侯 峰， 劉 斌， 卓 政， 卓 力*， 張 菁

(1.北京工業(yè)大學(xué) 北京計(jì)算智能與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室,北京 100124；2.北京工業(yè)大學(xué) 信息學(xué)部 微電子學(xué)院，北京 100124； 3.北京航空航天大學(xué) 計(jì)算機(jī)學(xué)院，北京 100191)

遙感技術(shù)在近些年發(fā)展迅速，遙感衛(wèi)星對(duì)地觀測(cè)分辨率越來越高，遙感圖像數(shù)據(jù)量呈現(xiàn)出爆發(fā)式的增長。如何對(duì)海量的遙感圖像數(shù)據(jù)進(jìn)行高效的檢索，是發(fā)揮其效應(yīng)的關(guān)鍵所在[1]。

圖像檢索技術(shù)[2]的發(fā)展經(jīng)歷了兩個(gè)階段。第一階段是20世紀(jì)70年代基于文本的圖像檢索技術(shù) (Text-based Image Retrieval，TBIR),它采用關(guān)鍵字的方式來進(jìn)行圖像檢索，雖然簡單快速，但是需要耗費(fèi)大量人工成本進(jìn)行標(biāo)注，在海量圖像數(shù)據(jù)場(chǎng)景下難以適用。第二階段是20世紀(jì)90年代以來基于內(nèi)容的圖像檢索(Content-based Image Retrieval，CBIR)。這一方法包含兩個(gè)核心技術(shù)，分別是圖像特征提取和相似性度量。首先，提取圖像的低層視覺特征用于描述圖像的內(nèi)容，然后建立圖像特征描述符庫，將每一幅圖像與其特征描述符之間建立一一對(duì)應(yīng)關(guān)系；在相似性度量階段，對(duì)查詢圖像以同樣的方式提取特征，然后與圖像特征描述符庫中所有特征描述符進(jìn)行相似性度量，并按照相似性大小進(jìn)行排序，將特征描述符最相似的若干幅圖像作為結(jié)果返回給用戶。對(duì)于CBIR來說，圖像檢索性能的優(yōu)劣主要取決于圖像特征的表達(dá)能力。因此，如何提取更具有表達(dá)能力和區(qū)分性的圖像特征就成為研究重點(diǎn)。

早期的遙感圖像檢索基于CBIR框架加以實(shí)現(xiàn)，采用一些手工提取的特征，例如局部二值模式(LocalBinary Patter,LBP)、尺度不變特征變換(Scale-Invariant Feature Transformation,SIFT)、定向梯度直方圖(Histogram of Oriented Gradients,HOG)等，這些特征表征了圖像中一些局部點(diǎn)的統(tǒng)計(jì)特性，可以稱作局部描述子。由于這些局部描述子并不能描述整個(gè)圖像，因此需要將這些局部描述子使用一定的編碼方法構(gòu)建出更加緊湊的全局圖像描述符。常用的編碼方法有詞袋(Bag of Words,BoW)[3]、改進(jìn)的Fisher核(Improved Fisher Kernel,IFK)[4]和向量局部聚集描述符(Vector Locally Aggregated Descriptors,VLAD)[5]等。

2012年，深度卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)在大規(guī)模視覺識(shí)別挑戰(zhàn)賽中取得了當(dāng)時(shí)最優(yōu)的成績，且性能遙遙領(lǐng)先第二名。自此，以CNN為代表的深度學(xué)習(xí)技術(shù)在圖像處理、機(jī)器視覺等領(lǐng)域不斷突破，取得了遠(yuǎn)超過傳統(tǒng)方法的性能。CNN通過多層卷積層來模仿人類大腦的學(xué)習(xí)機(jī)制，可以自動(dòng)學(xué)習(xí)到從圖像細(xì)節(jié)紋理到局部塊再到高層語義的層次化遞進(jìn)表達(dá)。與手工特征相比較，CNN不僅減少了手工設(shè)計(jì)圖像特征的復(fù)雜數(shù)學(xué)推導(dǎo)，而且學(xué)習(xí)到的深度特征相比手工特征更具魯棒性，區(qū)分性與表達(dá)能力也更強(qiáng)。

