Content uploaded by Bowen Niu
Author content
All content in this area was uploaded by Bowen Niu on May 18, 2022
Content may be subject to copyright.
２ ０ ２ ２ 年３月农 业 机 械 学 报 第５３ 卷 第 ３期
ｄｏｉ：１０． ６０４１ ／ ｊ． ｉｓｓｎ． １０００⁃１２９８． ２０２２． ０３． ００１
土地利用 ／覆被深度学习遥感分类研究综述
冯权泷１，２ 牛博文１ 朱德海１，２ 陈泊安１ 张 超１，２ 杨建宇１，２
（１． 中国农业大学土地科学与技术学院，北京 １００１９３； ２． 自然资源部农用地质量与监控重点实验室，北京 １００１９３）
摘要：基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题。近年来，以卷积神经网络为代表的
深度学习在计算机视觉领域取得了长足发展，同时也被引入到土地利用／覆被遥感制图领域。相比于经典机器学
习，深度学习的优势表现为能够自适应提取与分类任务最相关的特征，其缺陷表现为分类精度的提高依赖于海量
标签样本。基于深度学习在土地利用／覆被分类中日益增多的 研究成果，本文从样本、模型、算法 ３个角度 对其研
究进展进行综述。在样本方面，归纳总结 了常用的土 地利 用 ／覆被样本集，并分析了上述样本集的学术影响力；在
模型方面，综述了土地利用／覆被分类中常用的深度学习模型，包括卷积神经网络、循环神经网络、全卷积神经网络
等的最新研究成果；在算法方面，综述了样 本稀疏条件 下的 土地利 用 ／覆被分类算法的最新研究进展，具体包括主
动学习、半监督学习、弱监督学习、自监督学习、迁移学习等。最后从样本、模型、算法 ３个角度对未来研究方向进
行展望，通过构建大规模遥感样本数据集、持续优化深度学习模型结构、提升样本稀疏条件下深度学习模型的时空
泛化能力等研究，可以进一步改善土地利用／覆被分类效果和精度。
关键词：深度学习；土地利用；土地覆被；遥感分类；样本 模型 算法
中图分类号：ＴＰ７９ 文献标识码：Ａ文章编号：１０００⁃１２９８（２０２２）０３⁃０００１⁃１７ ＯＳＩＤ：
收稿日期： ２０２２ ０１ ２６ 修回日期： ２０２２ ０２ １４
基金项目：国家重点研发计划项目（２０２１ＹＦＥ０１０２３００）和国家自然科学基金项目（４２００１３６７）
作者简介：冯权泷（１９８８—），男，副教授，博士生导师，主要从事机器、深度学习及在农业遥感中的应用研究，Ｅ⁃ｍａｉｌ： ｆｅｎｇｑｌ＠ ｃａｕ． ｅｄｕ． ｃｎ
通信作者：朱德海（１９６２—） ，男，教授，博士生导师，主要从事 ３Ｓ 技术在农业和国土资源管理中的应用研究，Ｅ⁃ｍａｉｌ： ｚｈｕｄｅｈａｉ＠ ｃａｕ． ｅｄｕ． ｃｎ
Ｒｅｖｉｅｗ ｆｏｒ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｉｎ Ｌａｎｄ Ｕｓｅ ａｎｄ Ｌａｎｄ Ｃｏｖｅｒ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ
ＦＥＮＧ Ｑｕａｎｌｏｎｇ１，２ ＮＩＵ Ｂｏｗｅｎ１ ＺＨＵ Ｄｅｈａｉ１，２ ＣＨＥＮ Ｂｏａｎ１ ＺＨＡＮＧ Ｃｈａｏ１，２ ＹＡＮＧ Ｊｉａｎｙｕ１，２
（１． Ｃｏｌｌｅｇｅ ｏｆ Ｌａｎｄ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １００１９３， Ｃｈｉｎａ
２． Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｌａｎｄ Ｑｕａｌｉｔｙ Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ｃｏｎｔｒｏｌ，Ｍｉｎｉｓｔｒｙ ｏｆ Ｎａｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ，Ｂｅｉｊｉｎｇ １００１９３， Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ： Ａｃｃｕｒａｔｅ ｌａｎｄ ｕｓｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ （ ＬＵＬＣ ） ｍａｐｐｉｎｇ ｂａｓｅｄ ｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｈａｓ ｂｅｅｎ ａ ｈｏｔ ｔｏｐｉｃ ｎｏｗａｄａｙｓ． Ｒｅｃｅｎｔｌｙ， ｄｅｅｐ ｌｅａｒｎｉｎｇ， ｅｓｐｅｃｉａｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ， ｈａｓ ａｃｈｉｅｖｅｄ ｐｒｏｍｉｓｉｎｇ ｒｅｓｕｌｔｓ ｉｎ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ｔａｓｋｓ， ｗｈｉｃｈ ｈａｓ ａｌｓｏ ｂｅｅｎ ｉｎｔｒｏｄｕｃｅｄ ｉｎｔｏ ｔｈｅ
ｆｉｅｌｄ ｏｆ ＬＵＬＣ ｍａｐｐｉｎｇ． Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｃｌａｓｓｉｃ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄｓ， ｄｅｅｐ ｌｅａｒｎｉｎｇ ｉｓ ｃａｐａｂｌｅ ｏｆ
ｅｘｔｒａｃｔｉｎｇ ｔｈｅ ｍｏｓｔ ｒｅｐｒｅｓｅｎｔａｔｉｖｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ， ｈｏｗｅｖｅｒ， ｉｔｓ ｐｅｒｆｏｒｍａｎｃｅ ｉｓ
ｄｅｐｅｎｄｅｄ ｏｎ ｍａｓｓｉｖｅ ｌａｂｅｌｅｄ ｄａｔａ． Ｃｏｎｓｉｄｅｒｉｎｇ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｈａｓ ｂｅｅｎ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ＬＵＬＣ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ， ｔｈｅ ｏｂｊｅｃｔｉｖｅ ｗａｓ ｔｏ ｐｒｏｖｉｄｅ ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｒｅｖｉｅｗ ｏｆ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｒｏｍ ｔｈｅ ｆｏｌｌｏｗｉｎｇ
ｐｅｒｓｐｅｃｔｉｖｅｓ ａｓ ｓａｍｐｌｅ ｄａｔａｓｅｔ， ｍｏｄｅｌ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｔｒａｉｎｉｎｇ ｓｔｒａｔｅｇｙ． Ｓｐｅｃｉｆｉｃａｌｌｙ， ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ
ｏｆ ｓａｍｐｌｅｓ， ｔｈｅ ｍｏｓｔ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ＬＵＬＣ ｓａｍｐｌｅ ｄａｔａｓｅｔ ｗａｓ ｓｕｍｍａｒｉｚｅｄ ａｎｄ ｔｈｅｉｒ ａｃａｄｅｍｉｃ ｉｎｆｌｕｅｎｃｅ
ｗａｓ ａｎａｌｙｚｅｄ． Ｆｒｏｍ ｔｈｅ ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｍｏｄｅｌｓ， ｔｈｅ ｌａｔｅｓｔ ｒｅｓｅａｒｃｈ ｏｆ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｍｏｄｅｌｓ ｗｅｒｅ ｒｅｖｉｅｗｅｄ，
ｉｎｃｌｕｄｉｎｇ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋ． Ｆｒｏｍ ｔｈｅ
ｐｅｒｓｐｅｃｔｉｖｅ ｏｆ ｔｒａｉｎｉｎｇ ｓｔｒａｔｅｇｉｅｓ， ｖａｒｉｏｕｓ ｔｒａｉｎｉｎｇ ｍｅｔｈｏｄｓ ｔｈａｔ ｃｏｕｌｄ ｔａｃｋｌｅ ｔｈｅ ｄａｔａ⁃ｈｕｎｇｅｒ ｉｓｓｕｅ ｏｆ ｄｅｅｐ
ｌｅａｒｎｉｎｇ ｗｅｒｅ ｓｕｍｍａｒｉｚｅｄ， ｉｎｃｌｕｄｉｎｇ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ， ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ， ｗｅａｋｌｙ⁃ｓｕｐｅｒｖｉｓｅｄ
ｌｅａｒｎｉｎｇ， ｓｅｌｆ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ， ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ． Ｆｉｎａｌｌｙ， ａｎ ｏｕｔｌｏｏｋ ｏｆ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｉｎ ＬＵＬＣ
ｍａｐｐｉｎｇ ｗａｓ ｐｒｏｖｉｄｅｄ， ｗｈｉｃｈ ｗａｓ ｓｔｉｌｌ ｆｒｏｍ ｔｈｒｅｅ ｐｅｒｓｐｅｃｔｉｖｅｓ ｏｆ ｓａｍｐｌｅ ｄａｔａｓｅｔ， ｍｏｄｅｌ ｓｔｒｕｃｔｕｒｅ ａｎｄ
ｔｒａｉｎｉｎｇ ｓｔｒａｔｅｇｙ． Ｔｈｒｏｕｇｈ ｔｈｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ ｌａｒｇｅ⁃ｓｃａｌｅ ＬＵＬＣ ｓａｍｐｌｅ ｄａｔａｓｅｔ， ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｄｅｅｐ
ｌｅａｒｎｉｎｇ ｍｏｄｅｌ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｔｈｅ ｉｎｃｒｅａｓｅ ｏｆ ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｃａｐａｂｉｌｉｔｙ ｕｎｄｅｒ ｌｉｍｉｔｅｄ ｓａｍｐｌｅｓ，
ＬＵＬＣ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｃｏｕｌｄ ｙｉｅｌｄ ａ ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ ａｃｃｕｒａｃｙ ｉｎ ｆｕｔｕｒｅ ｓｔｕｄｙ．
Ｋｅｙ ｗｏｒｄｓ： ｄｅｅｐ ｌｅａｒｎｉｎｇ； ｌａｎｄ ｕｓｅ； ｌａｎｄ ｃｏｖｅｒ； ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ； ｓａｍｐｌｅ ｍｏｄｅｌ
ｓｔｒａｔｅｇｙ
０ 引言
土 地 利 用 ／覆 被 （ Ｌａｎｄ ｕｓｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ，
ＬＵＬＣ）专题图，是表达自然土地类型以及人类开发
利用土地状况的专题要素地图，在资源调查、环境监
测、生态保护、城市规划、农业生产等领域具有十分
重要的作用。由于遥感具有大范围同步观测等优
势，已经成为土地利用／覆被制图的主要数据来源，
如何基于 遥感影像 实现 土地利 用 ／覆被的自动分类
成为研究热点问题［１ － ８ ］ 。
图１ 深度学习样本 模型 算法框架图
Ｆｉｇ． １ Ｆｌｏｗ ｃｈａｒｔ ｏｆ ｓａｍｐｌｅ ｍｏｄｅｌ ｓｔｒａｔｅｇｙ ｆｏｒ ｄｅｅｐ ｌｅａｒｎｉｎｇ
在深度学习技术［ ９］ 兴 起 以前，土地利用／覆 被
遥感分类多依赖于人工设计特征与机器学习 分 类
器［１０ － １１］ 。其中人工设计特征包括归一 化植被指数
等光谱指数、纹理特征、缨帽变换特征等［１２ － １３］ ，而机
器学习分类器多以决策树、随机森林和支持向量机
为主［ １４ － １７］ 。人工设计特征对专家知识的要求很高，
同时其鲁棒性和泛化能力存在一定缺陷，导致更 换
研究区和数据后，已有的遥感分类模型往往不能取
得较好的分类结果。
相比于经典机器学习算法，深度学习不需要人
工设计特征的环节，而是能够根据损失函数自动提
取与目标任务最相关的特征，具有鲁棒性强、模型易
于迁移等优势，成为了遥感领域的一个研究热点，并
已经应用在城市土地利用分类、滨海湿地土地覆被
分类、作物精细分类、道路及建筑等专题要素制图等
领域［ １８ － ２２］ 。鉴于深度学习的 相关研究 成果日益增
多，本文拟从样本数据集、模型结构、算法策略方面
对深度学 习在土地 利用 ／覆被遥感分类中的研究进
展进行综述，为相关研究人员提供参考。
首先介绍人工智能与深度学习的相关知识，包
括卷积神经网络、循环神经网络等常用网络模型；然
后从样本角度出发，对现有的土地利用 ／覆被遥感分
类样本集进行综述；其次从深度学习模型的角度出
发，综述土地利用 ／覆被遥感分类中用到的各种深度
神经网络模型；再次从模型泛化能力的角度出发，对
稀疏样本下深度学习模型的学习策略进行综述；最
后对未来研究方向进行展望。深度学习样本 模型
算法总体框架如图 １所示。
２农 业 机 械 学 报 ２０２２年
１ 人工智能与深度学习技术概述
１. １ 人工智能
人工智能是研究用于模拟、延伸和扩展人的智
能的 理 论 、方 法、技术及应用系统的一门技术科
学［２３］ 。随着大数据技术以及高性能计算的发展和
成熟，以深度学习为代表的人工智能已经在语音识
别、目标检测、机器翻译等领域取得了超过传统算法
的性能，并逐渐受到遥感与地学领域专家的关注和
重视。具体而言，人工智能包括许多研究分支，其中
机器学习是实现人工智能的一种重要方法，而深度
学习作为机器学习的一个分支，通过构建深度神经
网络实现对人类大脑认知过程的模拟［９ ］ 。
１. ２ 深度学习
深度学 习 可以 看 作 经典 人 工 神 经网 络 的 “深
