基于深度學習與獅群SVM算法的遙感場景分類

摘要： 針對高分辨遙感圖像樣本量小， 以及傳統優化支持向量機（SVM）算法易陷入局部最優解、 尋優速度慢等問題， 提出一種基于深度遷移學習與獅群優化SVM（LSO-SVM）算法對遙感圖像場景進行分類. 首先， 通過自適應對比度增強圖像后利用顏色聚合向量提取圖像顏色特征； 其次， 利用3種預訓練網絡分別提取圖像的遷移學習深度特征； 最后， 將手工提取的圖像特征與用3種預訓練網絡獲取的特征使用系列特征融合方法進行融合， 并將其輸入LSO-SVM進行圖像場景分類. 結果表明， 該算法解決了小樣本情況下深度學習較難訓練及傳統優化SVM算法易陷入局部最優解、 尋優速度慢的問題. 在80%的訓練條件下， 數據集UCM Land-Use和RSSCN7的分類精度分別達到99.52%和98.57%.

關鍵詞： 遙感圖像； 圖像分類； 遷移學習； 獅群優化算法； 顏色聚合向量

中圖分類號： TP751

文獻標志碼： A

文章編號： 1671-5489（2023）04-0863-12

Remote Sensing Scene Classification Based onDeep Learning and Lion Swarm SVM Algorithm

WANG Liqi1， HOU Yuchao2， GAO Xiang1， TAN Xiuhui1，

CHENG Rong1， WANG Peng1， BAI Yanping1，2

（1. School of Mathematics， North University of China， Taiyuan 030051， China;2. School of Information and Communication Engineering， North University of China， Taiyuan 030051， China）

Abstract： Aiming at the problem of

the small sample size of high-resolution remote sensing images and

traditional optimized support vector machine （SVM） algorithms easily falling into local optima and slow optimization speed， we

proposed an algorithm based on deep transfer learning and lion swarm optimization SVM （LSO-SVM）to classify remote sensing image scene. Firstly， after enhancing the image through adaptive contrast，

color aggregation vectors were used to extract image color features. Secondly， three kinds of pretrained networks were used to extract the transfer learning depth features of images. Finally， the manually extracted image features and the features obtained using three pretrained networks were fused by using a series of feature fusion methods， and inputted them into LSO-SVM for image scene classification. The results show that the algorithm solves the problems of difficulty in deep learning training in small sample situations and the tendency of traditional optimized SVM algorithms to fall into local optima and slow search speed. Under 80% training conditions， the classification accuracy of UCM Land－Use and RSSCN7 datasets reaches 99.52% and 98.57%， respectively.

Keywords： remote sensing image; image classification; transfer learning; lion swarm optimization algorithm; color coherence vector

隨著遙感和衛星技術的快速發展， 獲取的高分辨率圖像越來越多［1］， 遙感圖像場景分類逐漸成為遙感圖像領域的研究熱點. 基于深度學習的分類方法通常需要大量的帶標記樣本， 而獲取帶標記的樣本非常困難， 使得這類方法效果不理想［2］. 針對上述問題， 研究小樣本條件下的遙感圖像分類方法具有重要意義［3－4］.

遷移學習是一種利用已有的知識對不同但相近領域問題進行求解的機器學習算法［5］， 其將在自然圖像等數據集中學習到的知識遷移到遙感圖像等較小樣本的學習任務中， 已成為目前解決遙感圖像樣本量較少的主流方法［6］. 目前， 主流的深度遷移學習算法主要包括基于特征的遷移或者網絡的遷移和基于結構的遷移［7－8］. 其中將預訓練的網絡對遙感圖像特征提取應用到場景分類中是最直接的遷移策略. 余東行等［9］提出了一種結合卷積神經網絡（CNN）與集成學習的遙感影像場景分類方法， 利用預訓練模型提取同一圖像多個高層語義特征； Ammour等［10］先用預訓練的網絡進行特征提取， 然后在數據域分類上采用兩個非對稱網絡結合的方法進行訓練; Han等［11］利用改進的AlexNet網絡并結合空間金字塔池化方法（SPP）防止網絡遷移過程中的過渡擬合; Tun等［12］提出了一種混合預訓練VGG16-CNN-SVM分類器模型， 能在少量樣本下較好地提取圖像特征； Lima等［13］系統性地評估了遷移學習在卷積神經網絡中的應用， 結果表明， 從更大、 更通用的自然圖像數據集上訓練的模型中遷移學習的性能優于直接從較小的遙感數據集上進行遷移學習.