學(xué)者們將CNN應(yīng)用于遙感圖像檢索中，取得了諸多成果。2015年，Babenko等[6]使用不同的CNN、卷積層池化和編碼方法進(jìn)行了對(duì)比實(shí)驗(yàn)。他們得出的結(jié)論是，基于聚合池化的方法可以獲得更優(yōu)的性能。同年，Lin等[7]提出了一個(gè)深度學(xué)習(xí)框架，用于生成二進(jìn)制哈希碼，實(shí)現(xiàn)圖像的快速檢索。該方法以一種逐點(diǎn)的方式學(xué)習(xí)哈希碼和圖像表示，比較適合于大規(guī)模數(shù)據(jù)集的檢索。實(shí)驗(yàn)結(jié)果表明，在CIFAR-10和MNIST數(shù)據(jù)集上，該方法優(yōu)于幾種最新的哈希算法。2019年，Ge等[8]將不同的卷積特征圖融合成一個(gè)更大的特征圖，以保留圖像的空間信息，將所有卷積層特征進(jìn)行級(jí)聯(lián)后，采用maxpool方法進(jìn)行壓縮，并采用PCA降維，得到了優(yōu)于單一特征的檢索性能。同年，Xiong等[9]將注意力機(jī)制和新的注意模塊引入到CNN結(jié)構(gòu)中，使得人們更加關(guān)注顯著特征，并對(duì)其他特征進(jìn)行抑制，極大地提高了遙感圖像檢索的基線。2020年，彭晏飛等[10]提出了區(qū)域注意力網(wǎng)絡(luò)，該方法有效抑制了遙感圖像背景和不相關(guān)的圖像區(qū)域，在兩大遙感圖像數(shù)據(jù)集上取得了優(yōu)異的效果。

本文以Google公司提出的Inception系列網(wǎng)絡(luò)的最新版本Inception v4[11]作為骨干網(wǎng)絡(luò)，提出了一種深度特征字典學(xué)習(xí)方法，該方法對(duì)Inception v4第一個(gè)Reduction Block輸出的卷積特征圖進(jìn)行重組，然后使用重組特征學(xué)習(xí)深度特征字典，最后使用學(xué)習(xí)到的深度特征字典對(duì)卷積特征圖進(jìn)行緊湊的表達(dá)，得到卷積層特征表示向量。該向量與全連接(Full Connection,FC)層特征級(jí)聯(lián)起來，形成圖像的特征表示向量。為了避免“維度災(zāi)難”，采用Largevis方法對(duì)高維的特征表示向量進(jìn)行降維，通過L2距離度量降維后的低維特征之間的相似度，實(shí)現(xiàn)圖像檢索。在多個(gè)遙感圖像數(shù)據(jù)集上的實(shí)驗(yàn)表明，此方法可以有效地提升卷積層的特征表達(dá)能力，與現(xiàn)有的先進(jìn)方法相比，可以獲得更好的檢索性能。

1 深度特征提取

目前基于CNN的遙感圖像檢索方案提取的深度特征分別來自于卷積層和FC層，其中卷積層特征來自于CNN的低層，包含的大多是圖像局部細(xì)節(jié)信息，可以表征圖像的低層視覺特性[12]；FC層通常位于CNN的最后幾層，用于表征圖像的高層語義信息[13]。

根據(jù)特征提取階段所利用的深度特征的不同，可以將基于CNN的遙感圖像檢索方案分為兩大類：基于卷積層特征的遙感圖像檢索和基于FC層特征的遙感圖像檢索，卷積層特征和FC層特征如圖1所示。

圖1 從卷積層和FC層提取的深度特征

Inception系列網(wǎng)絡(luò)是Google提出的面向圖像分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它們最大的特點(diǎn)是在同一個(gè)卷積層中使用不同大小的卷積核來提取深度特征。相比前面幾代的Inception系列網(wǎng)絡(luò)結(jié)構(gòu)，Inception v4使用大量小尺度卷積核來代替大尺度卷積核，并多次使用1*1卷積核將特征圖通道數(shù)控制在一個(gè)合理的范圍內(nèi)。這些操作使得網(wǎng)絡(luò)在保證性能不降低的情況下參數(shù)量更少，計(jì)算速度更快。除此之外，Inception v4進(jìn)一步整合了前幾代的Inception網(wǎng)絡(luò)，引入了專門的Reduction Block，用于改變特征圖的寬度和高度。本文將采用Inception v4作為骨干網(wǎng)絡(luò)，來提取圖像的深度特征。

圖2是Inception v4的第一個(gè)Reduction Block結(jié)構(gòu)，它將輸入的35*35大小的特征圖變成了17*17。Reduction Block結(jié)構(gòu)包含3種操作，分別是3*3卷積、5*5卷積和maxpool操作。3種操作會(huì)得到3種不同類型的特征圖，這些特征圖無法直接作為描述符用于圖像檢索。為此，本文對(duì)這些特征圖進(jìn)行了重組并對(duì)其進(jìn)行量化編碼，得到一種緊湊的特征表示向量用于圖像檢索。

