李一松

（1.中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所，上海 200050；2.中國科學(xué)院微小衛(wèi)星創(chuàng)新研究院，上海201210；3.上?？萍即髮W(xué)信息科學(xué)與技術(shù)學(xué)院，上海201210；4.中國科學(xué)院大學(xué)北京100049）

多光譜成像技術(shù)始于20世紀(jì)80年代，是光學(xué)儀器發(fā)展歷史中的一次飛躍。該技術(shù)突破了傳統(tǒng)相機(jī)的成像能力，傳統(tǒng)的彩色相機(jī)只能記錄紅、綠、藍(lán)3個通道的影像，而多光譜成像可以記錄除可見光波段外的其他光譜影像，其光譜探測范圍遠(yuǎn)遠(yuǎn)超過了人類肉眼的感知范圍。由于許多地標(biāo)物質(zhì)的吸收特性都表現(xiàn)在400納米到2 500納米的光譜分辨率內(nèi)，所以多光譜成像可以識別許多在可見光圖像中不能識別的物質(zhì)。利用多光譜成像信息能夠在農(nóng)業(yè)、森林、海洋、江河、湖泊以及地質(zhì)勘探等領(lǐng)域中的不同物質(zhì)成分光譜特征進(jìn)行區(qū)分，為科學(xué)的進(jìn)行資源管理、生態(tài)監(jiān)測、環(huán)境保護(hù)、城市智能遙感提供新的技術(shù)手段。

與普通可見光圖像場景分類問題相比，多光譜圖像的多標(biāo)簽場景分類的難點有兩個：一是輸入的數(shù)據(jù)不再是三通道的圖像數(shù)據(jù)，而是多維度的光譜數(shù)據(jù)，在提供了更多信息量的同時也帶來的更高的計算量；二是由于一張多光譜圖像往往包含多種地物，所以多光譜圖像的多標(biāo)簽分類比單標(biāo)簽分類更能反映其所包含的地物信息，由于每種地物在整張多光譜圖像中的比例不盡相同，如何處理這種不平衡性為多標(biāo)簽分類任務(wù)提出了新的挑戰(zhàn)。

針對如上提出的多光譜圖像的多標(biāo)簽分類任務(wù)面臨的兩大挑戰(zhàn)，文中設(shè)計了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)既能夠處理大于三通道的多光譜圖像數(shù)據(jù)，又能利用在其他大型數(shù)據(jù)集上預(yù)訓(xùn)練好的權(quán)重進(jìn)行遷移學(xué)習(xí)。從而大大降低了計算量。通過計算數(shù)據(jù)集內(nèi)所有標(biāo)簽的共現(xiàn)矩陣而得到的損失函數(shù)很好的解決了每種地物在整張多光譜圖像中的比例不平衡問題，大大提高了分類結(jié)果的準(zhǔn)確率和召回率。

1 基于CNN的多光譜圖像分類

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)由生物學(xué)家休博爾和維瑟爾在早期關(guān)于貓的視覺皮層的研究發(fā)展而來。最近幾年，卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模圖像和視頻識別以及自然語言處理和語音識別領(lǐng)域取得了巨大的成功，這主要源自于兩個重要因素：一個是大規(guī)模的高質(zhì)量數(shù)據(jù)集，比如ImageNet[2]；二是大規(guī)模并行計算系統(tǒng)，特別是圖形計算單元（GPU）的快速發(fā)展和并行程序模型和軟件環(huán)境比如Compute Unified Device Architecture（CUDA）。卷積神經(jīng)網(wǎng)絡(luò)通過堆疊卷積層、池化層、非線性激活函數(shù)層、批量歸一化層，來進(jìn)行特征抽取，利用參數(shù)共享機(jī)制相比于反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)大大減少了參數(shù)個數(shù)，其局部視野的特性保證了能夠抽取不同層次的特征表達(dá)，相較于傳統(tǒng)的人工精心設(shè)計的特征表達(dá)，實現(xiàn)了端到端的訓(xùn)練。

