(南京信息工程大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210044)

0 引言

隨著我國(guó)的人造衛(wèi)星技術(shù)的不斷發(fā)展，衛(wèi)星遙感影像技術(shù)的應(yīng)用也越來越廣泛[1]。在氣象領(lǐng)域，衛(wèi)星圖像的重要性不言而喻，己經(jīng)成為天氣預(yù)報(bào)、災(zāi)害天氣預(yù)測(cè)的最直接、可靠的信息來源[2]。隨著衛(wèi)星遙感技術(shù)及圖像處理技術(shù)的飛速發(fā)展，深度學(xué)習(xí)方法開始與衛(wèi)星圖像相結(jié)合，使得衛(wèi)星云圖的應(yīng)用有了極大的進(jìn)步[3]。而我國(guó)的青藏高原地區(qū)，每年都會(huì)有大雪給畜牧業(yè)生產(chǎn)與牧民的生活造成危害，所以相關(guān)部門做好大雪預(yù)測(cè)、及時(shí)發(fā)現(xiàn)積雪覆蓋范圍，幫助牧民采取有效措施，較少人畜損失是一項(xiàng)重要工作。而在冬季，青藏地區(qū)降雪明顯增多，降雪檢測(cè)就顯得更加困難，所以我們利用深度學(xué)習(xí)技術(shù)進(jìn)行青藏高原地區(qū)的雪災(zāi)識(shí)別就尤為重要。因?yàn)樵蒲┑娜ǘ蔚墓庾V特性具有相似性，所以衛(wèi)星云雪圖像識(shí)別存在一定的技術(shù)難題[4]。李騰騰[5]等提出一種基于灰度共生矩陣與平均梯度的方法提取云雪紋理信息從而實(shí)現(xiàn)云雪分離方法。該方法主要是利用灰度均值與灰度共生矩陣計(jì)算的能量作為特征參數(shù)提取云的特征，再利用改進(jìn)的平均梯度和分形維數(shù)的方法實(shí)現(xiàn)云雪分離。陳婷[6]等針對(duì)全色圖像的冰雪識(shí)別問題，以過渡區(qū)理論為基礎(chǔ),提出基于過渡區(qū)特征的冰雪識(shí)別方法。該方法首先利用聚類方法分離冰雪識(shí)別方法。該方法首先利用聚類方法分離雪、云與其物體再通過邊緣檢測(cè)提取過渡區(qū)圖像，并且與過渡區(qū)的均值和方差特征量組合成特征向量,用以分析過渡區(qū)特征,識(shí)別具有冰雪過渡區(qū)的點(diǎn)構(gòu)成冰雪邊界，實(shí)現(xiàn)冰雪識(shí)別。

上述方法沒有充分利用云雪的光譜特性，因而存在局限性。綜上所述，以上的識(shí)別方法在分析云雪樣本時(shí)，由于云雪特征復(fù)雜、全色光譜信息相似，存在提取云雪圖像特征單一、多光譜信息沒有充分利用等問題，檢測(cè)方法存在一定的局限性，不具備較好的泛化能力[7]。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，尤其是在圖像處理領(lǐng)域取得巨大的成功[8]。深度卷積神經(jīng)網(wǎng)絡(luò)具備了較強(qiáng)圖像特征提取能力，實(shí)現(xiàn)了很多以前難以實(shí)現(xiàn)的功能[9]。這些經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)也存在不足。本文將密集連接網(wǎng)絡(luò)(Densenet)與空洞卷積相結(jié)合應(yīng)用于多光譜衛(wèi)星云雪圖像識(shí)別分類，可以有效地利用云雪的光譜特征信息解決衛(wèi)星云雪圖像識(shí)別的問題。本文的方法相比于常見的機(jī)器學(xué)習(xí)方法，準(zhǔn)確率高，泛化能力強(qiáng)。

1 密集連接卷積神經(jīng)網(wǎng)絡(luò)

1.1 密集連接卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)在解決圖像識(shí)別領(lǐng)域得到了廣泛應(yīng)用[10]。本文將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于衛(wèi)星云雪圖像識(shí)別，也取得很好的識(shí)別效果。密集連接卷積神經(jīng)網(wǎng)絡(luò)模型是在深度殘差卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上采用了一種全新的連接方式的改進(jìn)[11]。密集連接卷積神經(jīng)網(wǎng)絡(luò)的密集連接是通過密集連接塊實(shí)現(xiàn)的[11]。本文在密集連接塊中采用了空洞卷積。密集塊采用空洞卷積可以減少參數(shù)，擴(kuò)大局部感受野，充分地提取衛(wèi)星云雪圖像的光譜信息特征。