深度學習圖像分類中， 分類器的選擇與設計至關重要［14］. 研究表明， 將CNN提取的深層特征進行不同方式的特征融合并輸入支持向量機（SVM）進行分類， 效果優于直接使用CNN分類［15］. Girshick等［16］利用深度學習進行目標檢測時， 用SVM分類器代替全連接層后接Softmax進行輸出， 取得了更佳的效果； Sara等［17］研究表明， 在高維、 少量的樣本條件下， SVM的泛化能力優于K-最近鄰、 隨機森林等分類器. 盡管SVM在許多領域都有較好的性能， 但其分類效果很大程度上依賴核參數g和懲罰因子c的選擇. 遺傳算法（GA）、 粒子群優化（PSO）算法等傳統優化算法在SVM參數優化中存在易陷入局部最優解和尋優速度慢等問題［18］. Liu等［19］提出了一種獅群優化算法（LSO）， 相比GA和PSO等傳統優化算法， 具有較好的全局收斂性、 魯棒性以及高維復雜函數尋優能力.

基于上述研究， 本文提出一種基于深度學習與獅群優化SVM算法的方法用于遙感圖像場景分類. 首先， 使用自適應對比度增強算法（ACE）［20］， 在增強圖像后通過顏色聚合向量（CCV）［21］提取圖像顏色特征； 其次， 利用預訓練網絡GoogleNet［22］，ResNet101［23］和VGG-16［24］分別提取遙感圖像深度特征； 最后， 將這些特征自適應融合， 并輸入LSO-SVM進行遙感圖像場景分類.

1 基本原理

1.1 自適應對比度增強

ACE算法將一張圖像分為低頻和高頻兩部分， 在增強表示細節的高頻部分后， 對圖像進行重組得到增強圖像. 但在彩色圖像中需先將圖像轉換成HSI色彩空間， 再對亮度通道I進行增強后合并通道， 最后轉換回RGB空間.

2.1 預處理

預處理主要包括數據增強和數據標準化. 為提高顏色特征對圖像的表達能力， 使用ACE增強圖像細節信息， 并根據采用網絡模型的輸入大小， 將訓練圖像和測試圖像縮放到適合的尺寸對數據進行標準化.

2.2 特征提取融合

高分辨率遙感圖像場景分類方法的特征提取策略主要分為以下兩類： 基于手工的特征提取和基于數據驅動的特征提取［26］. 本文方法同時使用兩者進行特征提取以獲得更精細的特征.

在手工特征提取階段， 為更好地表達圖像色彩的空間位置， 選用CCV提取遙感圖像顏色特征向量C=（（α1，β1），（α2，β2），…，（αn，βn））， 將2×n維的C轉化為1×2n的向量C′=（α1，…，αn，β1，…，βn）， 以保證每張圖像輸出一個一維向量.

在數據驅動特征提取階段， 選用深度遷移學習算法解決遙感圖像小樣本集的問題， 為遷移學習選取合適的圖像特征， 在GoogleNet，VGG-16和ResNet101三種預訓練網絡下進行實驗. GoogleNet模型在網絡架構中引入Inception單元， 在相同的計算量下提取更多的特征， 從而獲取更優的訓練結果; VGG-16模型采用更小的卷積層（3×3）增加網絡深度， 有效提升了模型效果； ResNet101模型通過引入“快捷連接”極大消除了深度過大的神經網絡訓練困難問題.

GoogleNet模型和ResNet101模型都僅含1個用于分類的全連接層， 去除該全連接層的同時， 分別[KG*8]加入128維的全連接層和64維的全連接層， 以獲取兩個維度不同的特征向量作為提取的圖像特征. VGG-16模型含有3個全連接層， 去除最后一層用于分類全連接層的同時， 分別加入128維和64維[KG*8]的全連接層， 以獲取兩個維度不同的特征向量作為提取的圖像特征.

最后將手工提取的圖像特征和使用3種預訓練網絡獲取的特征用系列特征融合方法進行融合， 并將其作為LSO-SVM分類的輸入.

