【摘要】：基于内容的遥感图像检索根据遥感图像的视觉内容实现海量数据的存储和检索，检索精度高度依赖于图像视觉内容的表达模型，早期的相关研究工作致力于寻找最优的特征描述子或者特征组合表达图像内容，以提高检索效率。本章首先简要介绍人工神经网络模型和算法以及无监督特征学习方法，然后重点介绍几种代表性的卷积神经网络并对比分析它们应用于遥感图像检索时的性能。
基于内容的遥感图像检索根据遥感图像的视觉内容实现海量数据的存储和检索，检索精度高度依赖于图像视觉内容的表达模型，早期的相关研究工作致力于寻找最优的特征描述子或者特征组合表达图像内容，以提高检索效率。然而，随着传感器技术的发展，遥感图像数据量剧增且图像内容的复杂程度越来越高，由于空间分辨率的提高，不同地物的光谱相互重合，同物异谱和异物同谱的现象大量存在，这使得基于人类工程经验和领域知识设计的低层视觉特征(如光谱特征、纹理特征、形状特征等)，在表达遥感图像高度复杂的几何结构和空间模式方面显得力不从心。在低层视觉特征基础上聚合而成的中层视觉特征(如BoVW、FV、VLAD等)，虽然包含了比低层视觉特征更多的判别信息，但依然难以解决因成像条件不同使得相似场景呈现多样视觉外观而产生的语义鸿沟问题。
与人工设计特征相比，从数据中直接学习图像特征，可以避免繁重的特征工程，有效克服人工设计特征存在的主观性强、依赖专家知识等局限性。得益于大数据和硬件技术革命，2006年以后迅速发展起来的深度学习技术，采用多层网络结构对图像内容进行逐级特征表达，能够实现图像特征的自适应学习；特别是深层网络模型，比浅层网络的模型特征学习能力更强，学习到的高层特征判别能力更强，适用于海量的、场景复杂的遥感图像检索，研究证明卷积神经网络特征用于遥感图像检索时能够大大提升检索性能。本章首先简要介绍人工神经网络模型和算法以及无监督特征学习方法，然后重点介绍几种代表性的卷积神经网络并对比分析它们应用于遥感图像检索时的性能。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
