, hideouts or training camps of terrorists. This technique has provided important support for anti-terrorism actions and emergency response. Due to the nature of sparse buildings in the uninhabited plateau area, with very small samples and monotonous background, this research proposes a transfer learning method for sparse buildings classification and detection by combining DCNN (Deep Convolutional Neural Network) and visual semantic modeling. Using widely-collected samples of dense buildings, transfer learning is carried out by extracting the middle level feature of DCNN, which makes it possible to avoid the over-fitting caused by small samples of sparse buildings. To tackle the problem of monotonous background, this research uses the middle level features of DCNN to segment and extract the learned target region and conduct overlay analysis of the learned target region to select the best middle level features. Next, a novel probabilistic latent semantic model and a conditional random field are introduced to construct the semantic spatial context relationships, which express the different spatial configuration of sparse buildings and dense buildings. Finally, sparse building target detection is achieved through the fusion of semantic features of multi-layer DCNN. Through the research of the sparse buildings detection in uninhabited plateau areas, it will make a new exploration of the target detection using high resolution satellite remote sensing imagery.

利用高分辨率卫星遥感技术开展高原无人区稀疏建筑物检测可以发现恐怖分子的入境据点、藏身之所或训练营地，是反恐处突和应急响应的重要技术保障。针对稀疏建筑物具有“小样本”和“背景单一”特征，本课题提出一种基于深度卷积神经网络的稀疏建筑物迁移学习和语义空间建模方法。利用可以广泛采集的密集建筑物样本开展迁移学习，构建建筑物深度卷积神经网络的中层特征表达，避免因小样本而造成深度卷积神经网络过拟合问题。针对背景单一的问题，利用深度卷积神经网络的中层卷积特征分割和提取目标学习区域，通过目标学习区域的叠置分析实现中层卷积的特征选择。然后，利用概率潜在语义模型和条件随机场构建语义的空间关联关系，通过语义空间关系表达稀疏建筑物和密集建筑物的不同空间特征。最后，通过多层卷积网络的语义特征融合实现稀疏建筑物目标检测。通过本课题的研究将对高分辨率卫星遥感影像边境高原无人区稀疏建筑物的目标检测作出新的探索。

利用高分辨率卫星遥感技术开展高原无人区稀疏建筑物检测可以发现恐怖分子的入境据点、藏身之所或训练营地，是反恐处突和应急响应的重要技术保障。本项目提出了一种多示例卷积神经网络稀疏建筑物检测方法。将稀疏建筑物场景定义为由多种局部图像示例组成的集合，在稀疏建筑物目标检测过程中，使用网络中层卷积层提取示例特征，通过对示例特征进行分类得到场景局部语义信息。使用多示例汇集函数对示例语义进行融合，从而实现稀疏建筑物目标检测。. 在训练过程中，多示例汇集函数将场景级别的类别监督信息传递到图像示例，实现场景局部示例的语义建模。多示例汇集函数还使得目标检测模型具有置换不变性，从而提高了卷积神经网络对图像空间变换的稳定性。通过引入注意力模型对空间上局部图像多示例进行加权，自适应地调整对目标前景检测影响较大的示例权重，从而让检测模型更加关注图像场景中关键的目标信息，避免受到背景信息的干扰。使用多个尺度的扩张卷积来获取示例周围的多尺度邻域信息，增大示例特征的感受野，并将这些信息与已有的局部示例特征进行融合，提高示例卷积特征的可区分性。. 在3个大规模公开数据集上对本项目提出的方法进行了验证，实验结果显示，本项目提出的方法在分类精度上超过了传统基于全局特征的卷积网络方法，同时对平移、旋转和尺度缩放等几何变换有较好的稳定性。基于高分2号遥感图像和公开数据集建立了一个稀疏建筑物目标检测数据集，并进行了稀疏建筑物目标检测实验。实验结果显示，本项目提出的算法精度均高于相对应的传统卷积神经网络的精度，尤其对于小目标建筑物具有较高的检测精度。