2.3 LSO-SVM分類

本文基于獅群優化提出LSO-SVM算法. 該算法將獅群優化算法融合到SVM內， 改進了傳統SVM易陷入局部最優解、 尋優速度慢等問題， 能實現高效、 高精度的圖像分類. 算法步驟如下：

1） [JP2]初始化獅群算法相關參數， 包括獅子數目N、 最大迭代次數T、 成年獅在獅群中的比例因子β等；[JP]

2） 將各獅子當前位置作為個體歷史最優位置， 初始群體最優位置為雄獅位置， 通過交叉驗證， 對訓練樣本進行分類， 以交叉驗證的準確率作為適應度值；

3） 根據式（5）更新雄獅位置， 并計算適應度值；

4） 根據式（6）更新母獅位置；

5） 產生（0，1）內的均勻隨機數q， 根據式（7）更新幼獅位置， 若qlt;1/3， 則幼獅向雄獅位置移動; 若1/3≤qlt;2/3， 則幼獅在母獅的位置附近小范圍移動; 若q≥2/3， 則幼獅被驅趕到遠離雄獅的位置；

6） 根據獅子的位置重新計算適應度值， 并更新自身和獅群的歷史最優位置， 判斷算法是否滿足結束條件， 不滿足則每隔一定迭代次數重新排序， 確定獅群各獅子的位置后返回步驟3）； 反之則停止， 輸出雄獅位置（即輸出最優參數）， 并將測試集輸入到最優的SVM模型中進行圖像分類.

2.4 實驗數據

為驗證本文方法的有效性， 采用具有表示性的UCM Land-Use和RSSCN7兩種遙感圖像數據集進行實驗. 數據集UCM Land-Use包含農田、 高爾夫球場、 港口等21個類別， 每類有100張圖片， 圖像尺寸為256×256； 數據集RSSCN7包含草地、 森林、 停車場等7個類別， 每類有400張圖片， 圖像尺寸為400×400. 兩個數據集類別示例分別如圖2和圖3所示.

3 實驗結果與分析

3.1 實驗設置

在MATLAB R2019b的環境下進行實驗， 遷移學習過程及相應的深度特征提取在處理器型號為AMD Ryzen5 3500X， 內存為12 GB， 顯卡型號為1660s 6 GB條件下進行， 其余實驗均在處理器型號為i7-10700， 內存為8 GB條件下進行. 實驗中訓練集均為每類80%的圖像. 3種不同的預訓練網絡均基于數據集ImageNet， 實驗中批量大小為10， 初始學習率為0.000 1， 迭代次數為10次. LSO-SVM中最大迭代次數為100， 種群大小為10， 交叉驗證折數為5， 成年獅群所占獅群的比例為0.5， 核參數g和懲罰因子C范圍均為［0.01，100］.

3.2 特征分析

利用原始數據集和AHE增強的數據集分別通過CCV提取顏色特征向量， 將生成的特征輸入LSO-SVM中， 實驗結果列于表1. 由表1可見， 利用AHE增強后的數據集相比于原始數據集獲得了更高的分類精度， 數據集UCM Land-Use和RSSCN7分別提高4.28%和3.39%. 結果表明， AHE有效增強了圖像顏色信息， 使顏色特征更充分地表達圖像特征.

將基于模型GoogleNet，VGG-16和ResNet101所提取的特征分別命名為GoogleNet-64，GoogleNet-128，VGG-64，VGG-128和ResNet-64，ResNet-128（64，128分別表示該網絡提取特征的維數）. 將12種特征利用LSO-SVM進行分類， 實驗結果列于表2. 由表2可見， 不同預訓練模型在遙感影像場景分類中都取得了90%以上的分類效果， 表明卷積網絡可有效提取圖像的深度特征. 數據集UCM Land-Use中VGG-128取得的分類效果最好， 3種預訓練模型隨著維度的增加均一定程度地提高了分類效果， VGG模型在該數據集上優于其他模型. 數據集RSSCN7中ResNet-64取得的分類效果最好， GoogleNet和ResNet101模型隨著維度的增加， 均在一定程度上降低了分類效果， 該情況在ResNet101模型中體現的尤為明顯； 而VGG16模型仍然保持隨著維度的增加， 分類效果逐漸提升.