1.2 密集連接空洞卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

密集連接卷積神經(jīng)網(wǎng)絡(luò)在深度殘差網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)，將網(wǎng)絡(luò)中的卷積層進(jìn)行兩兩連接，從而網(wǎng)絡(luò)中每一個(gè)卷積層都可以接收前面所有層的特征與信號(hào)。密集連接卷積神經(jīng)網(wǎng)絡(luò)在深度殘差網(wǎng)絡(luò)的基礎(chǔ)上改變連接方式，在達(dá)到相同的精度時(shí)，其參數(shù)量與計(jì)算量均為深度殘差網(wǎng)絡(luò)的一半[12]。

1.2.1 改進(jìn)的密集連接卷積神經(jīng)網(wǎng)絡(luò)

密集連接卷積神經(jīng)網(wǎng)絡(luò)中密集連接是通過密集塊實(shí)現(xiàn)的。在密集塊中，第l層的輸出等于將前面所有層的輸出特征進(jìn)行級(jí)聯(lián)操作，再進(jìn)行非線性變換H(·)，非線性變換公式:

Xl=Hl([x0,x1,……,xl-1])

(1)

密集塊中的密集連接方式如圖1所示。

圖1 密集連接塊結(jié)構(gòu)圖

其中，H1，H2，H3，H4表示非線性變換，x0,x1,x2,x3表示特征圖。非線性變換H(·)是一種由3種操作函數(shù)組成的復(fù)合函數(shù)。3種操作函數(shù)分別是批歸一化函數(shù)(Batch Normalization,BN)，Relu激活函數(shù)，卷積操作(conv)。

從密集連接塊中，可以看出每一層都兩兩連接，網(wǎng)絡(luò)使用較少的參數(shù)就可以使得大量特征得到復(fù)用。在密集塊中，每層的特征圖都要進(jìn)行非線性變換。在密集塊中采用卷積操作采用了1x1的卷積核與3x3的空洞卷積核相結(jié)合的卷積操作。其中，采用1x1的卷積核的卷積層作為密集塊的瓶頸層。瓶頸層主要是用來減少下一層輸入的特征圖數(shù)量，因此提高了卷積操作效率。在密集連塊中，如果每層產(chǎn)生k個(gè)特征圖，則它會(huì)在第l層輸入特征圖的個(gè)數(shù)是k0+k(l-1)，其中k0是輸入層的通道數(shù)，則超參數(shù)k為網(wǎng)絡(luò)的增長(zhǎng)率。其中，超參數(shù)k是卷積核的個(gè)數(shù)。k值越大則卷積核提取特征的能力越強(qiáng)，網(wǎng)絡(luò)中流通的信息量也會(huì)越大，但也會(huì)相應(yīng)地提高模型的復(fù)雜度。所以k值不能太大，本文采用的k值設(shè)為32?？斩淳矸e是在原卷積核的基礎(chǔ)之上設(shè)置一個(gè)參數(shù),擴(kuò)張率為r。將原卷積核進(jìn)行擴(kuò)張?jiān)谂蛎浵禂?shù)所限制的范圍內(nèi)。這樣得到的空洞卷積核的高度為h+(h-1)(r-1)，寬度為w+(w-1)(r-1)。其中，h為原卷積核的高，w為原卷積核的寬。密集塊通過使用空洞卷積核，可以增大卷積核的局部感受野而不增加參數(shù)量。本文設(shè)置的膨脹參數(shù)r為2，這樣2x2的卷積核就與3x3卷積核具有相同的感受野，同時(shí)減少了卷積核的參數(shù)量。原始卷積核與空洞卷積核如圖2所示。圖2(a)為2x2的原始卷積核，假設(shè)在原始卷積核中的參數(shù)分別為a、b、c、d。原始卷積核在進(jìn)行擴(kuò)張后如圖2(b)所示。原卷積核未被占用的區(qū)域用0進(jìn)行填充。本文采用的密集塊就可以擴(kuò)大卷積核的局部感受野，從特征圖中充分提取云雪的光譜特征信息。

