郝明達(dá)，普運(yùn)偉

(1.昆明理工大學(xué) 國(guó)土資源工程學(xué)院，云南 昆明 650221； 2.昆明理工大學(xué) 計(jì)算中心，云南 昆明 650504)

1 引 言

隨著遙感數(shù)據(jù)的增加，從大規(guī)模遙感影像中自動(dòng)化檢索感興趣區(qū)域顯得尤為重要，提高算法對(duì)感興趣區(qū)域檢索的質(zhì)量和效率是核心問(wèn)題。遙感影像檢索可以解決這樣的一些問(wèn)題，如人們想要從數(shù)百平方公里范圍內(nèi)的衛(wèi)星影像中快速精準(zhǔn)地定位、識(shí)別感興趣的目標(biāo)，或是從樣本庫(kù)中，更進(jìn)一步識(shí)別出地物目標(biāo)的具體型號(hào)與類別，以獲得一個(gè)可解釋性的結(jié)果。

遙感影像數(shù)據(jù)檢索的發(fā)展主要包括兩個(gè)重要的階段，特征工程和特征學(xué)習(xí)。在特征工程階段，主要是通過(guò)人工設(shè)計(jì)特征描述符對(duì)遙感影像進(jìn)行抽象描述，如尺度不變特征變換(SIFT)等[1，2]優(yōu)秀的圖像檢索模型被提出，但是受限于需要人工設(shè)計(jì)特征，而且準(zhǔn)確表示遙感影像語(yǔ)義信息的能力有限。之后，在特征學(xué)習(xí)階段，即自2012年以來(lái)的深度學(xué)習(xí)階段，始于人工神經(jīng)網(wǎng)絡(luò)，特別是深度卷積神經(jīng)網(wǎng)絡(luò)等優(yōu)秀模型被提出后。如2016年5月，美國(guó)卡耐基梅隆大學(xué)的團(tuán)隊(duì)發(fā)布了Terrapattern，使用在自然圖像上已訓(xùn)練模型提取遙感影像特征，用于遙感數(shù)據(jù)檢索。2020年2月，Keisler等人[3]也通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)抽取影像特征并與Google cloud提供的數(shù)據(jù)庫(kù)服務(wù)實(shí)現(xiàn)對(duì)遙感影像的實(shí)時(shí)檢索(https：//search.descarteslabs.com/)。隨著Descartes Labs(https：//descarteslabs.com/)、Google Earth Engine(https：//earthengine.google.com/)、Sentinel Hub(https：//www.sentinel-hub.com/)、PIE engine(https：//engine.piesat.cn/)等平臺(tái)存儲(chǔ)了大量的遙感數(shù)據(jù)信息，遙感影像檢索算法與這些大型的數(shù)據(jù)庫(kù)平臺(tái)相結(jié)合，將有助于對(duì)大規(guī)模遙感數(shù)據(jù)檢索的應(yīng)用分析，為了應(yīng)對(duì)海量遙感數(shù)據(jù)感興趣區(qū)檢索，有必要提高遙感影像檢索的可擴(kuò)展性。

針對(duì)影像檢索算法的改進(jìn)可以分為模型級(jí)和特征級(jí)改進(jìn)。在模型上進(jìn)行改進(jìn)包括模型架構(gòu)改進(jìn)和模型微調(diào)策略改進(jìn)，特征級(jí)方法改進(jìn)可以分為特征增強(qiáng)方法和特征提取方法改進(jìn)，但更多的是，同時(shí)使用多種方法進(jìn)行檢索。如網(wǎng)絡(luò)架構(gòu)的改進(jìn)，是利用堆疊的線性濾波器(如卷積)和非線性的激活函數(shù)，從數(shù)據(jù)中提取更高級(jí)的抽象和語(yǔ)義感知功能[4，5]；因全連接層(FC層)和卷積層(CNN層)的神經(jīng)元具有不同的接受域，可以實(shí)現(xiàn)模型特征提取方式的改進(jìn)，如CNN層的局部特征[6，7]，卷積層(通常是最后一層)的特征保留了更多的結(jié)構(gòu)細(xì)節(jié)，在影像檢索中可以獲得更多區(qū)分性的特征；深度特征增強(qiáng)方法常用于提高深度特征的識(shí)別能力，如直接使用深度網(wǎng)絡(luò)[8]訓(xùn)練哈希編碼，哈希方法[9]將實(shí)值特征編碼為二進(jìn)制碼，可以提高檢索效率，特征增強(qiáng)策略對(duì)圖像檢索效率有顯著影響；基于模型微調(diào)的特征提取方法，是使用在自然圖像上已訓(xùn)練的分類模型經(jīng)過(guò)模型微調(diào)，遷移到新的數(shù)據(jù)集上進(jìn)行檢索任務(wù)。然而，檢索性能受到數(shù)據(jù)集之間的域轉(zhuǎn)移的影響，因此，有必要將深度網(wǎng)絡(luò)調(diào)優(yōu)到特定的域[10～12]，這可以通過(guò)有監(jiān)督的微調(diào)方法實(shí)現(xiàn)。