3.3 特征融合分析

利用CCV提取的顏色特征與GoogleNet-64，GoogleNet-128，VGG-64，VGG-128，ResNet-64，ResNet-128分別進行自適應特征融合. 生成的融合特征用維度后加C表示， 如GoogleNet-64C，GoogleNet-128C. 同時在不同數據集上選用不同的特征進行融合， 在數據集UCM Land-Use上選用CCV，GoogleNet-128，ResNet-128， 而在數據集RSSCN7上則選用CCV，VGG-128，ResNet-64分別進行特征融合獲取最終的兩個特征， 生成的特征用GR-C和VR-C表示. 將14種特征利用LSO-SVM進行分類， 實驗結果列于表3.

由表3可見， 數據集UCM Land-Use中GoogleNet-64C，ResNet-64C，ResNet-128C相比于融合顏色特征之前分類精度分別提高0.48%，0.47%，0.95%， VGG-64C，VGG-128C分類精度保持不變， GoogleNet-128C分類精度相比之前略低； 數據集RSSCN7中除VGG-128C分類精度保持不變外， 其他融合特征的分類精度均一定程度高于原來的單一特征. 結果表明， 手工特征CCV作為卷積神經網絡提取高級語義信息的一個淺層信息補充， 可有效提升深度特征的分類精度， 對于提升不同卷積神經網絡的性能和不同遙感場景分類數據集的分類效果都具有顯著意義.

GR和VR在數據集UCM Land-Use和RSSCN7中的分類效果都優于單一的卷積神經網絡提取的深層特征. 結果表明， 不同卷積神經網絡提取的特征具有較好的互補性. 因為不同卷積神經網絡的結構是不一致的， 導致其網絡關注到的場景圖像特點具有差異性.

在GR-C和VR-C分別取得數據集UCM Land-Use和RSSCN7中最佳分類精度， 相比于GR和VR分別提高0.71%和0.36%. 結果表明， 手工提取的特征對于融合后的深度特征同樣具有信息補充的能力， 可有效提升特征對于圖像信息表達的能力.

為有效分析手工提取的特征和數據驅動的特征同時結合和分別使用的差異性， 通過兩個數據集在CCV，GR-C和VR-C的混淆矩陣進行論證. 圖4和圖5分別為CCV在數據集UCM Land-Use和RSSCN7上的混淆矩陣， 圖6和圖7分別為GR-C和VR-C在數據集UCM Land-Use和RSSCN7上的混淆矩陣.

由圖4和圖5可見， CCV在數據集UCM Land-Use上建筑物、 密集住宅、 高爾夫球場、 中型住宅和稀疏住宅等類別分類性能較差， 數據集中場景圖像復雜的類別均達到平均分類精度； 在數據集RSSCN7上工業和田地兩個類別分類較差， 田地類別中錯誤分類的85.71%被誤分類到草地類別中， 工業類別中錯誤分類的81.25%被誤分類到居民區和停車場， 結果表明， CCV在面對復雜圖像和類間相似度高的類別分類中， 性能較差， 但對于簡單的場景圖像類別分類性能較好.

由圖6和圖7可見， 卷積神經網絡提取的高級語言信息可極大彌補手工提取特征面對復雜場景圖像和類間相似度高時分類性能不佳的缺點. 結果表明， 手工提取的特征和基于數據驅動的特征分別使用時有一定程度的缺陷. 手工提取特征在面對復雜場景圖像、 類間相似性和類內多樣性時， 難以表達完整的圖像信息， 而卷積神經網絡在提取高級語義信息的同時丟失了淺層信息. 因此， 手工提取的特征和基于數據驅動的特征同時使用并結合， 可有效彌補二者的缺陷.

3.4 優化SVM性能分析

選取不同的特征， 對比網格搜索優化SVM（GS-SVM）、 粒子群優化SVM（PSO-SVM）和LSO-SVM， 將3種不同優化SVM算法在相同條件下對分類精度和運行時間進行對比， 實驗結果分別列于表4和表5.