度”版本，通过增加隐含层数量，从而提高 特征学习
和表达能力。实际上，深度学习是深度神经网络的
同义词，常用的深度学习模型包括卷积神经网络、循
环神经网络、生成对抗网络，以及用于语义分割的全
卷积神经网络等。
１. ２. １ 卷积神经网络
卷 积 神 经 网 络 （ Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，
ＣＮＮ）主要用于计算机视觉（Ｃｏｍｐｕｔｅｒ ｖｉｓｏｎ， ＣＶ） 领
域［２４ － ２７］ ，通过卷积、池化等操作，对图像的高层语义
特征进行提取。
一个典型的卷积 神 经 网络为 ＶＧＧ［ ２５］ ，主要包
含卷积层、池化层、全连接层和分类层。其中，卷积
层主要利用卷积算子实现特征向量的计算，并通过
多层卷积堆叠，实现多层级的图像特征提取；池化层
包括均值池化、最大值池化等，主要为了减小特征图
的尺寸；全连接层中所有神经元以全连接的形式进
行连接；分类层主要采用 ｓｏｆｔｍａｘ 分类器。
以自然图像分类为例，相比于经典的机器学习
模型，卷积神经网络的优势是将图像特征提取与分
类任务集成到一个模型中，通过端到端训练，可以使
模型自动学习到最具代表性的图像特征，进而提 高
分类精度。
１. ２. ２ 循环神经网络
循环神经网络（Ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ＲＮＮ）
的输入一般为 序 列数据（如文本、视频等），其隐含
层之间是存在连接的，ｔ时刻隐含层的输入不仅来
自输入层，同时来自 ｔ－ １ 时刻隐含层的输出。
循环神经网络的输入是一个序列数据 Ｘｔ，ｔ时
刻隐含层的输出是 ｈｔ，Ａ表示循环神经网络当前的
状态［ ３１］ 。常用的循环神经网络包括长短时记忆网
络（Ｌｏｎｇ ｓｈｏｒｔ ｔｅｒｍ ｍｅｍｏｒｙ， ＬＳＴＭ） ［２８］ 、门控循环单
元（ Ｇａｔｅｄ ｒｅｃｕｒｒｅｎｔ ｕｎｉｔ， ＧＲＵ ）［２９］ 、 Ｔｒａｎｓｆｏｒｍｅｒ［３０］
等。由于循环神经网络在处理序列数据方面具有天
然的优势［３１］ ，已经被应用在多时相遥感影像分析、
高光谱图像分类中，用于建模多时相数据之间以及
高光谱不同波段之间的相互依赖关系。
１. ２. ３ 生成对抗网络
生成 对 抗网 络 （ Ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋ，
ＧＡＮ） ［３２］ 包 括：生 成 器 （ Ｇｅｎｅｒａｔｏｒ， Ｇ ） 和 判 别 器
（Ｄｉｓｃｒｉｍｉｎａｔｏｒ， Ｄ）。 其中生成器 Ｇ主 要 用来学习
真实图像的分布，从而使生成的图像更加接近于真
实图像；而判别器 Ｄ主要对生成的图像进行真假判
断。生成对抗网络的训练过程是一个 ｍｉｎ － ｍａｘ 的
优化问题。
随着网络的迭代训练，生成器 Ｇ与判别器 Ｄ不
断进行对抗，并最终达到一种动态平衡：生成器 Ｇ
生成的图像十分接近真实情况，判别器 Ｄ无法判断
出 图 像 真 假，对于给定图像预测为真的概率为
５０％ 。 在遥感领域，生成对抗网络主要用于模拟样
本的生成和模型的对抗训练。
１. ２. ４ 全卷积神经网络
全卷积神经网络（ Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋ，
ＦＣＮ）是将卷积神经网络 ＣＮＮ 中的全连接层替换为
卷积层所形成的，被用于图像语义分割任务中，并在
医学图像分割等领域［３３ － ３６］ 得到应用。相比于基于
中心像素所在图像块的分类方式，全卷积神经网络
可以减少冗余计算、提高大范围土地利用 ／覆被制图
的效率，受到了广泛关注［ ３７ － ３８ ］ 。经典的全卷积神经
网络 包 括 ＦＣＮ［ ３９］ 、 ＵＮｅｔ［４０ － ４２］ 、 ＤｅｅｐＬａｂ［ ４３ － ４６］ 等 模
型。
２ 土地利用 ／覆被遥感分类样本研究进展
从样本角 度来综 述土地 利用 ／覆被遥 感分类中
样本数据 集 的 研 究 进 展。随着深度学习的快速发
展，卷积神经网络［４７ － ４９］ 、循环神经网络［ ５０ － ５１］ 、全卷
积神经网络［５２ － ５３］ 等模型均被应用到土地利用 ／覆被
遥感分类 中。然而如何验证不同模型之间的可比
性，从而进一步评价模型优劣，成为关键问题。因
此，开源样本数据集的构建具有十分重要的意义。
近年来，各国学者、机构发布了一系列土地利
用／覆被遥感分类样本数据集，涵盖了不同尺度、传
感器类型、时间 ／空间 ／光谱分辨率等，为相关研究提
供了基准数据支持。本文将其分为两个类型：图像
块级样本和像素级样本。其中图像块级样本多来自
于遥感场景识别数据集，用一个 Ｎ×Ｎ大小图像块
（ｉｍａｇｅ⁃ｐａｔｃｈ） 表示一种土地利用 ／覆被类型。而像
素级样本多来自于遥感语义分割数据集，对不同 土
３
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
地利用 ／覆被的边界进行像素级别的标注。
２. １ 图像块级土地利用 ／覆被遥感分类样本集
基于图像 块的土 地利用 ／覆被样本集与遥感场
景识别数据集类似，其标注过程表现为对一个 Ｎ×
Ｎ的图像块赋以特定的土地利用 ／覆被类别（图２）。
该样本 集 对 应 的 深 度 学习 模 型 多 为 基 于 ＣＮＮ 或
ＲＮＮ 的图像分类模型，优势是标注过程简单，劣势
是并不能获取特定地物的边界信息。
表１列举了广泛使用且具有影响力的图像块级
样本数据集，并给出了相关元数据。
如表 １所 示，图像块级样本集多以航空影像
（如ＵＣ Ｍｅｒｃｅｄ［５４ ］ 、ＳＡＴ ４／ ＳＡＴ ６［５８］ ）和高分辨率
的Ｇｏｏｇｌｅ Ｅａｒｔｈ 卫 星 影 像 （如ＷＨＵ ＲＳ１９［５５］ 、
ＡＩＤ［６０ ］ 等）为主，空间分辨率多在 ０. ３ ～ ２ ｍ 之间，然
而其光谱 分 辨 率较低，多 为 ＲＧＢ 或ＲＧＢ ＮＩＲ 影
图２ 图像块级土地利用 ／覆被样本示例［５４］
Ｆｉｇ． ２ ＬＵＬＣ ｓａｍｐｌｅ ｂａｓｅｄ ｏｎ ｉｍａｇｅ⁃ｐａｔｃｈ［５４］
表１ 图像块级土地利用 ／覆被遥感分类样本集
Ｔａｂ． １ Ｃｏｍｍｏｎｌｙ ｕｓｅｄ ＬＵＬＣ ｓａｍｐｌｅ ｄａｔａｓｅｔ ｂａｓｅｄ ｏｎ ｉｍａｇｅ⁃ｐａｔｃｈ
数据集名称 数据源 样本数量 样本尺寸 ／
（像素 ×像素）
空间分辨
率／ ｍ 波段数 土地利用 ／
覆被类别数 发布年份 文献序号
ＵＣ Ｍｅｒｃｅｄ 航空影像 ２ １００ ２５６ × ２５６ ０. ３ ３ ２１ ２０１０ ［ ５４］
ＷＨＵ ＲＳ１９ Ｇｏｏｇｌｅ Ｅａｒｔｈ １ ００５ ６００ × ６００ ０. ５ ３ １９ ２０１０ ［ ５５］
ＲＳＳＣＮ７ Ｇｏｏｇｌｅ Ｅａｒｔｈ ２ ８００ ４００ × ４００ ０. ２５ ～ ２ ３ ７ ２０１５ ［ ５６］
Ｂｒａｚｉｌｉａｎ ｃｏｆｆｅｅ ｓｃｅｎｅｓ ＳＰＯＴ ５ ５０ ００４ ６４ × ６４ １０ ３ ３ ２０１５ ［５７ ］