2 多模型遙感影像檢索方法

為了提高遙感影像檢索的精度和效率，以及對(duì)海量數(shù)據(jù)檢索的可擴(kuò)展性，本文提出一種多模型檢索方法，其實(shí)驗(yàn)設(shè)計(jì)流程如圖1所示。其中模型的訓(xùn)練過(guò)程如圖2所示：首先使用Roy S等[13]提出的遙感影像有監(jiān)督哈希編碼方法獲取影像哈希編碼值，其中通過(guò)使用在自然圖像上預(yù)先訓(xùn)練過(guò)的Inception模型，對(duì)遙感影像進(jìn)行預(yù)測(cè)，通過(guò)獲取模型最后一層的卷積特征提取遙感影像抽象特征，然后通過(guò)有監(jiān)督方法對(duì)一個(gè)新的模型進(jìn)行二次訓(xùn)練，進(jìn)一步通過(guò)三重?fù)p失優(yōu)化模型在遙感影像語(yǔ)義空間上的特征表達(dá)，以壓縮特征編碼量，從而獲得多光譜遙感影像的哈希編碼值，提高遙感影像檢索的精度和效率。另外使用Chen Kun等人[14]提出的無(wú)監(jiān)督整數(shù)索引方法以實(shí)現(xiàn)對(duì)局部最近鄰數(shù)據(jù)的檢索，其中在遙感影像上無(wú)監(jiān)督訓(xùn)練VQ-VAE模型，將訓(xùn)練好的VQ-VAE模型對(duì)測(cè)試集遙感影像執(zhí)行預(yù)測(cè)，然后通過(guò)對(duì)中間特征進(jìn)行池化、求和、移位等操作獲取遙感影像的整數(shù)索引，以將整數(shù)索引通過(guò)Van Emde Boas tree(VEB)進(jìn)行編碼，通過(guò)這步操作可以將相似的影像存儲(chǔ)為VEB tree中的最近鄰。最終測(cè)試時(shí)，遙感數(shù)據(jù)通過(guò)哈希編碼和整數(shù)索引，并通過(guò)漢明距離進(jìn)行排序，可以從數(shù)據(jù)庫(kù)中獲取到與查詢影像相似的影像，其中測(cè)試時(shí)影像檢索的結(jié)果如圖3所示。

圖1 多模型遙感影像檢索流程圖

圖2 多模型遙感影像訓(xùn)練過(guò)程

圖3 多模型遙感影像測(cè)試過(guò)程

2.1 遙感影像哈希編碼方法

當(dāng)遙感數(shù)據(jù)的類標(biāo)簽可用時(shí)，使用模型微調(diào)的方法可以實(shí)現(xiàn)更高的精度?？梢赃x用VGG、Inception、Resnet、DenseNet等在自然圖像分類任務(wù)中已經(jīng)訓(xùn)練過(guò)的模型作為主干模型，然后在遙感數(shù)據(jù)集上訓(xùn)練新的模型，從而通過(guò)損失函數(shù)對(duì)模型參數(shù)進(jìn)行微調(diào)，產(chǎn)生優(yōu)越的性能。基于深度學(xué)習(xí)的模型在訓(xùn)練的時(shí)候可以使用三元組的方式優(yōu)化哈希編碼精度，從而使得正樣本接近錨點(diǎn)，負(fù)樣本遠(yuǎn)離錨點(diǎn)。其中三元組的構(gòu)建思想如圖4所示。

圖4 三重?fù)p失的構(gòu)建思想(正樣本被移動(dòng)到離錨點(diǎn)更近的位置，負(fù)樣本則遠(yuǎn)離錨點(diǎn)。)