由表4和表5可見， 不同特征不同維度下， PSO-SVM相比于GS-SVM具有更優的分類精度， 但運行時間較慢； LSO-SVM比GS-SVM和PSO-SVM在運行速度上分別提升約1倍和1.5倍； 在分類精度上比GS-SVM和PSO-SVM分別提高約0.5%和0.3%. 表明本文提出的LSO-SVM在分類精度和運行時間上均取得了更優的效果.

3.5 分類方法分析

下面在數據集UCM Land-Use和RSSCN7上將本文方法與目前現有方法的分類精度進行比較. 在數據集UCM Land-Use上采用ADPC-NET［27］，[JP2]ResNet+attention［28］，ECNN［9］和FACNN-fine tuning［29］方法進行對比， 在數據集RSSCN7上采用CGDSN［30］，UN CNN［31］，SISCNN-C［32］和Attention[JP］CNN+H-GCN［33］方法進行對比， 實驗結果列于表6. 由表6可見， 本文方法相比于目前現有方法在數據集UCM Land-Use和RSSCN7上均取得了更優的分類精度.

綜上所述， 本文提出了一種基于深度學習與獅群優化SVM算法的場景分類方法. 該方法利用遷移學習在小樣本下的實用性和SVM分類器在卷積網絡深層特征分類的優越性， 有效解決了遙感圖像樣本量少導致分類精度較低的問題； 在遷移學習過程中， 采用多個預訓練模型并提出加入不同的全連接層， 在增加圖像特征多樣性的同時， 降低了圖像特征維度， 有效提高了SVM運行速度； 在SVM優化上首次提出獅群算法優化的SVM， 在提高分類精度的同時大幅度縮短了運行時間.

參考文獻

［1］李若瑤， 張鉑， 王斌. 基于多層特征上下文編碼網絡的遙感圖像場景分類 ［J］. 紅外與毫米波學報， 2021， 40（4）： 530-538. （LI R Y， ZHANG B， WANG B. Remote Sensing Image Scene Classification Based on Multilayer Feature Context Coding Network ［J］. Journal of Infrared and Millimeter Wave， 2021， 40（4）： 530-538.）

［2］胡娟， 楊厚群， 杜欣然， 等. 小樣本學習在高分遙感影像分類與識別中的應用 ＼[J]. 重慶郵電大學學報（自然科學版）， 2022， 34（3）： 410－422.

（HU J， YANG H Q， DU X R， et al. Application of Small Sample Learning in Classification and Recognition of High－Score Remote Sensing Images ＼[J]. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2022， 34（3）： 410－422.）

［3］賀琪， 張津源， 黃冬梅， 等. RA－ProtoNet： 基于元學習的小樣本遙感場景分類方法 ＼[J]. 激光與光電子學進展， 2023， 60（10）： 366－373. （HE Q， ZHANG J Y， HUANG D M， et al. RA－ProtoNet： Classification Method of Small－Sample Remote Sensing Scene Based on Meta－Learning ＼[J]. Progress in Laser and Optoelectronics， 2023， 60（10）： 366－373.）

［4］郭艷， 宋佳珍， 馬麗， 等. 基于各類特征對齊遷移網絡的多時相遙感圖像分類 ［J］. 地球科學， 2021， 46（10）： 3730-3739. （GUO Y， SONG J Z， MA L， et al. Classification of Multi-phase Remote Sensing Images Based on Various Feature-Aligned Migration Networks ［J］. Earth Science， 2021， 46（10）： 3730-3739.）

［5］ZHANG L， GAO X B. Transfer Adaptation Learning： A Decade Survey ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 3： 1-22.

［6］伍洲， 楊寒石， 鄔俊俊， 等. 進化遷移優化算法綜述 ＼[J]. 計算機工程， 2023， 49（1）： 1－14. （WU Z， YANG H S， WU J J， et al. Review of Evolutionary Migration Optimization Algorithms ＼[J]. Computer Engineering， 2023， 49（1）： 1－14.）

［7］譚琨， 王雪， 杜培軍. 結合深度學習和半監督學習的遙感影像分類進展 ［J］. 中國圖象圖形學報， 2019， 24（11）： 1823-1841. （TAN K， WANG X， DU P J. Progress in Remote Sensing Image Classification Combining Deep Learning and Semi-supervised Learning ［J］. Chinese Journal of Image and Graphics， 2019， 24（11）： 1823-1841.）

［8］王彬， 趙作鵬. 基于雙流全卷積網絡的駕駛員姿態估計方法 ＼[J]. 江蘇大學學報（自然科學版）， 2022， 43（2）： 161－168.