卷積神經(jīng)網(wǎng)絡(luò)最先取得成功是AlexNet[1]在2012年的ImageNet競賽上，其以比以往最低錯誤率低10個百分點的成績奪冠，網(wǎng)絡(luò)一共有8層可學(xué)習(xí)層，包括5層卷積層和3層全鏈接層，并且引入了修正線性單元（Rectified linear units，ReLU）、池化、數(shù)據(jù)增強(qiáng)、Dropout的操作，在增強(qiáng)模型表達(dá)能力的同時很好避免了過擬合的發(fā)生。之后的VGGNet使用了更小的卷積核、更深的網(wǎng)絡(luò)深度，直觀上我們會覺得大的卷積核更好，因為它可以提取到更大區(qū)域內(nèi)的信息，但實際上大卷積核可以用多個小卷積核代替，比如一個7×7的卷積核函數(shù)就可以用3個串聯(lián)的3×3的卷積核來代替，這種代替方式在減少了參數(shù)個數(shù)的同時也引入了更多的非線性因素。所以VGGNet相比于AlexNet層數(shù)更深卻可以更快的收斂。本文在設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)時充分借鑒了小卷積核的優(yōu)點。ResNet[3]是卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個里程碑，其通過引入殘差的概念讓網(wǎng)絡(luò)不直接擬合輸入和輸出的映射而是去擬合殘差，由于殘差結(jié)構(gòu)的特殊性，在損失對輸入求導(dǎo)的時候，導(dǎo)數(shù)項會被分解為兩個，而有一個直接對輸入的導(dǎo)數(shù)項并不會消失，所以避免了梯度消失或者爆炸問題，從而網(wǎng)絡(luò)可以設(shè)計的非常深。DenseNet[4]通過鏈接操作來結(jié)合特征圖，使得網(wǎng)絡(luò)中每一層都與其它層都有關(guān)系，這種方式使得信息流最大化，提升了網(wǎng)絡(luò)的魯棒性并且加快了學(xué)習(xí)速度。

1.2 多光譜圖像的場景分類

目前學(xué)術(shù)界針對多光譜圖像的場景分類問題大都集中在小訓(xùn)練樣本并且類別較少的場景下，所設(shè)計場景分類器往往要求能在較小的訓(xùn)練樣本下具有很好的泛化能力。

Peng J[5]等人利用理想歸一化核（Ideal Regulization Kernel）來訓(xùn)練一個非線性的核函數(shù)表達(dá)，結(jié)合支持向量機(jī)（Support Vector Machine）進(jìn)行分類。譚熊[11]等人利用梯度下降方法計算出多核的線性疊加權(quán)重，然后利用多核SVM進(jìn)行多光譜圖像的場景分類。馮逍等人[13]提出了一種基于三維Gabor濾波器進(jìn)行特征提取然后用SVM進(jìn)行多光譜圖像的場景分類方法。由于核函數(shù)具有一定的非線性擬合能力，而且SVM本身良好的泛化能力，以上基于SVM的多光譜圖像分類方法在小樣本集上取得了不錯的效果，但是隨著訓(xùn)練樣本數(shù)據(jù)的增加，核函數(shù)的越來越不足以表達(dá)數(shù)據(jù)與其標(biāo)簽之間的非線性關(guān)系，SVM本身的訓(xùn)練時間也大幅增長，所以基于SVM的核方法不適應(yīng)較大規(guī)模的多光譜圖像數(shù)據(jù)集。M.Lienous等人[15]把通常用于文本語義挖掘的主題模型應(yīng)用到多光譜圖像場景分類問題中。把圖片中的某一塊映射為文檔中的某個單詞，把整張圖映射為文檔主題，然而此方法只在場景類別較少的情況才有較高的準(zhǔn)確率。W.Luo等人[16]改進(jìn)了用于圖像分類的主題模型，提出作者主題模型進(jìn)一步提高了多光譜圖像場景分類的準(zhǔn)確率，但是任然沒有突破只能在場景類別較少情況下才有比較高準(zhǔn)確率的局限。M.Fang[7]等人提出了一種利用隱馬爾科夫隨機(jī)場（HMM）進(jìn)行無監(jiān)督多光譜圖像分類方法，Yao X W[8]等人提出了利用堆棧自動編碼機(jī)（Stacked Auto Encoder，SAE）對圖像進(jìn)行特征提取然后利用多層感知機(jī)（Mutilayer Perceptron，MLP）進(jìn)行分類。以上兩種非監(jiān)督分類方法的其優(yōu)點是不需要對圖像數(shù)據(jù)做標(biāo)注即可自動分類，缺點是無法預(yù)定義場景類別而且只在類別很少的場景下才能有較好的準(zhǔn)確率。Penatti O A B[6]等人首次提出了利用在非多光譜圖像數(shù)據(jù)集ImageNet所預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)在多光譜圖像進(jìn)行遷移學(xué)習(xí)的方法。劉楊等人[14]提出了一種媒體神經(jīng)認(rèn)知模型，其綜合了圖中上下文場景的語義信息進(jìn)行預(yù)分類，利用預(yù)分類結(jié)構(gòu)構(gòu)造懲罰函數(shù)，然后用增量式集成學(xué)習(xí)獲得最終的分類結(jié)果。許風(fēng)暉等[10]人提出了利用多尺度卷積神經(jīng)網(wǎng)絡(luò)融合的方法進(jìn)行多光譜圖像的場景分類。以上3種方法使用的卷積神經(jīng)網(wǎng)絡(luò)層數(shù)都比較淺，使用的數(shù)據(jù)集的場景類別也較少。