本文使用S Roy等人[13]提出的方法對(duì)已訓(xùn)練模型提取的遙感影像特征進(jìn)行二次訓(xùn)練，其中三元組優(yōu)化的方法是使用一個(gè)三重?fù)p失實(shí)現(xiàn)[15]的。其二次訓(xùn)練使用的模型有三個(gè)全連接層組成，每層有 1 024、512、k個(gè)神經(jīng)元，在最后一層中使用sigmoid激活函數(shù)來(lái)限制輸出到[0，1]，其中k為所需的哈希編碼數(shù)(比特?cái)?shù))，通過(guò)有監(jiān)督哈希編碼的方式降低了特征的維數(shù)，這有助于提高檢索的精度和效率。其中三重?fù)p失的第一個(gè)損失公式如(1)所示：

(1)

第二個(gè)損失，為了使哈希編碼層可以達(dá)到激活函數(shù)的極值，其目標(biāo)以最大化輸出層激活值與0.5之間的平方誤差之和，公式如(2)所示：

(2)

第三個(gè)損失，用以激勵(lì)每個(gè)輸出神經(jīng)元有50%的概率觸發(fā)，這意味中圖像的二進(jìn)制代碼將(平均)有一個(gè)平衡的0和1的數(shù)目，所有的位可以被同等地使用，從而使二進(jìn)制碼均勻分布，最大限度地填充和利用哈希空間，從而使哈希碼攜帶的信息量最大化。公式如(3)所示：

(3)

其中，f(gi)是輸出激活值的平均值。

最終的目標(biāo)函數(shù)是三種損失的加權(quán)組合，如(4)所示：

L=LMetric+λ1LPush+λ2LBalancing

(4)

其中λ1和λ2為損失的權(quán)重參數(shù)。對(duì)模型進(jìn)行訓(xùn)練后，通過(guò)哈希函數(shù)對(duì)輸入的測(cè)試集影像進(jìn)行量化，可以獲得最終的影像哈希碼IRK。此時(shí)，對(duì)于給定的數(shù)據(jù)庫(kù)中的存檔影像x，設(shè)g為利用已訓(xùn)練模型獲得的中間特征，v=f(g)，v為新模型獲取到的特征值，最后的二進(jìn)制碼b=h(f(g))為：

bn=(sign(vn-0.5)+1)/2，1≤n≤K

(5)

為了檢索影像xi在語(yǔ)義上相似的影像xq。可以用函數(shù)計(jì)算h(xq)和h(xj)之間的漢明距離以進(jìn)行影像匹配。這樣模型通過(guò)先驗(yàn)知識(shí)學(xué)習(xí)了一個(gè)度量空間，從而使語(yǔ)義空間中兩點(diǎn)之間的歐氏距離對(duì)應(yīng)與像素空間中相應(yīng)影像對(duì)之間的在視覺上的相似性距離。

2.2 模型主干選擇方法

使用模型二次訓(xùn)練的方法，需要對(duì)比選取精度更高的模型主干。此時(shí)為了選取模型主干，可以先通過(guò)將在自然圖像上已訓(xùn)練過(guò)的模型的中間特征通過(guò)一些方法投影到哈?？臻g，查看模型的遙感影像檢索精度。本文使用的投影方法是Tizhoosh H R等人[16]提出的MinMax Radon Barcodes碼對(duì)卷積層的特征直接進(jìn)行哈希編碼。其中投影二值化的一種最簡(jiǎn)單的方法是設(shè)置一個(gè)代表性(或典型的)閾值[17]，這可以通過(guò)計(jì)算所有非零投影值的中值來(lái)完成。文章[16]中提出，通過(guò)檢查投影值是如何在局部極值之間轉(zhuǎn)換的，這能為捕捉在特定角度描述下場(chǎng)景中的圖像的形狀特征提供更有表現(xiàn)力的線索。圖5說(shuō)明了在給定的角度θ下，MinMaxRadon條碼是如何生成的，當(dāng)然，從min/max到max/min轉(zhuǎn)換的0/1的賦值順序只是一種慣例，因此在給定的程序中應(yīng)保持一致。

