陈伟涛，等，计算机学院. IEEE JSTARS (2022), JAGAN: A Framework for Complex Land Cover Classification Using Gaofen-5 AHSI Images

近日，地球科学和遥感领域期刊《IEEE J-STARS》在线刊发了我校计算机学院在“地球科学与人工智能遥感”学科交叉领域的研究成果——JAGAN: A Framework for Complex Land Cover Classification Using Gaofen-5 AHSI Images。论文第一作者为计算机学院人工智能系陈伟涛教授，通讯作者为该院王力哲教授。

高光谱遥感图像具有"图谱合一"的数据优势，已被广泛应用于地质环境信息提取。尽管深度学习技术在高光谱遥感图像信息提取领域取得了一定的进展，但研究成果多聚焦于航空遥感数据集评价及模型测试方向，利用高光谱卫星遥感图像开展智能解译应用研究较少。目前在轨的卫星高光谱遥感图像空间分辨率相对较低，当面对矿山地质环境这一复杂巨系统时，现有深度学习架构在区域尺度上提取能够表征矿山占地类型特征的能力不足，导致矿山用地等重要地物类型空间信息丢失，网络更容易过拟合。

针对上述问题，论文构建了基于联合通道-空间注意力和生成对抗网络（JAGAN），旨在提升矿区土地覆盖遥感图像分类的特征提取能力和抗过拟合能力。以湖北省武汉市江夏乌龙泉矿区为试验区，利用国产高分五号（GF-5）影像制作了矿区土地覆盖高光谱遥感分类数据集。JAGAN具体网络架构如图所示。首先，构建生成器网络，输入符合标准正态分布的噪声，通过四层卷积激活块生成与真实样本大小相同的假样本；其次，设计位于判别器前后的两个联合注意力模块，通道和空间注意力机制都采用整合最大集合和平均集合的策略，保证地物特征中最突出的部分和特征图整体的表达效果；然后，设计判别器网络，真假样本贯穿联合注意力模块后输入，经过一层卷积块输出新的特征图；最后，利用特征图再次通过相同结构的联合注意力机制模块提取重要的特征后，使用激活函数对发生器进行对抗性训练，实现分类。JAGAN模型相对于主流机器学习和高光谱分类算法，在一般数量（1组）和有限数量（3组）的训练数据集上，综合性能表现均最佳，说明该模型对小样本情况具有良好的特征提取能力和抗过拟合能力。论文构建的数据集能够作为复杂矿区场景高光谱数据语义分割研究的基准（数据集已开源）。

JAGAN网络架构图

该研究得到国家自然科学基金项目（U1803117, U21A2013, 41925007, 42071430）的联合资助。

论文信息：

Title: JAGAN: A Framework for Complex Land Cover Classification Using Gaofen-5 AHSI Images

Authors: Weitao Chen, Shubing Ouyang, Jiawei Yang, Xianju Li, Xiongwei Zheng, Gaodian Zhou, Lizhe Wang*

Source: IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing

Available online: 25 January 2022

DOI: 10.1109/JSTARS.2022.3144339

论文链接: https://ieeexplore.ieee.org/abstract/document/9691861

数据集链接：https://drive.google.com/drive/folders

期刊信息：IEEE J-STARS是地球科学和遥感领域的重要期刊，是IEEE地球科学与遥感技术协会（GRSS）会刊，在遥感技术和地球科学领域具有较高影响力。