ＳＡＴ ４ ／ ＳＡＴ ６ 航空影像 ５００ ０００ ／ ４０５ ０００ ２８ × ２８ １ ４ ４ ／ ６ ２０１５ ［５８ ］
ＳＩＲＩ ＷＨＵ Ｇｏｏｇｌｅ Ｅａｒｔｈ ２ ４００ ２００ × ２００ ２ ３ １２ ２０１６ ［ ５９］
ＡＩＤ Ｇｏｏｇｌｅ Ｅａｒｔｈ １０ ０００ ６００ × ６００ ２ ３ ３０ ２０１７ ［６０ ］
ＥｕｒｏＳＡＴ Ｓｅｎｔｉｎｅｌ ２ ２７ ０００ ６４ × ６４ １０ ／ ２０ ／ ６０ １３ １０ ２０１９ ［６１ ］
像。考虑到深度学习 模 型 训 练 对 于 海 量 标 签样 本
的需求，数据集整体呈现出样本数量不断增加的
趋势，从几千发展到几十万不等。此外，少部分数
据集以 Ｓｅｎｔｉｎｅｌ ２ 等多光谱卫星影像作为数据
源，其光谱分辨率有 所 提 升，然而其空间分辨率相
对较低。
上述样本 集在土 地利用 ／覆被类别数量的设定
上存在两种分化。一方面，部分数据集只关心少数
概要性的地物类别，如ＳＡＴ ４ 数据集仅包含裸地、
森林、草地和其它共 ４类土地覆被类型；另一方面，
部分数据集则更关注土地利用 ／覆被的精细分类，如
ＵＣ Ｍｅｒｃｅｄ、ＷＨＵ ＲＳ１９、ＡＩＤ 等包含几十种具有特
定语义的土地利用 ／覆被类别。
２. ２ 像素级土地利用 ／覆被遥感分类样本集
基于像素 的土地 利用 ／覆被样本集与遥感语义
分割数据集类似，其标注过程表现为对某一特定地
物涵盖的所有像素进行标注（图３） 。 该样本集对应
的深度学习模型多为语义分割模型，优势是可以获
取地物的准确边界，劣势是标注工作量较大。
由于逐像 素的土 地利用 ／覆被制图能够提供更
图３ 像素级土地利用 ／覆被样本集示例［６２］
Ｆｉｇ． ３ ＬＵＬＣ ｓａｍｐｌｅ ｂａｓｅｄ ｏｎ ｐｉｘｅｌ［６２］
为精细的地物分布情况，对气候、生态、水文等多领
域的研究有着重要意义［６３］ ，其样本数据集的发布也
日益增加。
常用的像素级样本集如表 ２所示。可以 看 出，
大部分样本集拥有更多的波段数，但在样本数量、类
别等方面都存在局限性。同时，受到光谱分辨率的
制约，这类数据集的空间分辨率较低。同时大部分
数据集仅为指定研究区内的单幅影像与标注，只有
一些最近发布的数据集（如ＤｅｅｐＧｌｏｂｅ、ＧＩＤ） 其样本
数量和空间分辨率较高，但 仅 为 一 般 的 ＲＧＢ 或
ＲＧＢ ＮＩＲ 影像，光谱分辨率较低。
４农 业 机 械 学 报 ２０２２年
表２ 像素级土地利用 ／覆被遥感分类样本集
Ｔａｂ． ２ Ｃｏｍｍｏｎｌｙ ｕｓｅｄ ＬＵＬＣ ｓａｍｐｌｅ ｄａｔａｓｅｔ ｂａｓｅｄ ｏｎ ｐｉｘｅｌ
数据集名称 数据源 样本数量 影像尺寸 ／
（像素 ×像素）
空间分辨
率／ ｍ 波段数量 土地利用 ／
覆被类别数
发布
年份 文献序号
Ｈｏｕｓｔｏｎ ＩＴＲＥＳ １ ３４９ × １ ９０５ ２. ５ １４４ １５ ／ ２０ ２０１４ ［６４ ］
Ｋｅｎｎｅｄｙ Ｓｐａｃｅ Ｃｅｎｔｅｒ（ＫＳＣ） ＡＶＩＲＩＳ １ ６１４ × ５１２ １８ ２２４ １３ ２０１４ ［６５］
Ｂｏｔｓｗａｎａ ＥＯ １ １ ３４８ × ５１２ ３０ ２４２ １４ ２０１５ ［６５ ］
Ｉｎｄｉａｎ ｐｉｎｅｓ ＡＶＩＲＩＳ １ １４５ × １４５ ２０ ２２４ １６ ２０１５ ［６５ － ６６ ］
Ｓａｌｉｎａｓ ＡＶＩＲＩＳ １ ５２１ × ２１７ ３. ７ ２２４ １６ ２０１５ ［６５ ］
Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐａｖｉａ ＲＯＳＩＳ １ ６１０ × ６１０ １. ３ １０３ ９ ２０１５ ［６５ ］
ＤｅｅｐＧｌｏｂｅ Ｍｉｘ ８０３ ２ ４４８ × ２ ４４８ ０. ５ ３ ７ ２０１８ ［６２］
ＧＩＤ ＧＦ ２ １５０ ６ ８００ × ７ ２００ １ ／ ４ ４ １５ ２０２０ ［６７］
雄安新区航空高光谱
遥感影像分类数据集 航空影像 １ ３ ７５０ × １ ５８０ ０. ５ ２５０ １９ ２０２０ ［６８ ］
像素级样本集一般具有更为精细的土地利用／
覆被类别设定，如ＧＩＣ 发布的 Ｉｎｄｉａｎ ｐｉｎｅｓ 数据集供
包含玉米、小麦等 共 １６ 种土地覆被类别，ＧＩＤ 数 据
集则包含了工厂、居民区、灌丛等共 １５ 种土地利 用 ／
覆被类别。
总体而言，相比于图像块级样本集，像素级样本
集仍缺乏标注质量高的大规模数据集，且现有的大
部分数据集仅针对特定区域，普适性有待提升。
２. ３ 土地利用 ／覆被遥感分类样本集影响力分析
以Ｇｏｏｇｌｅ Ｓｃｈｏｌａｒ 中 的论文引用次数作 为 影 响
力指标，对常用土地利用 ／覆被遥感分类样本集进行
影响力分析（图４）。 如图 ４所示，基于 像素尺度的
样本集影响力较大，以ＧＩＣ 发布的 Ｉｎｄｉａｎ
ｐｉｎｅｓ［６５ － ６６ ］ 和Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐａｖｉａ［ ６５］ 数据集为代表，且
由该团队发布的 Ｓａｌｉｎａｓ［６５］ 和ＫＳＣ［６５］ 数据集也具有
较高的影响力。在图像块尺度的样本集中，经典数
据集 ＵＣ Ｍｅｒｃｅｄ［ ５４］ 具有最高影响力，国内学者提出
的ＡＩＤ［６０ ］ 和ＲＳＳＣＮ７［５６］ 数据集发布时间相对较晚，
但由于其在样本数量、质量、尺寸等方面的优势，其
近两年影响力逐渐提升。
同时，图４表明国内外学者更多关注基于多 ／高
光谱影像的逐像素分类。一方面由于更多光谱信息
的引入，可以有效提高地物的类间可分性，提升分类
精度；另一方面，逐像素分类结果能够对土地利用／
覆被情况进行更精细的刻画，也利于后续变化检测
等任务。同时，图像块级分类受限于大范围制图时
的“棋盘效应”，其在遥感场景分类中更受关注。
３ 基于深度学习的土地利用 ／覆被遥感分类
模型研究进展
从模型角度，综述土地利用 ／覆被遥感分类中常
用的深度 学 习 模型，包括卷积神经网络（ ＣＮＮ）、循
环神经网络（ＲＮＮ）、全卷积神经网络（ ＦＣＮ）等。
图４ 常用土地利用 ／覆被遥感分类样本集影响力
统计结果
Ｆｉｇ． ４ Ｉｍｐａｃｔ ｓｔａｔｉｓｔｉｃｓ ｏｆ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ＬＵＬＣ
ｓａｍｐｌｅ ｄａｔａｓｅｔ
３. １ 基于卷积神经网络的土地利用 ／覆被分类
卷积神经网络因其强大的图像特征提取能力，
在土地利用 ／覆被分类中被广泛应用。在前期研究
中，研究人员多倾向于直接使用计算机视觉领域内
的经典模型（ ＡｌｅｘＮｅｔ、ＶＧＧ、ＲｅｓＮｅｔ 等）或者自行搭
建一个简单网络，通过训练基于图像块的分类模型，
然后在整个研究区的影像上以滑窗（ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ）
方式得到逐像素或逐图像块的预测结果。其 中
