基于深度方向波网络强化学习的遥感影像分类

Remote sensing image is characterized as complicated background, large number of spectral bands, and huge size of data, which lead to difficulty to classification application. Inspired by deep enforcement learning and brain-like computing, this project exploits the second generation of directionlet theory, aiming at constructing a deep neural network which have the capabilities of sparse representation and learning. Firstly, by combining the directionlet basis function and the convolutional layer, a directionlet basic network is presented, whose features are sparse and anisotropic. Specially, we will construct two deep neural networks: deep directionlet stacked autoencoders and deep directionlet convolutional neural network. By incorporating deep enforcement learning as well as feedback evaluation and active learning strategy, a new deep directionlet neural networks model is proposed. We validate the effectiveness of above directionlet neural networks by remote sensing image classification, which is expected to be more robust and accurate.

本课题受深度强化学习和类脑计算中的信息处理方式启发，针对大规模、高维和复杂背景的高分辨遥感影像分类问题，结合第二代方向波的数学理论框架，构建具备高效稀疏的特征描述和深层学习能力的网络模型。设计具备稀疏解析能力和多方向各向异性的卷积层和池化层网络结构，分别提出基于深度方向波自编码网络模型和深度方向波卷积神经网络模型。引入方向信息的反馈评价和主动学习的奖励策略，提出基于强化学习机制的深度方向波网络模型。最后，在上述深度方向波网络模型基础上提出相应的遥感数据集分类算法，以验证网络的有效性和先进性。

本项目面对高分辨遥感影像的地物分类问题和高维度、背景复杂、大规模等数据特点，设计深层方向波网络和深度强化学习策略相结合的网络模型，在高效稀疏的特征描述和深层次的特征理解、学习等方面开展研究，具体研究内容如下：(1) 构建具有各向异性稀疏表征的栈式方向波自编码网络模型。构建具备高效稀疏的特征描述和深层学习能力的网络模型，提高对遥感影像中复杂多样地物结构快速准确的解析和分类能力；(2) 针对高维方向信息表征问题，构建深度方向波卷积神经网络模型。利用多方向各向异性基函数设计一种方向波池化层和卷积矩阵构成的网络层级结构，构建具有多尺度稀疏表征能力的深度方向波卷积神经网络模型；(3)在深度方向波神经网络的框架基础上引入强化学习策略，发掘特征信息的主动学习和反馈奖励机制，从而使网络模型在处理大规模、小样本的遥感数据特征学习与分类问题时仍具备优势；(4)针对大规模复杂背景下的高分辨遥感影像数据分类问题，分别提出基于强化学习与深度方向波神经网络的分类算法以及实现方案，验证网络能够达到稳定收敛和良好的分类精度。.课题围绕着深度强化学习构建深层网络模型这一课题进行研究，解决了深层次网络中的高维特征学习问题和构建具有高效学习能力的深度网络结构问题。受深度强化学习和类脑计算中的处理信息方式启发，在充分研究高分辨遥感影像的大数据量、背景复杂、维度高等特点基础上，结合第二代方向波理论构建适用于遥感影像高效分类的深度学习网络模型，解决复杂地物纹理方向等特征表征和学习问题，应用背景更加明确具有挑战，对网络的逼近收敛、复杂地物信息的挖掘和表征以及特征的学习速率等均提出更高要求，具有非常重要的研究潜力和应用价值。