圖2 原始卷積核與空洞卷積核

1.2.2 密集連接卷積神經(jīng)網(wǎng)絡(luò)過渡層

由于網(wǎng)絡(luò)的密集塊中的每一層都會(huì)接受前面所有層的特征作為輸入，這樣的采用級(jí)聯(lián)方式使得網(wǎng)絡(luò)層數(shù)不斷加深，因此為了在網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行下采樣處理，就需要在密集塊之后采用過渡層進(jìn)行數(shù)據(jù)降維操作。過渡層中主要是包含1x1的卷積層和2x2的平均池化層兩部分。

過度層主要目的是減少特征圖的數(shù)量和大小，實(shí)現(xiàn)數(shù)據(jù)降維的目的。如果密集塊包含m個(gè)特征映射，為了在過渡層中減少特征圖，可以使過渡層生成θm輸出特征圖，其中0<θ≤1 被稱為壓縮因子。本文的密集連接網(wǎng)絡(luò)采用的壓縮因子θ=0.5。

1.2.3 密集連接卷積神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)

本文采用的密集連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包含一個(gè)常規(guī)的卷積層、3個(gè)密集塊、2個(gè)過渡層、全局平均池化層、一個(gè)全連接層、一個(gè)輸出層。

其中，常規(guī)卷積層包含卷積操作、relu函數(shù)激活以及最大池化降維操作。密集塊與過渡層交替出現(xiàn)。3個(gè)密集塊的層數(shù)分別是6層、12層、24層。3個(gè)過渡層包含1x1卷積核操作與1x1池化操作。最后3層是全局平均池化層、全連接層、輸出層。密集連接卷積神經(jīng)網(wǎng)絡(luò)采用跨層連接的方式，使得網(wǎng)絡(luò)結(jié)構(gòu)中大量特征的重用，可以充分利用衛(wèi)星云雪圖像的光譜特征信息。同時(shí)，反向誤差信號(hào)傳播過程中，不會(huì)出現(xiàn)隨著層數(shù)加深而變得越來越小，緩解了梯度消失的問題。密集連接神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 密集深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

隨著網(wǎng)絡(luò)層數(shù)的不斷加深，神經(jīng)網(wǎng)絡(luò)模型的深度與復(fù)雜度也逐漸加深。如果卷積神經(jīng)網(wǎng)絡(luò)層數(shù)太少就不能充分提取云雪樣本的光譜信息特征。如果網(wǎng)絡(luò)層數(shù)的加深，網(wǎng)絡(luò)的參數(shù)就增加，訓(xùn)練時(shí)間較慢[12]，同時(shí)網(wǎng)絡(luò)在訓(xùn)練數(shù)據(jù)時(shí)，梯度信號(hào)會(huì)逐漸消失， 從而導(dǎo)致網(wǎng)絡(luò)模型難以優(yōu)化[12]。本文將改進(jìn)的密集連接卷積神經(jīng)網(wǎng)絡(luò)與空洞卷積核相結(jié)合，應(yīng)用與多光譜衛(wèi)星云雪圖像檢測(cè)較好地解決了這些問題。