ＲＥＺＡＥＥ 等［６９］ 采用在 ＩｍａｇｅＮｅｔ 上预训练的 ＡｌｅｘＮｅｔ
网络进行了湿地土地覆被制图的研究，并将其与随
机森林等经典机器学习模型进行比较，结果表明卷
积神经网络可以有效改善湿地土地覆被分类精度。
类似的研究如文献［７０ － ７６］ 。
然而上述研究 仅仅是借用 ＣＶ 经典模型，并没
有考虑到遥感多谱段成像的特点。针对这一问题，
研究人员转向 了 双路（或双分支）卷积神经网络的
研究，用于同时学习遥感影像的空间特征和光谱特
征。在一个典型的双路神经网络中，包含两个分支
或子网络，即空间特征提取子网络和光谱特征提取
子网络。其 中 ＨＵＡＮＧ 等［７７］ 设计了一个双路卷积
５
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
神经网络模型用于城市土地利用制图，该模型的第
１个分支 是在 ＩｍａｇｅＮｅｔ 上预训练的 ＡｌｅｘＮｅｔ 网络，
用于提取空间特征，第２个分支是由几个卷积层级
联形成的小卷积网络（ｓｍａｌｌ ＤＣＮＮ），用于提取光谱
特征，最后采用特征堆叠的方法进行空间 光谱特征
的融合，并基于 ＷｏｒｌｄＶｉｅｗ 高分 辨率影像实现了香
港和深圳的城市土地利用制图，取得了 ９１. ２５％ 的
分类精度。类似的研究如文献［７８ － ８０］ 。
笔者针对城市土地利用遥感分类问题，对双路
卷积神经网络进行改进，构建了多尺度残差模块以
增强空间特征的代表性和可分性，从而有效提高了
分类 精 度。同时针对滨海湿地土地覆被分类问
题［８１］ ，通过引入多源光学、雷达遥感影像，提出了一
个多路卷积神经网络模型（图５），该模型通过多尺
度可变形卷积模块提高其对于地物尺寸和形状变异
的鲁棒性，并设计了一个深度特征自适应融合模型，
用于融合多传感器、多时相的光学和雷达数据，在黄
河三角洲 取得了 ９３. ７８％ 的分类精度，并验证了多
传感器数据的融合可以有效增加滨海湿地土地覆被
类型之间的可分性。此外，笔者还针对农业塑料覆
被［８２］ 、城中村［ ８３］ 等土地利 用 ／覆被中的专题要素进
行了提取。
图５ 多路卷积神经网络模型［ ８１］
Ｆｉｇ． ５ Ｍｕｌｔｉ⁃ｂｒａｎｃｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ［８１］
３. ２ 基于循环神经网络的土地利用 ／覆被分类
循环神经网络的优势在于对序列信号进行建
模，虽然不能像 ＣＮＮ 那样对遥感影像的空间特征进
行提取，但ＲＮＮ 对光谱特征和时序特征的学习能力
要强于 ＣＮＮ，同样被广泛应用于土地利用／覆被的
遥感分类研究中［８４ － ９２］ 。
在光谱特征提取方面，ＲＮＮ 被用于多光谱和高
光谱影像的分类中，用于建模不同波段之间的相互
依赖关系。 ＭＯＵ 等［８５］ 针对高光谱影像的土地利
用／覆被分类问题，较早使用 ＬＳＴＭ、ＧＲＵ 等循环神
经网络构建了分类模型。其中模型的输入为单个像
素对应的光谱曲线，模型的输出则为对应的土地利
用／覆被类别，并在 ３个航空高光谱数据集上验证了
ＲＮＮ 模型的分类 效 果。后续研究则集中在如何继
续优化 ＲＮＮ 模型结构，从而提高光谱特征提取能
力。文献［８６］ 研究具有典型性，通过构建级联 ＲＮＮ
模型进行高光谱分类，该模型由 ２个ＲＮＮ 级联而
成，其中第 １个ＲＮＮ 用于去除高光谱影像中的冗余
波段，第２个ＲＮＮ 则利用剩余波段进行影像分类。
通过上述级联的方式，可以进一步提高模型的分类
精度。相关研究还包括文献［８７］。
在时序特征提取方面，ＲＮＮ 被用于多时相遥感
影像的分类研究中，通过学习多时相影像之间的时
序依赖关系，从而提高不同地物的类间可分性以改
善 土 地 利 用 ／覆 被 分 类 精 度。其 中， ＲＵΒＷＵＲＭ
等［８８］ 基于多时相 Ｓｅｎｔｉｎｅｌ ２ 号影像，分别采用
ＬＳＴＭ 和ＧＲＵ 构建了土地覆被分类模型，并在 １７ 种
地物分类中取得了 ９０％ 的精度，验证了 ＲＮＮ 在时
序特征提取中的有效性。类似研究有文献［８９ －
９１］ ，均采 用 ＲＮＮ 对耕地中的农作物进行了精细
分类。
３. ３ 基于卷积 循环神经网络的土地利用／覆 被
分类
考虑到 ＣＮＮ 的优势在于遥感影像的空间特征
提取，而ＲＮＮ 的优势在于光谱特征和时序特征提
取，因此将 ＣＮＮ 和ＲＮＮ 进行耦合可以实现空间、时
序、光谱特征之间的有效融合，并进一步提高土地利
用／覆被分类的精度。其中，ＭＥＩ 等［９３］ 基于高光谱
影像，分别构建了空间注意力卷积神经网络和光谱
注意力循环神经网络模型，分别对高光谱的空间特
征和光谱特征进行提取，并通过特征融合进一步提
高分类精度。 ＭＯＵ 等［９４］ 构建了一个 ＣＮＮ ＲＮＮ 耦
合模型实现了光谱 空间 时序特征的有效提取，其
中ＣＮＮ 用于 提 取 遥感 影 像的 光 谱 空 间 特征，而
ＲＮＮ 用于提 取多时 相 影 像的 时 序特 征，通过级联
ＣＮＮ 和ＲＮＮ 模型，实现了 土地利 用 ／覆被的变化检
６农 业 机 械 学 报 ２０２２年
测。类似的研究还包括文献［９５ － ９８］ 。
笔者针对 小尺度 的土地 利用 ／覆被精 细分类问
题，构建了一种基于循环注意力网络的 ＣＮＮ ＲＮＮ
耦合模型［９９］ ，并应用在多时相无人机可见光影像的
分类中（图６）。 具体而言，考虑到无人机影像具有
丰富几何结构信息的特点，首先构建多尺度可变形
卷积神经网络，对无人机影像进行空间特征提取，以
提高模型对于地块形状和尺度变异的鲁棒性；同时
构建融合注意力机制的循环神经网络，实现多时相
无人机影像空间特征和时序特征的自适应融合；该
模型取得 了 ９２. ８０％ 的分类精度，并验证了循环注
意力融合模型在学习多时相特征依赖关系方面的有
效性。
图６ 循环注意力网络模型［ ９９］
Ｆｉｇ． ６ Ａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄ ｒｅｃｕｒｒｅｎｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［９９］
３. ４ 基于全卷积神经网络的土地利用 ／覆被分类
相比于 ＣＮＮ、ＲＮＮ 等模型以基于图像块的方式
进行土地利用 ／覆被分类，全卷积神经网络可以实现
像素级的地物分类，在大范围土地利用 ／覆被制图时
其计算效率高的优势较为明显。其中 ＦＣＮ 是计算
机视觉领域最早提出的全卷积神经网络模型，被广
泛应 用 于土 地 利 用 ／覆 被 分 类 领 域。其中张宏鸣
等［１００］ 利用 ＦＣＮ ８ｓ 模型对灌区无人机影像进行了
渠系提取，杨亚男等［１０１］ 基于 ＦＣＮ ８ｓ 模型对无人
机影像中的梯田进行了提取，都取得了较好分类结
果。同时，研究人员在 ＦＣＮ 的基础上进行了模型改
进，如孙钰等［ １０２］ 针对无人机影像农业塑料覆被分
类任务对 ＦＣＮ 模型进行了改进，ＳＨＲＥＳＴＨＡ 等［ １０３］
提出了一种增强的 ＦＣＮ 模型用于提高建筑物的分
