基于深度学习的遥感图像检索技术

尽管无监督的特征学习模型与人工设计特征相比，能够有效改善检索性能，但是无监督的特征学习模型大多是浅层网络，存在特征学习能力不足、特征区分度不高的局限性。不同于自编码器等浅层的无监督特征学习方法，卷积神经网络(convolutional neural network，CNN)是一种有监督的深度学习方法，网络的输入通常为图像本身，并且在训练时需要大量带标签的数据样本。卷积神经网络通常包含几十甚至上百个网络层，可以实现由低到高的“逐层”特征学习，因而能够提取图像更高层的特征，学习的特征表达能力更强，是深度学习网络的代表之一。卷积神经网络最早用于处理图像和视频信息，近年来也被广泛用于自然语言理解、推荐系统等。

但是，随着隐藏层神经元数量的增多，深层神经网络模型的参数规模急剧增加，会导致神经网络训练效率下降，容易出现过拟合。此外，在面对特定领域的任务时，标注数据的成本非常高，无法为目标任务准备大规模多样化的训练数据。为了解决网络训练的效率和目标任务样本数据不足的问题，常用的做法是从具有大量训练数据的相关任务中学习某些可以泛化的知识，这种将相关任务的训练数据中的可泛化知识迁移到目标任务上的过程，就是迁移学习，例如通过特征迁移方法把在自然图像数据集(如ImageNet)上训练的网络模型应用到遥感领域等。本节首先介绍卷积神经网络的结构和代表性的卷积神经网络模型，然后通过对比这些模型用于公开的标准遥感图像数据检索任务时的性能，分析影响网络迁移能力的主要因素及其对迁移模型的影响。(www.xing528.com)