2 密集連接空洞卷積神經(jīng)網(wǎng)絡(luò)的云雪識(shí)別模型

本文的多光譜衛(wèi)星云雪圖像采集主要來自于中國(guó)HJ1A/1B衛(wèi)星，該衛(wèi)星是我國(guó)用來進(jìn)行環(huán)境與自然災(zāi)害的監(jiān)測(cè)預(yù)報(bào)。本文基于HJ1A/1B的四個(gè)可見光通道的數(shù)據(jù)實(shí)現(xiàn)云雪數(shù)據(jù)識(shí)別。本文采用的數(shù)據(jù)集中云、雪、云雪混合、無云無雪樣本數(shù)量都是9 600個(gè)。每類取7 680個(gè)樣本作為訓(xùn)練集，每類取1 920個(gè)樣本作為測(cè)試集。利用密集連接卷積神經(jīng)網(wǎng)絡(luò)對(duì)多光譜衛(wèi)星云雪圖像進(jìn)行檢測(cè)，實(shí)現(xiàn)4分類任務(wù)。4分類分別是只有云的區(qū)域，只有雪的區(qū)域，無云無雪區(qū)域，云雪混合區(qū)域。在密集連接卷積神經(jīng)網(wǎng)絡(luò)中，首先將每個(gè)多光譜衛(wèi)星云雪圖像輸入到網(wǎng)絡(luò)模型中。在常規(guī)的卷積層中，網(wǎng)絡(luò)模型利用7×7×64、步長(zhǎng)為2的卷積核對(duì)圖像數(shù)據(jù)進(jìn)行特征提取，然后利用2×2的最大池化進(jìn)行降維， 生成7×7×64的特征圖。特征圖進(jìn)入到密集塊1中。密集連接塊1包含6層神經(jīng)網(wǎng)絡(luò)，使得每層網(wǎng)絡(luò)輸出32個(gè)特張圖，即增長(zhǎng)率為32。每層再和前面所有層的特征圖進(jìn)行級(jí)聯(lián)，然后進(jìn)行非線性函數(shù)變換。特征圖送入到過渡層1，進(jìn)行1×1的卷積與2×2 池化操作。因?yàn)樵谶^渡層設(shè)置了壓縮因子為0.5，使得過渡層1輸出的特征圖變?yōu)槊芗B接塊1輸出的一半。過渡層1輸出的特征圖經(jīng)過后面的多個(gè)密集塊與過渡層，再經(jīng)過全局平均池化層、全連接層。當(dāng)特征圖經(jīng)過全連接層是，每張?zhí)卣鲌D大小已經(jīng)變?yōu)?×1，所以全連接層輸出的特征圖維度是1×1×1 024，最后的輸出層輸出包含4個(gè)類別的類別概率向量，最終實(shí)現(xiàn)4分類任務(wù)。利用密集連接卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)云雪圖像分類過程如圖4所示。

圖4 衛(wèi)星云雪圖像分類過程

3 實(shí)驗(yàn)結(jié)果分析

圖5為不同算法的衛(wèi)星云雪識(shí)別效果圖，圖6為另一組衛(wèi)星云雪檢測(cè)效果圖。在實(shí)驗(yàn)效果圖中，只有云的區(qū)域由深灰色表示，只有雪的區(qū)域由淺灰色表示，無云無雪區(qū)域由黑色表示，云雪混合區(qū)域由白色表示。本文分別使用了支持向量機(jī)(SVM)、隨機(jī)森林(RandomForest)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、卷積密集連接神經(jīng)網(wǎng)絡(luò)(Densenet)。

本文采用灰度共生矩陣經(jīng)云雪圖像的紋理特征轉(zhuǎn)化為SVM模型的分類特征。由于多光譜云雪衛(wèi)星云雪圖像樣本的紋理特征是通過在空間位置重復(fù)出現(xiàn)灰度分布而形成的，所以在圖像空間已一定的距離隔開兩個(gè)像素之間存在一定的灰度關(guān)系，即圖像的灰度空間相關(guān)性?；叶裙采仃囀菆D像的的像素距離和角度的矩陣函數(shù)，通過計(jì)算圖像中兩點(diǎn)灰度之間的相關(guān)性，從而反映云雪圖像的的紋理特征的綜合信息[7]。

我們就可以用灰度共生矩陣描述多光譜云雪衛(wèi)星云雪圖像的紋理特征，灰度共生矩陣的統(tǒng)計(jì)量有:ASM能量、對(duì)比度、相似性、熵等。本文將灰度共生矩陣的ASM能量、對(duì)比度、相似性、熵等作為SVM模型的分類特征。其中,對(duì)于SVM，本文采用的非線性分類SVM可以用于4分類任務(wù)。非線性分類SVM采用RBF作為核函數(shù)，選取合適懲罰系數(shù)是20。這樣在訓(xùn)練樣本數(shù)據(jù)時(shí)，就可以使用核技巧以及軟間隔最大化，學(xué)得一個(gè)非線性SVM模型，實(shí)現(xiàn)云雪圖像識(shí)別。