类精度。相关研究还包括文献［１０４ － １０５］ 。
同时，ＵＮｅｔ 以模型结构简洁、鲁棒性高等优势，
受到了遥感领域研究人员的关注，其模型也被不断
改 进，并广泛应用于土地利用／覆 被 分 类 中。
ＤＩＡＫＯＧＩＡＮＮＩＳ 等［１０６］ 提出了一种 ＵＮｅｔ 的改进 模
型，将残差连接、空洞卷积、金字塔池化以及多任务
学习方法进行组合，同时改进 Ｄｉｃｅ 损失以解决样本
不平衡 问 题，提 高 了 土 地 利 用 ／覆被的分类精度。
ＹＥ 等［１０７］ 将空间 光谱注意力机制应用于 ＵＮｅｔ 模
型，以提升不同卷积层之间的特征表达一致性，实现
了建筑物的高精度提取。类似的研究还包括文
献［１０６ － １１３］ 。
ＤｅｅｐＬａｂ 系列模型也在土地利用／覆被分类中
得到了广泛应用。其中 ＬＩＮ 等［ １１４］ 利用通道注意力
模块对 ＤｅｅｐＬａｂ 模型进行改进，以提升模 型对光谱
特征的敏 感 性，并将其应用于道路提取。吴永静
等［１１５］ 采 用 ＲｅｓＮｅｔ ５０ 作 为 特 征 提 取 网 络 对
ＤｅｅｐＬａｂ 进行改进，并基于高分辨率遥感影像实现
了光伏用地的高精度分类。相关研究还包括文
献［７２ ，１１５ － １１９ ］。
４ 样本稀疏条件下土地利用 ／覆被遥感分类
算法研究进展
相比于计算机视觉领域，土地利用 ／覆被遥感分
类中的样本标注对专家知识的要求更高，必要时 还
需要进行野外考察，从而造成了训练样本的稀疏性。
如果仅使用有限的标签样本，将容易造成分类模型
的过拟合，降低模型的时空泛化能力，因此如何综合
利用有限的标签样本和海量无标签样本进行模型训
练，就成为了一个关键技术问题。下面主要阐述样
本稀疏条 件下的土 地利 用 ／覆被遥感分类算法的研
究进展，所涉及的算法包括主动学习、半监督学习、
弱监督学习、自监督学习、迁移学习等。
４. １ 基于主动学习的土地利用 ／覆被遥感分类
主动学习最早见于机器学习领域，是目前解决
标签样本稀疏的常用学习策略之一。其核心思想
为：首先使用少量标签样本训练分类模型，再利用该
模型从无标签样本集中选择最具代表性或最易错分
的样本，由专家对其进行标注，再加入到标签样本集
中，并迭代训练模型，从而使模型具有更高的精度和
泛化能力［１２０ － １２２］ 。
主动学习的核心问题在于如何选取无标签样
本。其选择策略种类较多，主要划分为 ３类：基于无
标签样本的不确定性，如委员会查询［ １２３］ ；基于无 标
签样本对模型的影响程度，如Ｆｉｓｈｅｒ 信息比［１２４ ］ ；基
于无标签样本的分布情况，如流形学习［ １２５］ 、ＫＬ 散
度［１２６］ 等。
主动学习备受遥感领域研究人员的关
注［１２７ － １３５］ ，并被应用到土地利用／覆被遥感分类中。
ＨＡＵＴ 等［１３１］ 设计了一种主动学习策略，用于贝叶斯
卷积神经网络的训练，通过构建多维贝叶斯卷积神
经网 络 以 适 应 多 种 高 光 谱 影 像，在Ｉｎｄｉａｎ Ｐｉｎｅｓ、
７
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
Ｓａｌｉｎａｓ 等公 开 数 据 集 上 实 现 了 较好 的 分 类 结 果 。
杨承文等［１３２］ 将深度贝叶斯网络与主动学习策略相
结合，先基于有限的标签样本对模型进行预训练，再
筛选出不确定性高的样本对模型进行进一步训练，
从而增强了模型在样本稀疏条件下的泛化性。相关
研究还包括文献［１３０ ，１３３ － １３４ ］。
上述方法均采用预先设计好的策略或准则对无
标签样本进行选取，然而这些策略或准则的泛化性
仍难以得到保证。为了解决这些问题，部分学者将
度量学习与主动学习相结合，通过优化损失函数的
设 计 以 提 高 无 标 签 样 本 选 择 的 合 理 性。其 中
ＺＨＡＮＧ 等［１３５］ 提出了一种结合主动学习的多度量
学习方法，通过多个度量指标的分配，以学习并优化
损失函数，在Ｈｏｕｓｔｏｎ 和Ｉｎｄｉａｎ Ｐｉｎｅｓ 数据上验证了
该方法的有效性。
４. ２ 基于半监督学习的土地利用 ／覆被遥感分类
与主动学习类似，半监督学习旨在利用少量标
签样本和大量无标签样本对模型进行训练。不同的
是，半监督学习更强调训练过程的自动化，而不是主
动学习中大量的人工干预［１３６ － １３７］ 。半监督学习主要
包括两大类：基于伪标签的方法和基于一致性正则
化的方法。前者主要利用为无标签样本赋予伪标签
的思想，利用当前模型给予无标签样本最有可能被
预测的类别作为其伪标签，之后将伪标签加入标签
数据集对模型进行继续训练［１３８］ ；后者主要依赖对
干扰不变性的假设，即对同一样本进行数据增强，
而增 强 后 的 样 本 之 间，其预测标签应当保持一
致［１３９ ］ 。
由于土地利用 ／覆被分类往往难以获得海量、高
质量的标签样本，因此半监督学习受到了广大研究
人员的关注。其中，在基于伪标签的半监督学习方
面，ＣＥＮＧＧＯＲＯ 等［１４０］ 采用了一种变分半监督学习
框架，同时利用标签样本和无标签样本对深度学习
模型进行优化，以解决土地利用 ／覆被分类中的样本
不平衡问题。相关研究还包括文献［１４１］。
笔者在伪标签法方面开展了半监督深度学习的
相关研究。针对半干旱区的土地覆被分类问题，提
出了一种多门控机制的半监督深度学习框架［１４２］ ，
通过概率门、不确定性门和抗噪性门的联合使用，以
筛选并生成高质量的伪标签样 本（图７），并通过 消
融实验证实了不同门控机制的有效性。同时，针对
城市防尘绿网的遥感分类问题，构建了一种 ｔｗｏ⁃ｓｔｅｐ
的半监督深度学习算法［ １４３］ ，首先筛选高概率的无
标签样本，然后将其与标签样本进行特征相似度计
算，若ｔｏｐ⁃ｋ 的标签样本具有 相同的类别，则将该类
别赋给当前无标签样本。
图７ 多门控机制的半监督深度学习框架［ １４２］
Ｆｉｇ． ７ Ｍｕｌｔｉ⁃ｇａｔｅ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ［ １４２］
除了上述伪标签样本方法 外，一致性正则化方
法也得到了研究。其中 ＺＨＡＮＧ 等［１４４］ 提出了一种
基于半监督学习的语义分割网络（ Ｓ４Ｎｅｔ ）， 在对标
签样本进行特征提取的同时，对无标签样本施加随
机变换或扰动，并利用组合的损失函数训练模型，在
ＤｅｅｐＧｌｏｂｅ 数据集上取得了具有竞争力的结果。文
献［１４５］进行了类似研究。
４. ３ 基于弱监督学习的土地利用 ／覆被遥感分类
本文所指的弱监督学习主要针对不确切监督
（Ｉｎｅｘａｃｔ ｓｕｐｅｒｖｉｓｉｏｎ）问题［１４６］ ，即基于粗粒度的上游
标签实现细粒度的下游任务。在土地利用／覆被遥
感分类中，常见的弱监督学习表述如下：如何在只有
图像块级 别或低分 辨率 的土地 利用 ／覆被标注的情
况下，去实现像素级别或高分辨率的土地利用 ／覆被
遥感分类任务。
弱监督学习可以一定程度上实现粗粒度标注样
本的复用，对于样本稀疏引起的模型过拟合具有一