（WANG B， ZHAO Z P. Driver Attitude Estimation Method Based on Dual－stream Fully Convolutional Network ＼[J]. Journal of Jiangsu University （Natural Science Edition）， 2022， 43（2）： 161－168.）

［9］余東行， 張保明， 趙傳， 等. 聯合卷積神經網絡與集成學習的遙感影像場景分類 ［J］. 遙感學報， 2020， 24（6）： 717-727. （YU D X， ZHANG B M， ZHAO C， et al. Remote Sensing Image Scene Classification Based on Convolutional Neural Network and Integrated Learning ［J］. Journal of Remote Sensing， 2020， 24（6）： 717-727.）

［10］AMMOUR N， BASHMAL L， BAZI Y， et al. Asymmetric Adaptation of Deep Features for Cross-Domain Classification in Remote Sensing Imagery ［J］. IEEE Geoscience and Remote Sensing Letters， 2018， 15（4）： 597-601.

［11］HAN X B， ZHONG Y F， CAO L Q， et al. Pre-trained AlexNet Architecture with Pyramid Pooling and Supervision for High Spatial Resolution Remote Sensing Image Scene Classification ［J］. Remote Sensing， 2017， 9： 848-870.

［12］TUN N L， GAVRILOV A， TUN N M， et al. Remote Sensing Data Classification Using a Hybrid Pre-trained VGG16 CNN-SVM Classifier ［C］//IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering 2021. Piscataway， NJ： IEEE， 2021： 2171-2175.

［13］LIMA P D， MARFURT K. Convolutional Neural Network for Remote-Sensing Scene Classification： Transfer Learning Analysis ［J］. Remote Sensing， 2020， 12（1）： 86-101.

［14］易瑔， 張宇航， 宗艷桃， 等. 基于卷積神經網絡的高光譜圖像分類算法綜述 ＼[J]. 電光與控制， 2023， 30（3）： 70－77.

（YI Q， ZHANG Y H， ZONG Y T. Review of Hyperspectral Image Classification Algorithms Based on Convolutional Neural Networks ＼[J]. Electro－Optics amp; Control， 2023， 30（3）： 70－77.）

［15］耿萬軒， 周維勛， 金雙根. 基于LDCNN特征提取的多核SVM高分辨率遙感影像場景分類 ［J］. 測繪通報， 2021（8）： 14-21. （GENG W X， ZHOU W X， JIN S G. Scene Classification of Multicore SVM High Resolution Remote Sensing Images Based on LDCNN Feature Extraction ［J］. Bulletin of Surveying and Mapping， 2021（8）： 14-21.）

［16］GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation ［C］//IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE， 2014： 580-587.

［17］SARA S Z， JOHN T. Building Classification from Lidar Data for Spatiotemporal Assessment of 3D Urban Developments ［J］. Procedia Engineering， 2017， 180： 1453-1461.

［18］馬晨佩， 李明輝， 鞏強令， 等. 基于麻雀搜索算法優化支持向量機的滾動軸承故障診斷 ［J］. 科學技術與工程， 2021， 21（10）： 4025-4029. （MA C P， LI M H， GONG Q L， et al. Fault Diagnosis of Rolling Bearings Based on Sparrow Search Algorithm Optimization Support Vector Machine ［J］. Science Technology and Engineering， 2021， 21（10）： 4025-4029.）

［19］LIU S J， YANG Y， ZHOU Y Q. A Swarm Intelligence Algorithm-Lion Swarm Optimization ［J］. Pattern Recognition and Artificial Intelligence， 2018， 31（5）： 431-441.

［20］PASCAL G. Automatic Color Enhancement （ACE） and Its Fast Implementation ［J］. IPOL， 2012， 2： 266-277.

［21］MOSLEHI M， DE BARROS F P J. Using Color Coherence Vectors to Evaluate the Performance of Hydrologic Data Assimilation ［J］. Water Resources Research， 2019， 55（2）： 1717-1729.

［22］SZEGEDY C， LIU W， JIA Y Q， et al. Going Deeper with Convolutions ［C］//IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE， 2015： 1-9.