2 深度特征字典學(xué)習(xí)

提出了一種深度特征字典學(xué)習(xí)方法，該方法采用K均值聚類算法對(duì)重組后的卷積層特征進(jìn)行訓(xùn)練，得到深度特征字典?；谠撟值鋵?duì)卷積層特征進(jìn)行緊湊表達(dá)，得到卷積層的特征表示向量。

圖2 Inception v4中的Reduction Block結(jié)構(gòu)

2.1 卷積層特征圖的重組

在Inception v4的第一個(gè)Reduction Block模塊中，包含的3種操作可以表示為Fi_conv(.)，i=1，2，3，分別表示3*3卷積、5*5卷積和maxpool操作，得到3組不同類型的卷積特征圖,分別為5*5 conv，3*3 conv和maxpool conv，如圖3所示。最終輸出的數(shù)據(jù)量大小為Si_conv=Bi_conv*Ci_conv*Hi_conv*Wi_conv。其中，Bi_conv為批數(shù)量；Ci_conv為特征通道數(shù)目；Hi_conv和Wi_conv分別為特征圖的高度和寬度。

對(duì)于CNN來說，特征圖中每個(gè)特征點(diǎn)是通過某一卷積核對(duì)圖像中的對(duì)應(yīng)區(qū)域進(jìn)行卷積得到。采用相同大小、不同參數(shù)的卷積核進(jìn)行卷積，得到的是某一個(gè)感受野的不同響應(yīng)輸出，可以看作是對(duì)該區(qū)域的不同特征表示。對(duì)3組卷積特征圖數(shù)據(jù)進(jìn)行重新組織的過程如圖3所示。對(duì)于每組數(shù)據(jù)，將每個(gè)特征圖中相同位置處的特征值提取出來，形成一個(gè)一維向量xk，其中k的取值范圍是[1，2，… ,Hi_conv*Wi_conv],最終共獲得Hi_conv*Wi_conv個(gè)xk，這些向量共同構(gòu)成了一個(gè)樣本集合X=[x1,x2,…,xHiconv*Wiconv]∈RHiconv*Wiconv。

2.2 深度特征字典學(xué)習(xí)

對(duì)于重組后的卷積層特征，通過K均值聚類算法訓(xùn)練并構(gòu)建深度特征字典，用于對(duì)X集合進(jìn)行緊湊表示。K均值聚類算法是一種無監(jiān)督方法，通過聚類算法可以將數(shù)據(jù)表示為n個(gè)簇，假設(shè)設(shè)置的聚類中心為n，每個(gè)簇的中心作為一個(gè)視覺單詞，集合起來構(gòu)成一個(gè)n維字典。

圖3 卷積層特征圖數(shù)據(jù)的組織過程示意圖

圖4 基于K均值聚類的深度特征字典學(xué)習(xí)

2.3 卷積特征圖的編碼表示

接下來，利用深度特征詞字典集合P，對(duì)卷積層特征圖進(jìn)行量化，得到卷積層特征的緊湊表示。根據(jù)2.1節(jié)中所示的方法，每組卷積層特征圖可以看作是Hi_conv*Wi_conv個(gè)一維的特征列向量，向量維度為Ci_conv，i=1，2，3，分別表示其由3*3卷積、5*5卷積和maxpool等不同操作得到。每個(gè)列向量都可以用深度特征字典中的某個(gè)特征單詞近似代替，代替的依據(jù)是該列向量與某個(gè)特征單詞的L2距離最小。通過統(tǒng)計(jì)字典中每個(gè)特征單詞出現(xiàn)的次數(shù)，可以將每組卷積特征圖量化表示為一個(gè)L維的深度特征表示向量，L=1024。深度特征表示向量構(gòu)建過程如圖5所示。

圖5 卷積特征圖的編碼表示

2.4 圖像特征表示向量

利用深度特征字典對(duì)卷積特征圖進(jìn)行編碼，得到了一個(gè)1024維的深度特征表示向量Fi_conv，i=1，2，3，分別表示其由3*3卷積、5*5卷積和maxpool等不同操作得到。Fi_conv與FC層的特征向量Ffc進(jìn)行級(jí)聯(lián)后，得到圖像特征表示向量F，F(xiàn)的維度為1024+1536=2560，如圖6所示。