RandomForest是以決策樹為基學(xué)習(xí)器的的集成學(xué)習(xí)方法[13]。該算法簡(jiǎn)單、容易實(shí)現(xiàn)。決策樹在對(duì)樣本訓(xùn)練劃分屬性時(shí)，是從當(dāng)前屬性集合中選擇一個(gè)最優(yōu)屬性進(jìn)行劃分。隨機(jī)森林模型在決策樹訓(xùn)練過程中，引入隨機(jī)性選擇訓(xùn)練集屬性，對(duì)屬性進(jìn)行分割，直至葉節(jié)點(diǎn)。本文在使用隨機(jī)森林模型時(shí)，采用的分裂選擇度量為gini指數(shù)。選擇100棵決策樹組成RandomForest，提取樣本的紋理特征，進(jìn)行云雪識(shí)別[14]。

本文的CNN模型總共有7層，分別是卷積層、池化層、 卷積層、池化層、全連接層、全連接層、輸出層[15-16]。圖5是本文采用的支持向量機(jī)(SVM)、隨機(jī)森林(RandomForest, RF)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、密集連接卷積神經(jīng)網(wǎng)絡(luò)(Densenet)的云雪圖像預(yù)測(cè)實(shí)驗(yàn)結(jié)果對(duì)比圖。圖5(a)是衛(wèi)星云圖原始圖像，圖5(b)是SVM分類的效果圖，圖5(c)是RandomForest分類的效果圖，圖5(d)是CNN檢測(cè)的效果圖，圖5(e)是Densenet檢測(cè)的效果圖。

通過對(duì)圖5中各個(gè)檢測(cè)效果進(jìn)行分析，可以得到如下結(jié)論：圖5(b)中深灰色區(qū)域部分較多，淺灰色區(qū)域較少，使得云的過多檢測(cè)，SVM的檢測(cè)效果比較差。圖5(c)中深灰色區(qū)域比(b)中減少，淺灰色區(qū)域增多，RandomForest的識(shí)別效果有所提升，依然有云的誤檢，圖5(d)中淺灰色區(qū)域較多，深灰色區(qū)域較少，存在雪的誤檢。但是檢測(cè)效果比SVM與RandomForest有所提升。圖5(e)的檢測(cè)效果比較好，Densenet根據(jù)訓(xùn)練樣本的光譜特征與紋理信息來進(jìn)行檢測(cè)，能比較好地區(qū)分出云與雪的區(qū)域，以及在云雪混合和無云無雪區(qū)域的上檢測(cè)效果較好。

圖5 不同算法的云雪預(yù)測(cè)圖

圖6為另一組不同算法的云雪檢測(cè)預(yù)測(cè)圖。我們從實(shí)驗(yàn)結(jié)果對(duì)比圖中，仍然會(huì)發(fā)現(xiàn)SVM的結(jié)果圖6(b)中，存在云的誤檢，深灰色區(qū)域較多，SVM的檢測(cè)效果依然較差。在RandomForest的結(jié)果圖中6(c)淺灰色區(qū)域較少，存在雪的誤檢, RandomForest的識(shí)別效果不理想。CNN的實(shí)驗(yàn)結(jié)果圖識(shí)別結(jié)果比SVM與RandomForest的效果較好，能提取云雪的大致輪廓，較好的區(qū)分樣本的特征，泛化效果較好。在6(e)圖中，Densenet的效果比CNN更好，該模型能有效提取云雪的光譜特征與紋理信息，有效區(qū)分樣本特征。

圖6 不同算法的云雪預(yù)測(cè)圖

為了進(jìn)一步對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行有效分析，采用100張不同區(qū)域的衛(wèi)星云圖測(cè)試結(jié)果作為統(tǒng)計(jì)的平均值進(jìn)行對(duì)比。表1是RandomForest、SVM、CNN、Densenet等方法的預(yù)測(cè)結(jié)果。從表中，可以看出，SVM的效果最差，RandomForest的效果優(yōu)于SVM，CNN的結(jié)果優(yōu)于RandomForest。本文使用的Densenet識(shí)別的準(zhǔn)確率高于其他幾類方法。CNN、Densenet在多光譜衛(wèi)星云雪圖像的訓(xùn)練集準(zhǔn)確率和驗(yàn)證集準(zhǔn)確率變化趨勢(shì)如圖7～8。圖7是CNN的準(zhǔn)確率變化圖。圖8是Densenet的準(zhǔn)確率變化圖。