定的缓解 作 用，在近期受到了遥感研究人员的关
８农 业 机 械 学 报 ２０２２年
注［１４７ － １５１］ 。其中，ＳＣＨＭＩＴＴ 等［１４７］ 探索了如何使用
低分辨率的土地覆被样本去生成高分辨率的土地覆
被分类图，首先采用 ＭＯＤＩＳ 的５００ ｍ 分辨率的全球
土地覆被 数 据集 作 为 低分 辨率 样 本集，然 后利 用
ＤｅｅｐＬａｂ ｖ３ ＋ 和ＵＮｅｔ 语义分割模型在高分辨率
Ｓｅｎｔｉｎｅｌ 影 像 数 据 集 ＳＥＮ１２ＭＳ 上进行训练，并 在
ＤＦＣ２０２０ 数据集的验证集上进行精度评估。虽然作
者指出上述方法的精度并不能令人满意，但是其 技
术路线可以给人以启发，因为低分辨率的土地利用 ／
覆 被 样 本 比 较 容 易 获 得，相似的研究还包括文
献［１４８］。相比于 ＳＣＨＭＩＴＴ 等［１４７］ 直接使用低分辨
率的样本对模型进行训练，ＷＡＮＧ 等［１４９］ 则 利 用 图
像块级的标签样本和类激活图（ Ｃｌａｓｓ ａｃｔｉｖａｔｉｏｎ
ｍａｐｓ， ＣＡＭｓ） 的方法获取像素级的伪标签，并将伪
标签加入标签样本集，对ＵＮｅｔ 语义分割模型进行重
新训练，证明了上述弱监督方法在土地覆被分类中
的有效性。针对跨领域的土地利用 ／覆被分类问题，
ＬＩ 等［１５０］ 提出了一个基于弱监督约束的语义分割模
型，通过弱监督迁移不变性约束、弱监督伪标签约束
以及弱监 督 旋转 一 致 性约 束，改善了模型的分类
效果。
４. ４ 基于自监督学习的土地利用 ／覆被遥感分类
自监督学习属于无监督学习的一种［１５２］ ，可在
没有明确人工监督信息的情况下（如标签），从数据
本身出发构建学习算法［ １５３］ 。主要通过设计辅助任
务（如 灰 度 图 像 上 色［ １５４］ 、拼 图 游 戏［１５５］ 、图 像 修
复［１５６］ 等）来对模型进行预训练，从而更好完成下游
任务（如目标检测、语义分割等）。 近年来，随着各
种辅助任务的提出，自监督策略的训练效果越来越
接近全监督学习，引起了越来越多国内外研究者的
关注。
目前将自监督学习应用到土地利用／覆被遥感
分类中的研究较少，国内外相关研究均处于起步阶
段。其中 ＡＹＵＳＨ 等［１５７ ］ 提出了地理感知自监督对
比学习策略，该方法通过时序正样本对在空间上对
齐的方式，并结合影像拍摄地点的知识，在Ｍａｐ ｏｆ
ｔｈｅ Ｗｏｒｌｄ 数据集上较 ＭｏＣｏ ｖ２ 模型提升了 ８％ 的
精度。 ＲＥＮ 等［１５８］ 提出一种基于相互信息的自监督
模型，并首次将自监督学习应用于 ＰｏｌＳＡＲ 土地覆被
分类任务中，通过辅助任务的设计，提高了土地覆被
制图的性能。文献［１５９ － １６０ ］进行了类似研究。
４. ５ 基于迁移学习的土地利用 ／覆被遥感分类
迁移学习主要 解 决不同域 （源域和目标域）之
间的模型对齐问题［ １６１］ 。考虑到遥感影像具有天然
的多域性，即在时间、空间、光谱等维度上存在天然
差异，因此如何将源域学习到的知识迁移至目标域，
并利用有限的目标域样本提升遥感分类模型 的 性
能，就依赖于迁移学习的深入研究。
迁移学习主要包括基于模型参数的迁移、基于
域适应的迁移、基于对抗学习的迁移等。其中基于
模型参数的迁移属于早期被广泛应用的方法，深度
学习网络的微调法（ｆｉｎｅ ｔｕｎｅ） 即属于此类方法。其
中ＷＵＲＭ 等［１６２］ 利用在 ＱｕｉｃｋＢｉｒｄ 上训练好的模型
迁移 至 具 有 不 同 光 谱 波 段 的 Ｓｅｎｔｉｎｅｌ ２ 和
ＴｅｒｒａｓＳＡＲ Ｘ 中，并对贫民窟这一独特的土地利用
类型进行分类，结果表明基于模型参数的迁移对异
源传感器（ＱｕｉｃｋＢｉｒｄ 与ＳＡＲ）之间的学习效果较差，
而对于同源传感器 （ ＱｕｉｃｋＢｉｒｄ 与Ｓｅｎｔｉｎｅｌ ２ ） 之间
的分类结果具有提升作用。
在基于域适应的迁移方面，ＱＩＮ 等［１６３］ 提出了一
种基于张量对齐的域适应（ Ｄｏｍａｉｎ ａｄａｐｔａｔｉｏｎ， ＤＡ）
方法。首先将源域和目标域的遥感影像分割成超像
素，然后通过对齐矩阵实现源域和目标域之间的子
空间对齐，并通过投影矩阵完成特征重映射，从而提
高了 目 标 域 内 土 地 利 用／覆被分类的精度。文
献［１６４ － １６５］ 进行了类似研究。
在基于对抗学习的迁移方面，ＸＵ 等［１６６］ 采用对
抗学习策略提出了一种可转移注意力的对齐方法，
以增加细粒度特征，并在语义分割模型中使用域适
应方法，以缓解类间不平衡问题。文献［ １６７ － １６８］
进行了类似研究。
５ 研究展望
５. １ 大规模遥感样本数据集构建
深度学习本质上属于数据驱动模型，其在土地
利用 ／覆被遥感分类中的性能很大程度上取决于样
本数据的规模、标注质量、地物类别的多样性与完备
性等。虽然研究人员相继发布了一些土地利用／覆
被分类遥感样本数据集，然而大部分样本仅采样自
某一地区和某一时相，这将导致训练出的深度学习
分类模型的时空泛化能力较差，如果直接将上述分
类模型用于其他地区或时相，分类精度往往难以得
到保证。
为了解决 土地利 用 ／覆被遥感分类中深度学习
模型的时空泛化问题，一个最直接有效的办法是构
建大规模遥感样本数据集，并进行公开发布，从而有
助于广大研究人员利用其进行深度学习模型构建与
训 练。实 际 上，在 计 算 机 视 觉 领 域，正 是 由 于
ＩｍａｇｅＮｅｔ 等大规模开源样本数据集的发布，才有效
促进了深度学习在自然图像分类、目标检测等领域
的发展和落地应用。
在未来研究中，可以优先考虑以下两种类型的
９
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
遥感样本数据集：图像块级样本数据集；像素级样本
数据集。其中图像块级样本数据集的构建方法与
ＵＣ Ｍｅｒｃｅｄ、ＡＩＤ 等场景识别数据集类似，用一个遥
感图像块来表示某一种特定的土地利用 ／覆被类型，
样本标注的过程较为简单，标注人员直接对该遥感
图像块的类别进行赋值即可。然而这种样本并不能
提供精确的地物边界信息，导致大区域制图结果出
现明显的边缘锯齿效应；此外一个遥感图像块中往
往同时存在多种地物类型，这种场景复杂性也将增
加分类难度。相比于图像块级样本数据集，像素级
样本数据 集可以提 供每 一种土 地利 用 ／覆被类型的
边界信息，然而标注工作量较高，较为费时费力。同
时，在构建上述两类样本数据集时，还需要考虑遥感
影像的多源性，尽可能覆盖多尺度、多传感器、多时
相、多区域的遥感影像，进而提高样本数据集的完备
性和可用性。
５. ２ 深度学习模型结构优化
在当前土地利用 ／覆被遥感分类研究中，研究人
员或直接采用计算机视觉领域较为成熟的深度学习
模型、或在经典模型上进行结构改进，在各自数据集
上取得了较好的分类精度。虽然也有相关研究人员
针对遥感影像的特点进行模型结构优化，但其适 用
范围往往需要进一步验证。
在未来的研究中，一方面可以继续借鉴计算机
视觉领域的最新研究成果，但更重要的是需要分析
遥感影像自身特点，有针对性地对深度学习的网络