隨著計算機(jī)視覺的發(fā)展，更加復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)被提出并且在圖像分類和自然語言處理等領(lǐng)域發(fā)揮出了巨大的作用，如何發(fā)掘卷積神經(jīng)網(wǎng)絡(luò)在多光譜圖像場景分類任務(wù)中的巨大潛力是一個值得研究的問題。

2 實 驗

2.1 數(shù)據(jù)集介紹

文中采用了由Planet公司的Flock2衛(wèi)星于2016年1月至2017年1月拍攝的亞馬遜雨林地區(qū)的高光譜影像，空間分辨率為3.7米，共計8萬張圖片。按照6:2:2的比例將此數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。數(shù)據(jù)的標(biāo)簽由Planet Impact團(tuán)隊提供，多光譜影像包括紅、綠、藍(lán)和近紅外共4個通道的光譜數(shù)據(jù)，共17個類別，包括有primary、haze、algriculture、clear、water、habitation、road、cultivation、slash、burn、cloudy、partly cloudy、conventional mine、bare ground、 artisinal mine、 blooming、 selective logging、blowdown。數(shù)據(jù)集中的每一張圖片都包含了至少一個標(biāo)簽。

2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

圖1 本文設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

文中設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)如圖1所示，為了保證模型的非線性，每個卷積層之后都跟著一個非線性激活函數(shù)層，本文所使用的是修正線性單元ReLU，ReLU可以加速網(wǎng)絡(luò)的收斂[1]。為了進(jìn)一步防止模型過擬合，每一步卷積操作之后都接一個批量歸一化層（Batch Norm，BN）[9]，BN層可以有效減輕模型的過擬合。網(wǎng)絡(luò)的輸入時256×256×4的多光譜圖像經(jīng)過填充為2，步長為3，卷積核大小為3的卷積之后特征圖的大小為76×76×64，再經(jīng)過填充為4，步長為3，卷積核大小為3的卷積之后得到的特征圖大小為28×28×64，緊接著是步長為2的最大池化層操作，其后是2個Dense Block，中間加入1×1的卷積和步長為2的最大池化層。Dense Block共有5層，前四層的每一層都是批量歸一化層、最大池化層和卷積核為3的卷積層的集合，并不改變特征圖的大小，最后一層是卷積核為1的卷積層，用來降低通道數(shù)，即降低了模型的參數(shù)。對于Dense Block中的每一層來說，前面的所有層的特征圖都被直接拿來作為這一層的輸入。網(wǎng)絡(luò)經(jīng)過Dense Block2之后的特征圖大小為7×7×16，接下來的步長為7的最大池化層得到16維的向量，16×17的全鏈接層輸出每種類別的概率。