圖7是CNN在訓(xùn)練集與測(cè)試集的準(zhǔn)確率變化圖。圖7是Densenet在訓(xùn)練集與測(cè)試集的準(zhǔn)確率變化圖。我們可以看出Densenet的收斂速度快于CNN。Densenet并且無論是在訓(xùn)練集還是測(cè)試集的準(zhǔn)確率也高于CNN。所以，從實(shí)驗(yàn)結(jié)果圖上可以看出Densenet的測(cè)試結(jié)果要優(yōu)于CNN。CNN、Densenet在多光譜衛(wèi)星云雪圖像的訓(xùn)練集損失和驗(yàn)證集損失變化趨勢(shì)如圖9～10所示。圖9是CNN的損失變化圖。圖10是Densenet的損失變化圖。我們可以看Densenet的損失減少速度快于CNN。所以，從圖9～10我們可以看出Densenet的在損失減少的方面要優(yōu)于CNN。所以Densenet在多光譜衛(wèi)星云雪圖像上的預(yù)測(cè)效果要優(yōu)于CNN的預(yù)測(cè)效果。

表1 衛(wèi)星云雪圖檢測(cè)平均準(zhǔn)確率

圖7 CNN的準(zhǔn)確率變化圖

圖8 Densenet的準(zhǔn)確率變化圖

圖9 CNN的損失變化圖

圖10 Densenet的損失變化圖

4 總結(jié)

由于云雪表面特征復(fù)雜與光譜特征的相似性，傳統(tǒng)機(jī)器學(xué)習(xí)方法不能很好地提取樣本特征，使得云雪檢測(cè)效果不理想。本文將密集連接卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于多光譜衛(wèi)星云雪圖像檢測(cè)方面，提升衛(wèi)星云雪圖像的檢測(cè)效果。因?yàn)槊芗B接卷積神經(jīng)網(wǎng)絡(luò)具有能效解決梯度消失問題[17]、強(qiáng)化特征傳播、支持特征的重用、減少了參數(shù)量等優(yōu)點(diǎn)[18]，所以在圖像領(lǐng)域應(yīng)用廣泛[19]。密集連接卷積神經(jīng)網(wǎng)絡(luò)每一層提取的特征都相當(dāng)于對(duì)輸入數(shù)據(jù)的進(jìn)行一個(gè)非線性變換，而隨著深度的增加，變換的復(fù)雜度也逐漸增加相當(dāng)于更多非線性函數(shù)的復(fù)合[20]。相比于一般神經(jīng)網(wǎng)絡(luò)的分類器直接依賴于網(wǎng)絡(luò)最后一層(復(fù)雜度最高)的特征，密集連接卷積神經(jīng)網(wǎng)絡(luò)可以綜合利用淺層復(fù)雜度低的特征，因而泛化能力較好。本文的采用密集連接卷積神經(jīng)網(wǎng)絡(luò)對(duì)HJ1A/1B衛(wèi)星拍攝的我國(guó)青藏高原地區(qū)的多光譜衛(wèi)星云雪圖像進(jìn)行識(shí)別[21]。最后通過實(shí)驗(yàn)結(jié)果對(duì)比，說明密集連接卷網(wǎng)絡(luò)在識(shí)別多光譜衛(wèi)星云雪圖像時(shí)具有較好的泛化能力，但是其對(duì)于雪的誤檢還有待降低。雖然本文采用密集連接卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多光譜衛(wèi)星云雪圖像，識(shí)別效果比傳統(tǒng)的機(jī)器學(xué)習(xí)方法進(jìn)一步提升，但是相關(guān)研究中還處于初始階段，存在一些不足，需要進(jìn)一步優(yōu)化與改進(jìn)模型。本文的網(wǎng)絡(luò)模型主要在以下方面進(jìn)行改進(jìn)：1)保證識(shí)別模型檢測(cè)精度的前提下，提高模型的檢測(cè)的速度，因此應(yīng)該進(jìn)一步優(yōu)化模型網(wǎng)絡(luò)結(jié)構(gòu)。2)著重提高模型的抗干擾的能力，在衛(wèi)星圖像中存在云霧、降水等干擾因素對(duì)數(shù)據(jù)樣本產(chǎn)生影響。所以，我們要提升模型的抗干擾能力[22]。3)隨著計(jì)算機(jī)硬件技術(shù)的快速發(fā)展，模型可以與計(jì)算機(jī)硬件水平相適應(yīng)設(shè)，向著檢測(cè)方法快速化、精準(zhǔn)化的方向發(fā)展[23]。