圖5 MinMax Radon條碼

在一定角度內(nèi)的投影影像被平滑求最小值和最大值。最小值和最大值之間的值賦值為0，而在最大值和最小值之間的值都賦值為1。

2.3 整數(shù)編碼索引方法

為了提高海量遙感數(shù)據(jù)的可擴(kuò)展性，本文引入了無(wú)監(jiān)督的整數(shù)索引方法—通過(guò)無(wú)監(jiān)督(VQ-VAE)模型獲取影像整數(shù)表示，然后通過(guò)VEB tree對(duì)整數(shù)編碼進(jìn)行索引，在測(cè)試時(shí)可以獲取到相似的最近鄰影像。Chen Kun等人[14]提出了用于醫(yī)學(xué)的組織病理學(xué)快速無(wú)監(jiān)督影像檢索(FISH)模型，使得對(duì)醫(yī)學(xué)影像病理切片的檢索具有擴(kuò)展性、同時(shí)檢索速度恒定。FISH模型首先通過(guò)訓(xùn)練無(wú)監(jiān)督模型獲取到影像的潛在離散表示來(lái)創(chuàng)建整數(shù)索引，然后通過(guò)使用VEB tree對(duì)整數(shù)索引進(jìn)行數(shù)據(jù)庫(kù)編碼，受益于VEB tree提供的O(loglog(M))搜索速度，其中M是一個(gè)固定的常數(shù)，F(xiàn)ISH模型通過(guò)在自然影像上已訓(xùn)練的DenseNet模型[18]提取卷積塊特征獲取哈希編碼特征來(lái)保證檢索精度。其中整數(shù)索引的獲得是通過(guò)將VQ-VAE中間特征進(jìn)行平均池化、求和和移位操作組成，通過(guò)求和操作可以綜合不同層次特征之間的信息。在提取完測(cè)試數(shù)據(jù)庫(kù)中影像的特征后，通過(guò)提出的引導(dǎo)搜索算法可以獲得查詢影像最近鄰的相似性的結(jié)果。引導(dǎo)搜索算法的設(shè)計(jì)原則是利用VEB tree來(lái)求出一個(gè)固定數(shù)目的最近鄰，然后通過(guò)與預(yù)訓(xùn)練模型提取的特征之間計(jì)算漢明距離，以獲得小于某個(gè)閾值θ的近鄰，最后再根據(jù)漢明距離從小到大排序，獲取最相似的影像。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)選取與預(yù)處理

(1)實(shí)驗(yàn)數(shù)據(jù)選取

本文在兩個(gè)RS基準(zhǔn)上進(jìn)行實(shí)驗(yàn)，第一個(gè)是廣泛使用的UC Merced(UCMD)[19]數(shù)據(jù)集，其中包括21個(gè)類別的土地覆蓋類別的 2 100副航空影像，每張影像的像素大小為256×256，空間分辨率為 30 cm。第二個(gè)是航拍影像數(shù)據(jù)集(AID)[20]，在AID數(shù)據(jù)集中影像來(lái)自在不同地點(diǎn)、不同時(shí)間和不同成像條件下的不同的傳感器，并且影像分辨率是不一樣的(0.5 m～8 m)，這些圖像包含有 10 000張影像。每一副影像為600×600，每個(gè)類別的影像數(shù)量在220～420之間。數(shù)據(jù)集具有更高的類內(nèi)變異性，不同地區(qū)、不同尺度、方向和成像條件的圖像存在其中，特別是同一地物上外觀上具有差異，這會(huì)給算法帶來(lái)更多的挑戰(zhàn)。更小的類間差異性，AID數(shù)據(jù)集中在不同場(chǎng)景類別中存在更多相似的地物、同時(shí)在場(chǎng)景的紋理和顏色上可能更加接近、在場(chǎng)景中存在更多相似的結(jié)構(gòu)分布。更大規(guī)模的數(shù)據(jù)集，針對(duì)遙感影像進(jìn)行標(biāo)注是非常耗時(shí)的，但是如果數(shù)據(jù)集太小，會(huì)導(dǎo)致算法訓(xùn)練不充分，從而影響到算法的精度。

(2)數(shù)據(jù)集預(yù)處理

在遙感影像檢索實(shí)驗(yàn)中需要將整個(gè)數(shù)據(jù)集進(jìn)行拆分為訓(xùn)練集、驗(yàn)證集、測(cè)試集，并且在驗(yàn)證集、測(cè)試集中需要進(jìn)一步拆分為查詢影像和數(shù)據(jù)庫(kù)。因此，本文首先從數(shù)據(jù)集中不同的類中隨機(jī)抽取，按照訓(xùn)練集：驗(yàn)證集：測(cè)試集(4∶3∶3)的比例進(jìn)行拆分，在驗(yàn)證集和測(cè)試集中按照查詢影像：數(shù)據(jù)庫(kù)(1∶2)的比例進(jìn)行進(jìn)一步拆分，從而保證檢索算法的精度，UCMD數(shù)據(jù)集可以直接加載到內(nèi)存中用于模型訓(xùn)練，對(duì)于AID數(shù)據(jù)集本文采用加載路徑的方法按批次加載到內(nèi)存中以供模型訓(xùn)練。

