期刊链接：https://www.mdpi.com/journal/remotesensing

微信链接：

https://mp.weixin.qq.com/s?__biz=MzI1MzEzNjgxMQ==&mid=2649988644&idx=2&sn=

6e57466740ee3b9e015b8481f991d356&chksm=f1de24e0c6a9adf62ee90076cdd9c28a

f68ce8d8aefff66579bec5f674369610db87a51d51ee&token=1965997414&lang=zh_CN#rd

近年来，由于遥感技术的研究基础在于进行遥感图像分类，因此提高对遥感图像的分类精度对于各个研究应用领域 (如精准农业、城市监测、环境监测等) 的发展具有重要意义。本期小编为大家精选了近年发表在Remote Sensing期刊上的有关遥感图像分类方面的五篇文章，以助于读者更好的了解近几年在遥感图像分类领域的研究热点及现状，欢迎大家阅读。

文章推荐

1. High-Resolution Imagery Classification Based on Different Levels of Information

基于不同信息水平的高分辨率图像分类

Erzhu Li et al.

DOI: 10.3390/rs11242916

基于不同层次信息的分类方法流程图

基于遥感图像进行土地利用和土地覆盖信息解译是一个复杂的过程，单一的图像解译单元受表达尺度影响只能表达有限的信息，难以处理复杂或更高语义分类任务。从人类认知的角度及计算机视觉技术的发展趋势看，利用计算机实现图像内容的理解必须依靠信息的层次性和丰富性。针对该问题，本研究首次提出多层次信息表达的概念，以遥感图像解译单元层次化为出发点，对图像内容进行多层次抽象表达。具体来说，通过将遥感图像解译单元依次分为像元、邻域、对象和场景，以分别提取不同单元下地物类别的信息特征，然后融合不同层次信息进行土地利用和覆盖分类。通过对高光谱及高分辨率遥感图像进行分类实验，结果表明所提出的方法能够克服基于单一解译单元分类的不足，显著提高了遥感图像的分类精度。

2. Fully Dense Multiscale Fusion Network for Hyperspectral Image Classification

高密度多尺度融合网络用于高光谱图像分类

Zhe Meng et al.

DOI: 10.3390/rs11222718

完全密集连接模式

卷积神经网络能够从原始数据中自动提取不同尺度的特征，在高光谱分类任务中得到了广泛的关注。然而，大多数基于卷积网络的方法没有充分利用不同卷积层提取的互补且相关的特征，仅采用网络最后一层提取的特征进行分类。针对这一问题，本文提出了一种完全密集的多尺度融合网络 (FDMFN)，能够利用所有卷积层提取的不同尺度特征进行高光谱分类。在该网络中，通过前馈方式在任意两层之间引入快捷连接，实现每一层学到的特征均可由后续层直接访问。这种完全密集的连接模式取得了更有效的特征重复利用，有利于FDMFN学习到更具判别性的特征。最后，将所有卷积层提取的多尺度空谱特征融合后进行分类。在四个广泛使用的高光谱场景上的实验结果表明了该模型的有效性。

3. Feature Line Embedding Based on Support Vector Machine for Hyperspectral Image Classification

基于支持向量机的特征线嵌入高光谱图像分类

Ying-Nong Chen et al.

DOI: 10.3390/rs13010130

带有GAN分类器的SVMFLE DR框架

由于传统的主成分分析 (PCA) 是基于线性的，使得生成对抗网络 (GAN) 中的预处理步骤无法有效地获得非线性信息。为了改善这个问题，本文提出了一种基于支持向量机 (SVM) 的特征线嵌入 (FLE) 演算法，简称为SVMFLE，其目的是用于降维以及提高GAN在高光谱影像 (HSI) 分类的效果。该算法主要有两个阶段。共变异矩阵计算阶段，计算并获得FLE组內共变异数矩阵，FLE组间共变异数矩阵和基于支持向量的FLE组间共变异矩阵。然后，在第二个权重确定阶段，计算训练样本在不同权重下的SVMFLE对应的重叠率指标，以确定最佳权重组间变异数矩阵并获得最终的转换矩阵。通过将SVMFLE与GAN及最近邻 (NN) 分类器整合，评估在其三个常见HIS数据集的效能，可见SVMFLE演算法结合GAN或NN分类器的性能在三个常见数据集的分类结果均高于传统方法。

4. High-Resolution Remote Sensing Imagery Classification of Imbalanced Data Using Multistage Sampling Method and Deep Neural Networks

利用多级采样法和深度神经网络的不平衡数据的高分辨率遥感影像分类

Wei Xia et al.

DOI: 10.3390/rs11212523

带有ASPP的Encoder-Decoder的网络结构

本文提出一种多阶段采样模型结合深度神经网络的分类方法，首先通过多阶段采样模型改善样本不平衡分布以获得训练集，然后利用两种不同类型的全卷积网络 (空间金字塔ASPP和编码器-解码器Encoder-Decoder) 结合进行像素级分类，在编码阶段可捕获图像的多层上下文信息，并在解码阶段利用这些信息来恢复目标的细节和空间维度。本文研究了四种基于深度学习的分类算法 (Basic FCN、FCN-8S、ASPP和本文的Encoder-Decoder with ASPP) ，经青藏高原东南部WorldView-3卫星遥感图像和北京东北部高分二号卫星遥感图像中不同样本集训练后比较分类精度。实验表明，相较于现有集 (原始、MUS1与等值样本集) 和现有的损失函数加权来缓解样本不平衡的方法，采用多阶段采样模型获取的MUS2训练样本集，使得以上四种算法分类性能和小样本类别的精度均得到了明显提高。

5. An End-to-End Local-Global-Fusion Feature Extraction Network for Remote Sensing Image Scene Classification

一种局部和全局特征融合的遥感图像场景分类特征表示方法

Yafei Lv et al.

DOI: 10.3390/rs11243006

区分特征学习方法的框架

为了提高特征表示的鉴别性能力，本文提出了一种可端到端训练的、局部和全局特征融合的特征表示方法。以卷积神经网络提取获得的高层特征为基础，分别从通道维和空间维设计了全局和局部两个特征提取模块。对于局部特征，本文首次提出了一个基于循环神经网络 (RNNs) 的注意力模块，通过将不同区域的特征表示依次输入到以门控循环单元 (GRU) 为组成单元的循环神经网络中，学习不同区域间的上下文关系，以生成不同区域的重要性权重。通过再权重化的方式对重要的显著性区域重点关注，对非重要的背景区域予以忽略，得到遥感图像空间维的局部显著特征表示。最后，对得到的全局特征和局部特征以相连的方式融合，得到最终的融合特征。由对四个广泛使用的数据集进行的大量实验可知，本文所提方法的性能优于现有的基准方法并且达到了较为先进的水平。

期 刊 简 介

Remote Sensing (ISSN 2072-4292, IF 4.509) 是一个国际型开放获取期刊。期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准，到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。Remote Sensing采取单盲同行评审，一审周期约为19天，文章从接收到发表仅需2.9天。