圖6 特征級(jí)聯(lián)與Largevis降維

為了降低計(jì)算量，節(jié)約存儲(chǔ)空間，對(duì)于得到的圖像特征表示向量，使用Largevis降維方法對(duì)其進(jìn)行降維。Largevis是唐建等[14]于2016年提出的降維方法，該方法被用于大規(guī)模超高維數(shù)據(jù)的可視化。它由t-SNE進(jìn)一步發(fā)展得到，采用了高效的 KNN圖來構(gòu)建算法，并采用最近鄰搜索方法進(jìn)行優(yōu)化。Largevis算法相對(duì)于t-SNE不僅極大地降低了訓(xùn)練的時(shí)間復(fù)雜度，而且在數(shù)據(jù)由高維空間向低維空間映射的過程中拉大了類間距離，縮小了類內(nèi)距離。

采用Largevis對(duì)深度特征進(jìn)行降維以后的特征向量為64維，作為最終的圖像特征表示。

3 相似性度量

本文采用L2距離度量特征之間的相似性。n維空間中兩個(gè)特征x1(x11,x12,…,x1n)與x2(x21,x22,…,x2n)間的L2距離定義如下：

(1)

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證筆者提出的遙感圖像檢索方法的有效性，分別在UCM、RS19和RSSCN三個(gè)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，并與現(xiàn)有的各種先進(jìn)方法進(jìn)行了對(duì)比。

4.1 數(shù)據(jù)集與評(píng)價(jià)標(biāo)準(zhǔn)

目前最常用的遙感圖像檢索數(shù)據(jù)集有UCM、RS19和RSSCN等。其中RS19[15]是武漢大學(xué)發(fā)布的一個(gè)高分辨率衛(wèi)星場(chǎng)景數(shù)據(jù)集，一共包括19個(gè)地物類別，每個(gè)類別有50張左右的圖像，每幅圖像大小是600像素×600像素，一共有1005張圖像。UCM數(shù)據(jù)集[16]由加州大學(xué)摩賽德分校發(fā)布，一共包含了21類地物，每個(gè)類別100張圖像，每張圖像大小是256像素×256像素。RSSCN7數(shù)據(jù)集[17]稱為遙感場(chǎng)景數(shù)據(jù)集，一共有7個(gè)類別，每個(gè)類別包含400張圖像，圖像大小是400像素×400像素。

使用平均準(zhǔn)確率(mean Average Precision,mAP)作為檢索性能評(píng)價(jià)指標(biāo)[18]，平均準(zhǔn)確率是遙感圖像檢索最常用的評(píng)價(jià)指標(biāo)，定義如下：

(2)

式中：Q為類別數(shù)目；AveP的定義為

(3)

式中：P(k)為準(zhǔn)確率；rel(k)是一個(gè)分段函數(shù)，當(dāng)?shù)趉張圖像為相關(guān)圖像時(shí)，其值為1，否則為0。

4.2 參數(shù)設(shè)置

采用“預(yù)訓(xùn)練+微調(diào)”的策略對(duì)Inception v4網(wǎng)絡(luò)進(jìn)行訓(xùn)練，解決無法在小規(guī)模的數(shù)據(jù)集上訓(xùn)練深層網(wǎng)絡(luò)的問題。首先利用ImageNet數(shù)據(jù)集對(duì)Inception v4網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，得到初始的網(wǎng)絡(luò)參數(shù)。然后利用遙感圖像數(shù)據(jù)集對(duì)初始網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，得到面向遙感圖像檢索任務(wù)的網(wǎng)絡(luò)參數(shù)。接下來，提取網(wǎng)絡(luò)卷積層和FC層特征，按照第2節(jié)中所述的方法處理后得到圖像特征表示向量。

對(duì)于遙感圖像數(shù)據(jù)集，按照80%訓(xùn)練集，20%測(cè)試集的比例進(jìn)行劃分。單次實(shí)驗(yàn)中對(duì)數(shù)據(jù)集隨機(jī)劃分，進(jìn)行3次重復(fù)實(shí)驗(yàn)，對(duì)3次的結(jié)果取平均作為最終的實(shí)驗(yàn)結(jié)果。

實(shí)驗(yàn)采用PyTorch開源框架進(jìn)行搭建。計(jì)算硬件平臺(tái)使用單張Titan Xp 12GB的顯卡進(jìn)行訓(xùn)練和測(cè)試。訓(xùn)練迭代次數(shù)設(shè)置為100輪，batch大小設(shè)置為16，學(xué)習(xí)率為0.001。