圖2 訓(xùn)練集所有標(biāo)簽的共現(xiàn)矩陣示意圖

由于在多標(biāo)簽分類問題中，一張圖片可能對應(yīng)幾個標(biāo)簽，但這些標(biāo)簽所對應(yīng)的物體在圖片中所占的比例是不同的，為了處理這種比例的不平衡，與常規(guī)的Softmax損失函數(shù)不同，本文提出了一種新型的損失函數(shù)，計算方法如下：首先計算整個訓(xùn)練集上所有標(biāo)簽的共現(xiàn)矩陣如圖2所示。

Softmax層的輸出為：

損失函數(shù)定義為：

其中yj是根據(jù)訓(xùn)練集上所有標(biāo)簽的共現(xiàn)矩陣計算得出。假設(shè)一張多光譜圖像的標(biāo)簽集合為L，查閱共現(xiàn)矩陣得出L中所有標(biāo)簽共同出現(xiàn)的概率集合P，則L中每一類標(biāo)簽的權(quán)重yi的計算方法為：

損失函數(shù)定義為：

2.3 實驗環(huán)境設(shè)置

本文所設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)和訓(xùn)練、測試是基于Tensorflow深度學(xué)習(xí)框架。

為了防止網(wǎng)絡(luò)過擬合，在訓(xùn)練集原始圖像輸入網(wǎng)絡(luò)之前，進(jìn)行數(shù)據(jù)增強(qiáng)，具體做法如下：原始256×256的圖片的4個角以及中心區(qū)域截取224×224的區(qū)域加上自身經(jīng)過縮放到224×224，然后經(jīng)過水平和垂直翻轉(zhuǎn)，這樣我們的訓(xùn)練數(shù)據(jù)量是原始的6×2=12倍，在測試階段只對圖片做縮放以獲得最完整的圖像信息。

在訓(xùn)練階段，網(wǎng)絡(luò)的兩個Dense Block采用在Imagenet上預(yù)訓(xùn)練的DenseNet 121的最后兩個Dense Block的權(quán)重作為初始值，其余層的初始參數(shù)皆用標(biāo)準(zhǔn)正態(tài)分布生成。文中采用帶動量的逐參數(shù)適應(yīng)隨機(jī)梯度下降算法Adam，設(shè)置網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.001，批處理大小為64，動量為0.9。

文中采用F值作為實驗結(jié)果的評價標(biāo)準(zhǔn)：

其中：

這里p為準(zhǔn)確率，r為召回率，tp為真陽數(shù)，fp為假陽數(shù)，fn為假陰數(shù)。

2.4 實驗結(jié)果與分析

文中同時實現(xiàn)了在多光譜圖像分類任務(wù)中特征提取表現(xiàn)出色的尺度不變特征變換（Scale Invariant Feature Transform，SIFT）[12]+SVM以及文獻(xiàn)[13]提出的Gabor濾波器+SVM和文獻(xiàn)[8]提出的SAE+MLP與本文提出的方法進(jìn)行比較，結(jié)果如表1所示。

表1 不同方法結(jié)果對比

由上述實驗可以看到，結(jié)合復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和重新定義的損失函數(shù)在Planet Amazon多光譜圖像多標(biāo)簽分類任務(wù)中取得了最高的F值。與不加經(jīng)過共現(xiàn)矩陣重新定義的損失函數(shù)的CNN相比，重新定義的損失函數(shù)讓F值提高4個百分點，從而說明了本文提出算法的有效性。

3 結(jié)論

文中提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多光譜圖像多標(biāo)簽場景分類方法，在模型設(shè)計過程中多次用小的卷積核來減少參數(shù)個數(shù)，降低了模型的復(fù)雜度，減少過擬合現(xiàn)象的發(fā)生，模型中的直連操作保證了信息流的最大化，從而避免了梯度爆炸或是消失的問題。在訓(xùn)練集所有標(biāo)簽的共現(xiàn)矩陣基礎(chǔ)上重新定義的損失函數(shù)進(jìn)一步提高了模型的F值，在Planet Amazon數(shù)據(jù)集上的試驗以及與其他文獻(xiàn)中的方法進(jìn)行對比驗證了所提出的卷積神經(jīng)網(wǎng)絡(luò)對于多光譜圖像多標(biāo)簽場景分類的有效性。