其中在UCMD數(shù)據(jù)集中訓(xùn)練數(shù)據(jù)有830張影像，驗(yàn)證集中查詢影像有126張，數(shù)據(jù)庫(kù)中影像有484張，測(cè)試集中查詢影像有126張，數(shù)據(jù)庫(kù)中影像有484張。在AID數(shù)據(jù)集中訓(xùn)練數(shù)據(jù)有 4 000張影像，驗(yàn)證集中查詢影像有612張，數(shù)據(jù)庫(kù)中影像有 2 388張，測(cè)試集中查詢影像有612張，數(shù)據(jù)庫(kù)中影像有 2 388張。

3.2 實(shí)驗(yàn)設(shè)置

(1)已訓(xùn)練模型遙感影響檢索精度評(píng)定(均使用MinMax Radon編碼進(jìn)行哈希編碼)

①為了評(píng)定模型同一模型但不同型號(hào)的已訓(xùn)練模型對(duì)遙感影像檢索的性能的影響，本文選定VGG模型、DenseNet模型、Resnet進(jìn)行實(shí)驗(yàn)；

②為了評(píng)定對(duì)于同一任務(wù)但不同精度的已訓(xùn)練模型對(duì)遙感影像精度檢索的性能影響，本文增加了Inception-v3模型進(jìn)行實(shí)驗(yàn)。

③由于UCMD數(shù)據(jù)集和AID數(shù)據(jù)集的影像大小不同，因此不同的模型結(jié)尾處連接的池化層會(huì)有所不同，其中VGG模型使用7×7卷積核的池化層，Resnet模型不使用池化層，DenseNet模型在UCMD數(shù)據(jù)集中使用6×6卷積核的池化層，在AID數(shù)據(jù)集中使用11×11的卷積核，Inception-v3提取的是最后池化層的特征。

(2)對(duì)已訓(xùn)練模型進(jìn)行二次訓(xùn)練(模型微調(diào))

①使用S Roy等人[13]提出遙感影像訓(xùn)練方法作為基準(zhǔn)，查看在新數(shù)據(jù)集上遙感影像檢索的精度。

②使用本文提出的多模型遙感影像檢索方法，評(píng)定遙感影像檢索的質(zhì)量和效率。由于UCMD數(shù)據(jù)集和AID數(shù)據(jù)集的影像大小不同，因此VQ-Vae編碼后的離散整數(shù)圖像大小不同，UCMD的整數(shù)圖像為(64×64)，AID的整數(shù)圖像為(150，150)，由于內(nèi)存的限制，UCMD數(shù)據(jù)集池化層相乘的等級(jí)為[0，0，1e3，1e5]，AID數(shù)據(jù)集池化層相乘的等級(jí)為[0，0，1e2，1e4]。算法在Tensorflow、Pytorch框架[21]上實(shí)現(xiàn)，在Colab平臺(tái)提供的Tesla K80 GPU上進(jìn)行測(cè)試。

3.3 評(píng)價(jià)指標(biāo)選取

本文采用平均精度(mean Average Precision，mAP)對(duì)所有的查詢圖像進(jìn)行評(píng)估，

(6)

其中Q是查詢圖像的數(shù)量，平均精度(AP)是指在精度-召回曲線下的覆蓋面積。較大的AP意味著較高的查全率和較高的檢索精度。AP的計(jì)算為：

(7)

其中R表示查詢影像的相關(guān)結(jié)果數(shù)占總數(shù)N的比例。P(k)是檢索到的前k張影像的精度，rel(k)是一個(gè)指示函數(shù)，如果第k位內(nèi)的圖像是相似圖像，則為1，否則為0。

