基于稀疏编码的无监督特征学习在遥感领域的应用包括图像检索和图像分类等。图4-6为周培诚等人(2013)提出的基于稀疏表达理论的遥感图像检索系统架构，基本思路是利用在线字典学习算法分别训练查询图像和数据库中其它图像的过完备字典，并作为图像的特征描述进行相似性度量。在UCMD数据集上进行的实验结果表明，稀疏编码方法可以获取比BoVW更优的检索性能。
图4-6 基于稀疏表达的遥感图像检索系统架构[7]
相比稀疏编码，自编码器作为一种无监督的深度特征学习方法，在图像检索中的应用更广泛，包括自然图像检索、3D模型检索、医学图像检索以及遥感图像检索等。在遥感图像检索方面，Li等人(2016)通过无监督的特征学习与联合度量融合方法实现了基于内容的遥感图像检索；张洪群等人(2017)提出一种基于深度学习的半监督遥感图像检索方法，首先采用无监督的稀疏自编码在大量未标注的遥感图像上进行特征学习得到特征字典，然后利用学习的特征字典通过卷积和池化得到图像的特征图，最后使用softmax分类器进行有监督分类。图4-7给出一个典型的基于自编码器的遥感图像检索系统架构框图。此外，Tang X.等人(2018)提出一个深度卷积自编码器(deep convolutional auto-encoder，DCAE)模型进行特征学习，如图4-8所示，并结合BoVW模型对学习的特征进行编码处理实现了高分辨率遥感图像检索。与普通的自动编码器相比，他们提出的卷积自动编码器由于采用了二维卷积，在特征学习的过程中能够更好地保持图像的结构信息(如空间分布等)，从而学习到判别性更强的表示。
图4-7 基于自编码器的遥感图像检索系统框图[14](www.xing528.com)
图4-8 深度卷积自编码器模型[15]
图4-9给出一组基于无监督自编码器(AE)和人工设计特征(GLCM和SIFT特征)的遥感图像检索结果，以UCMD数据集为例，选取十字路口(intersection)作为查询类别。同样用红色框标识错误检索类别，并在其下对所属类别进行标注。无监督编码器的实验参数设置为:L2＝0.75，D＝232，α1＝0.8，α2＝0.2，β＝1。可以看出，与全局特征和局部特征相比，基于无监督自编码器的方法能够取得更好的检索效果。
相比传统的人工设计低层和中层特征，无监督的深度学习网络实现特征学习时，网络输入为图像像素，并且在训练时不需要或仅需要少量的标注样本，从无标签数据中直接学习图像特征，能够有效地改善图像检索结果。根据检索结果可看出，无监督的自编码器利用无标签数据推断出数据内部隐藏的结构特征，从而更好地表征图像的语义信息，因此，基于无监督自编码器的方法应用于遥感图像检索时能够获得比低层视觉特征更好的检索性能。
图4-9 基于无监督自编码器和人工设计特征的遥感图像检索结果
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。