［23］KAREN S， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition ［EB/OL］. （2015-04-10）［2022-02-10］. https：//arxiv.org/abs/1409.1556.

［24］HE K M， ZHANG X G， REN S Q， et al. Deep Residual Learning for Image Recognition ［C］//IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE， 2016： 770-778.

［25］易芳吉， 鐘麗莎， 李章勇. 基于SVM分類器的癲癇腦電時空特征提取方法的研究 ＼[J]. 重慶郵電大學學報（自然科學版）， 2022， 34（3）： 444－450.

（YI F J， ZHONG L S， LI Z Y. Research on Spatiotemporal Feature Extraction Method of Epilepsy EEG Based on SVM Classifier ＼[J]. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2022， 34（3）： 444－450.）

［26］錢曉亮， 李佳， 程塨， 等. 特征提取策略對高分辨率遙感圖像場景分類性能影響的評估 ［J］. 遙感學報， 2018， 22（5）： 758-776. （QIAN X L， LI J， CHENG Y， et al. Evaluation of the Effect of Feature Extraction Strategy on the Classification Performance of High-Resolution Remote Sensing Images ［J］. Journal of Remote Sensing， 2018， 22（5）： 758-776.）

［27］BI Q， QIN K， ZHANG H. APDC-Net： Attention Pooling-Based Convolutional Network for Aerial Scene Classification ［J］. IEEE Geoscience and Remote Sensing Letters， 2020， 17（9）： 1603-1607.

［28］喬星星， 施文灶， 劉芫汐， 等. 基于ResNet雙注意力機制的遙感圖像場景分類 ［J］. 計算機系統應用， 2021， 30（8）： 243-248. （QIAO X X， SHI W Z， LIU Y X， et al. Remote Sensing Image Scene Classification Based on ResNet Dual Attention Mechanism ［J］. Computer System Application， 2021， 30（8）： 243-248.）

［29］LU X Q， HAO S， ZHENG X T. A Feature Aggregation Convolutional Neural Network for Remote Sensing Scene Classification ［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019， 57（10）： 7894-7906.

［30］鄧培芳， 徐科杰， 黃鴻. 基于CNN-GCN雙流網絡的高分辨率遙感影像場景分類 ［J］. 遙感學報， 2021， 25（11）： 2270-2282. （DENG P F， XU K J， HUANG H. Scene Classification of High-Resolution Remote Sensing Images Based on CNN-GCN Dual-current Network ［J］. Journal of Remote Sensing， 2021， 25（11）： 2270-2282.）

［31］徐風， 孫萬硯. 基于非對稱全局卷積神經網絡的遙感圖像識別方法 ［J］. 林業工程學報， 2020， 5（6）： 137-142. （XU F， SUN W Y. Remote Sensing Image Recognition Method Based on Asymmetric Global Convolutional Neural Network ［J］. Chinese Journal of Forestry Engineering， 2020， 5（6）： 137-142.）

［32］方希祿， 付偉， 胡正言， 等. 基于隨機子圖像模型的遙感圖像分類 ［J］. 計算機工程與應用， 2020， 56（21）： 204-209. （FANG X L， FU W， HU Z Y， et al. Classification of Remote Sensing Images Based on Random Sub-image Model ［J］. Computer Engineering and Applications， 2020， 56（21）： 204-209.）

［33］GAO Y， SHI J， LI J， et al. Remote Sensing Scene Classification Based on High-Order Graph Convolutional Network ［J］. European Journal of Remote Sensing， 2021， 54（9）： 1-15.

（責任編輯： 韓 嘯）

收稿日期： 2022-05-20.

第一作者簡介： 王李祺（1996—）， 男， 漢族， 碩士研究生， 從事機器學習、 數字圖像處理與模式識別的研究， E－mail： 1023252901@qq.com. 通信作者簡介： 白艷萍（1962—）， 女， 漢族， 博士，" 教授， 從事現代優化理論與方法、 神經網絡算法及應用的研究， E－mail：baiyp666@163.com.

基金項目： 國家自然科學基金（批準號： 61774137）， 山西省基礎研究計劃項目（批準號： 202103021224195； 202103021224212； 202103021223189； 20210302123019）和山西省回國留學人員科研項目（批準號： 2020－104; 2021－108）.