4 實(shí)驗(yàn)結(jié)果

由表1可知，直接使用已訓(xùn)練的模型在遙感影像上進(jìn)行檢索，對(duì)于遙感影像檢索任務(wù)仍可以發(fā)揮很好的性能，此時(shí)已訓(xùn)練模型中的結(jié)構(gòu)對(duì)遙感影像檢索具有重要影響，通過(guò)對(duì)比可知Inception_v3模型可以用于提取遙感影像特征，通過(guò)有監(jiān)督方式訓(xùn)練新的模型有助于提高遙感影像檢索的精度，本文提出的多模型遙感影像檢索方法，因檢索時(shí)采用的是局部最近鄰值，會(huì)比全局哈希檢索時(shí)精度有所下降，由圖6可知，無(wú)監(jiān)督VQ-VAE模型生成測(cè)試影像數(shù)據(jù)庫(kù)的整數(shù)索引在類別和整數(shù)區(qū)間上呈現(xiàn)出一定聚類性，這有助于提高遙感影像檢索的可擴(kuò)展性，但是某些類別仍是難以區(qū)分，這與VQ-VAE模型的訓(xùn)練好壞具有密切聯(lián)系。其中在UCMD和AID數(shù)據(jù)集上的多模型檢索結(jié)果如圖7所示。

表1 遙感影像檢索精度

圖6 無(wú)監(jiān)督模型生成整數(shù)索引(Integer indices)與類別(classes)關(guān)系圖(使用AID測(cè)試數(shù)據(jù)庫(kù)中的 2 388張影像的整數(shù)索引生成。)

圖7 多模型遙感影像檢索結(jié)果

5 結(jié)合GEE平臺(tái)的遙感數(shù)據(jù)檢索管道

本文通過(guò)與GEE遙感數(shù)據(jù)平臺(tái)相結(jié)合，提出了一個(gè)用于遙感影像檢索的管道，從而有助于使人們可以使用任何數(shù)據(jù)集和模型對(duì)遙感數(shù)據(jù)進(jìn)行檢索實(shí)驗(yàn)。其中GEE平臺(tái)上提供許多公開的遙感數(shù)據(jù)，本文選用NAIP航空遙感數(shù)據(jù)集的一部分進(jìn)行實(shí)驗(yàn)，首先選取感興趣區(qū)域，并對(duì)感興趣區(qū)域的柵格影像進(jìn)行多層的格網(wǎng)劃分，從而獲取遙感影像塊，以影像塊的方式對(duì)遙感影像進(jìn)行檢索，數(shù)據(jù)需要傳輸?shù)紺olab平臺(tái)中進(jìn)行特征編碼，本文選用在自然圖像上已訓(xùn)練的Densenet-121生成影像的特征編碼，并通過(guò)MinMax Radon編碼轉(zhuǎn)換成哈希編碼，以減少數(shù)據(jù)存儲(chǔ)和計(jì)算需求。通過(guò)選定查詢區(qū)域可以獲得相似的影像斑塊。這種方法的優(yōu)點(diǎn)是具有更高的靈活性，可以通過(guò)生成格網(wǎng)自由的選定感興趣區(qū)域，有助于各種檢索算法在不同的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，且具有一個(gè)可視化界面，用于對(duì)檢索區(qū)域進(jìn)行定位識(shí)別。但是這個(gè)檢索管道仍然有改進(jìn)的空間，首先數(shù)據(jù)從GEE平臺(tái)傳輸?shù)紺olab平臺(tái)中進(jìn)行特征編碼，這個(gè)過(guò)程受影像大小和網(wǎng)速的限制，本文使用多線程的方法傳輸數(shù)據(jù)，以彌補(bǔ)數(shù)據(jù)傳輸?shù)乃俣取１疚慕Y(jié)合GEE平臺(tái)的遙感影像檢索管道如圖8所示。

圖8 結(jié)合GEE平臺(tái)的遙感影像檢索管道

6 結(jié) 論

本文提出了多模型遙感影像檢索方法，通過(guò)有監(jiān)督哈希編碼有助于提高遙感影像的檢索算法的質(zhì)量和效率，同時(shí)采用整數(shù)索引方法，有助于應(yīng)對(duì)海量遙感數(shù)據(jù)檢索，使其具有可擴(kuò)展性。同時(shí)本文提出了一個(gè)用于遙感影像檢索的管道，有助于靈活地對(duì)多種遙感數(shù)據(jù)和檢索算法進(jìn)行實(shí)驗(yàn)。未來(lái)我們將針對(duì)無(wú)監(jiān)督整數(shù)索引方法進(jìn)行優(yōu)化，提高遙感相似性聚類效果，并提出新的無(wú)監(jiān)督遙感影像檢索訓(xùn)練方法以自動(dòng)化地提取遙感影像特征，減輕人工標(biāo)注的工作量。