4.3 實(shí)驗(yàn)結(jié)果

4.3.1 不同卷積特征表示向量對(duì)檢索性能的影響

通過使用深度特征字典對(duì)由Inception v4的第一個(gè)Reduction Block模塊輸出的3組卷積特征進(jìn)行量化，可以獲得相應(yīng)的卷積特征表示向量，表示為F3*3_conv、F5*5_conv和Fmaxpool。這些特征表示向量分別與FC特征級(jí)聯(lián)，形成用于圖像檢索的圖像特征表示向量，分別為F3*3_conv+FC、F5*5_conv+FC和Fmaxpool_conv+FC，維度均為2560，相似性度量采用的是式(1)所示的L2距離度量準(zhǔn)則。在UCM、RS19和RSSCN7數(shù)據(jù)集使用3種特征表示向量得到的檢索性能如表1所示。

表1 不同卷積特征表示向量對(duì)檢索性能的影響

可以看出，卷積核的大小對(duì)檢索性能有很大的影響。綜合來看，采用5*5的卷積核得到的卷積特征表示向量可以獲得更好的檢索性能。因此可以選擇5*5卷積核得到的特征表示向量與FC層特征級(jí)聯(lián)，作為圖像的特征表示向量。

4.3.2 不同降維算法對(duì)檢索性能的影響

為了驗(yàn)證不同降維算法對(duì)檢索性能的影響，在UCM、RS19和RSSCN7三個(gè)數(shù)據(jù)集上使用FICA( Fast Independent Component Analysis)、PCA(Principal component analysis)以及Largevis三種降維算法對(duì)4.3.1節(jié)中的F5*5_conv+FC進(jìn)行降維，并進(jìn)行了對(duì)比，對(duì)比結(jié)果見表2。為了達(dá)到速度與精度的均衡，設(shè)置降維的維度為64。可以看出，使用Largevis降維算法所得到的降維向量的檢索準(zhǔn)確率在3個(gè)數(shù)據(jù)集上均遠(yuǎn)超另外兩種降維算法，甚至高于4.3.1節(jié)中未降維之前的檢索準(zhǔn)確率。這是因?yàn)長argevis可以將高維數(shù)據(jù)投影到低維空間，在減少高維數(shù)據(jù)冗余的同時(shí)，能有效地拉大原來在高維空間中不同類別數(shù)據(jù)之間的距離，減小相同類別數(shù)據(jù)之間的距離，從而提升特征的區(qū)分能力。

表2 采用Largevis降維對(duì)檢索性能的影響

4.3.3 與其他方法的對(duì)比結(jié)果

為了驗(yàn)證筆者提出的圖像檢索方法的有效性，將其與現(xiàn)有的7種遙感圖像檢索方法進(jìn)行對(duì)比。在3個(gè)數(shù)據(jù)集上和其他方法所得到的檢索性能對(duì)比結(jié)果如表3所示，表中的“—”表示原文中未進(jìn)行該數(shù)據(jù)集的準(zhǔn)確率測(cè)試實(shí)驗(yàn)。

表3 mAP與現(xiàn)有檢索方法對(duì)比

由表3可以看出，與現(xiàn)有方法相比，筆者提出的方法在RS19和RSSCN7數(shù)據(jù)集上都能達(dá)到較好的檢索性能。而在UCM數(shù)據(jù)集上，mAP值僅比性能最好的方法低0.37%。采用Inception v4網(wǎng)絡(luò)架構(gòu)，可以獲得描述性好、表達(dá)能力強(qiáng)的深度特征。采用深度特征進(jìn)行字典學(xué)習(xí)以后對(duì)圖像細(xì)節(jié)表達(dá)更加充分，更加有利于遙感圖像檢索性能的提升。而采用Largevis對(duì)深度特征進(jìn)行降維，不但可以降低計(jì)算復(fù)雜度，節(jié)約存儲(chǔ)空間，還可以進(jìn)一步提升深度特征的區(qū)分能力，從而獲得最優(yōu)的檢索性能。

5 結(jié)束語

本文基于Inception v4網(wǎng)絡(luò)結(jié)構(gòu)，提出了一種遙感圖像檢索方法。該方法對(duì)卷積特征圖數(shù)據(jù)進(jìn)行了重組，利用K均值聚類算法建立深度特征字典，對(duì)卷積層特征進(jìn)行緊湊表示。然后將卷積層特征表示向量與FC層特征進(jìn)行級(jí)聯(lián)，得到圖像特征表示向量。對(duì)其采用Largevis進(jìn)行降維，進(jìn)一步提升特征的區(qū)分能力。最后，利用L2距離度量準(zhǔn)則進(jìn)行特征相似性比對(duì)，實(shí)現(xiàn)遙感圖像檢索。在RS19、RSSCN7和UCM數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方法相比，該方法能獲得更好的檢索性能。在今后的工作中，將努力學(xué)習(xí)更深層次的視覺字典，以進(jìn)一步提高檢索性能。