近日，王国杰教授团队在遥感领域期刊《Remote Sensing》发表了题为“Water Identification from High-Resolution Remote Sensing Images Based on Multidimensional Densely Connected Convolutional Neural Networks”的研究成果。该研究将深度学习方法应用到高分辨率遥感影像的水体提取中，通过构建深度神经网络模型来提高遥感影像水体识别的精度；对传统的多维密集连接的深度卷积神经网络（DenseNet）加以改进，应用于高分一号多谱段卫星数据进行鄱阳湖流域的水体识别，并与ResNet、VGG、SegNet、DeepLab v3+等多个深度神经网络和传统水体指数法NDWI等的识别结果进行了对比分析。
图1 DenseNet 深度神经网络框架图
该项研究的创新点在于改进了经典的DenseNet深度神经网络结构，增加了上采样过程和全卷积网络内的跳层连接，缓解梯度消失和网络退化问题，并可进行特征重复学习，显著地提高了地物识别的效率和精度。研究表明，所有的深度卷积神经网络模型（DenseNet、ResNet、VGG、SegNet、DeepLab v3+）的识别效果都显著优于传统的水体指数法（NDWI）。
表1 不同模型水体识别效果对比
而对于DenseNet、ResNet、VGG、SegNet、DeepLab v3+深度卷积神经网络，从模型的训练效率上看，DenseNet的训练效率最优，但是训练时间上来看DeepLab v3+的结果要略优于DenseNet。从模型的水体识别效果上来看，DenseNet的总体识别精度最优，但是它在对区分云和水体的时候存在一定的误判情况。相较于其他四种深度神经网络，DenseNet网络在水体识别方面精度更高，本研究中达到96%以上；且对细部特征也有良好的识别能力，展示了在遥感地物识别方面的广阔应用前景。
图2. 不同模型在2016年7月29日鄱阳湖地区遥感影像的水体识别效果对比。（a）假彩色遥感影像，（b）DenseNet，（c）ResNet，（d）VGG，（e）SegNet，（f）DeepLab，（g）NDWI模型识别结果。白色区域为识别出的水体区域。
论文信息：
Wang, G.; Wu, M.; Wei, X.; Song, H. Water Identification from High-Resolution Remote Sensing Images Based on Multidimensional Densely Connected Convolutional Neural Networks. Remote Sens. 2020, 12, 795.
链接地址：
https://doi.org/10.3390/rs12050795