结构进行改进。相比于计算机视觉领域关注的自然
图像，遥感影像具有天然的多源、多传感器、多谱段、
多尺度、多时相等特征。在设计分类网络时，多光谱
影像、高光谱影像、雷达影像的特征提取网络是否需
要单独设计，不同波段之间的特征是否需要融合，厘
米级的无人机影像、亚米级的高分辨率卫星影像以
及中低分辨率卫星影像，其特征提取网络有何不同，
多时相影像、多传感器影像之间如何进行特征融合，
从而进一步提高分类的精度和可靠性，同时，相比于
自然图像，遥感影像更多揭示的是宏观地学现象，因
此在设计深度学习模型结构时，如何考虑增加地学
的先验知识，从而提高模型结构的合理性，也是一个
需要思考的问题。
此外，还可以研究深度神经网络结构的自动寻
优方法，即网络结构也是从样本数据集中学习得到
的。需要注意的是，网络结构的自动寻优需要海量
的训练样本，如果样本集的规模较小，其学习到的网
络结构仅 是 局部 最 优 解，其时空泛化能力仍存在
缺陷。
５. ３ 稀疏样本下深度学习模型泛化性能提升
通过构建大规模遥感样本数据集，可以一定程
度上解决深度学习模型的时空泛化能力问题。然而
大规模样本集的构建费时费力，同时在实际的土地
利用 ／覆被遥感分类中，可用的样本数量总是较少
的，因此稀疏样本是遥感领域研究者需要面对的一
个重要议题。稀疏样本可以从时间和空间两方面去
理解，即已有的样本数据集往往是基于某一特定时
间、特定空间的影像进行标注的，那么在这一时空范
围以外的遥感影像，如果不进行大规模重新标注，那
么其样本必然是稀疏的。此外，对历史影像而言，如
果没有对应时间段的野外采样记录，其样本类别只
能通过遥感影像目视解译的方法进行判读，其不确
定性较高。
为了解决稀疏样本问题，在未来的研究中，可以
重点考虑无监督学习、半监督学习和迁移学习等算
法。其中无监督学习对标签样本的依赖度最低，其
通过海量无标签样本的训练，从而将原始影像数据
转换到一个类间可分性高的特征空间。而自监督学
习属于无监督学习中的一个热门方向，其相关思想
也可以被遥感领域研究人员所借鉴。这是因为遥感
影像作为天然的无标签样本库，可为无监督学习提
供海量无标签训练样本。同时，半监督学习由于同
时考虑了有限的标签样本和海量的无标签样本，也
可以缓解因稀疏样本造成的遥感分类模型的过拟合
问题。迁移学习则重点考虑不同光谱、空间、时间分
辨率遥感影像之间的样本复用问题，可以采用域适
应的方法实现遥感分类模型的时空谱迁移，提高模
型泛化能力。
综上，随着深度学习技术的不断发展，土地利
用／覆被样本集的种类和数量将持续上升，为模型训
练和精度对比提供数据支撑；深度学习模型的结构
也将得到进一步优化，并更能适应遥感影像的特点；
各种学习策略的不断改进，将会提高模型在样本稀
疏条件下的时空泛化能力。上述样本 模型 算法的
改进将持 续推动深 度学 习在土 地利 用 ／覆被制图中
的广泛应用。
参 考 文 献
［１］ 周珂，杨永清，张俨娜，等．光学遥感影像土地利用分类方法综述［ Ｊ］． 科学技术与工程， ２０２１， ２１ （３２ ） ： １３６０３ －
１３６１３．
ＺＨＯＵ Ｋｅ， ＹＡＮＧ Ｙｏｎｇｑｉｎｇ， ＺＨＡＮＧ Ｙａｎｎａ， ｅｔ ａｌ． Ｒｅｖｉｅｗ ｏｆ ｌａｎｄ ｕｓｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｉｍａｇｅｓ［Ｊ］． Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０２１， ２１（３２）： １３６０３ － １３６１３． （ｉｎ Ｃｈｉｎｅｓｅ）
０１ 农 业 机 械 学 报 ２０２２年
［２］ 骆剑承，胡晓东，吴田军，等．高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究［Ｊ］． 遥感
学报， ２０２１， ２５（７） ： １３５１ － １３７３．
ＬＵＯ Ｊｉａｎｃｈｅｎｇ， ＨＵ Ｘｉａｏｄｏｎｇ， ＷＵ Ｔｉａｎｊｕｎ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｃａｌｃｕｌａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ｍｅｔｈｏｄ ｏｆ ｐｒｅｃｉｓｉｏｎ ｌａｎｄ ｕｓｅ／
ｃｏｖｅｒ ｃｈａｎｇｅ ｉｎｆｏｒｍａｔｉｏｎ ｄｒｉｖｅｎ ｂｙ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２１， ２５（７）： １３５１ － １３７３．
（ｉｎ Ｃｈｉｎｅｓｅ）
［３］ 刘哲，刘帝佑，朱德海，等．作物遥感精细识别与自动制图研究进展与展望［Ｊ］ ． 农业机械学报， ２０１８， ４９（１２） ：１ － １２．
ＬＩＵ Ｚｈｅ， ＬＩＵ Ｄｉｙｏｕ， ＺＨＵ Ｄｅｈａｉ， ｅｔ ａｌ． Ｒｅｖｉｅｗ ｏｎ ｃｒｏｐ ｔｙｐｅ ｆｉｎｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ａｕｔｏｍａｔｉｃ ｍａｐｐｉｎｇ ｕｓｉｎｇ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１８， ４９（１２）：１ － １２． （ｉｎ Ｃｈｉｎｅｓｅ）
［４］ 张磊，吴炳方．关于土地覆被遥感监测的几点思考［Ｊ］ ． 国土资源遥感， ２０１１（ １） ： １５ － ２０ ．
ＺＨＡＮＧ Ｌｅｉ， ＷＵ Ｂｉｎｇｆａｎｇ． Ａ ｄｉｓｃｕｓｓｉｏｎ ｏｎ ｌａｎｄ ｃｏｖｅｒ ｍａｐｐｉｎｇ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏｒ Ｌａｎｄ ＆ Ｒｅｓｏｕｒｃｅｓ， ２０１１（１）： １５ －
２０． （ ｉｎ Ｃｈｉｎｅｓｅ）
［５］ 陈永慧，李小娟，胡德勇．遥感图像土 地覆被 专题信息 提取方 法综述［ Ｊ］ ． 首 都师范大 学学报 （自 然科学 版）， ２００９，
３０（ １）： ５９ － ６４ ．
ＣＨＥＮ Ｙｏｎｇｈｕｉ， ＬＩ Ｘｉａｏｊｕａｎ， ＨＵ Ｄｅｙｏｎｇ． Ｒｅｖｉｅｗ ｏｎ ｔｈｅ ｍｅｔｈｏｄｓ ｆｏｒ ｅｘｔｒａｃｔｉｎｇ ｌａｎｄ ｃｏｖｅｒ ｔｈｅｍａｔｉｃ ｉｎｆｏｒｍａｔｉｏｎ ｆｒｏｍ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｉｍａｇｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃａｐｉｔａｌ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅｓ Ｅｄｉｔｉｏｎ）， ２００９， ３０（１）： ５９ － ６４． （ｉｎ Ｃｈｉｎｅｓｅ）
［６］ 赵春江．农业遥感研究与应用进展［Ｊ］ ． 农业机械学报， ２０１４， ４５（１２） ： ２７７ － ２９３．
ＺＨＡＯ Ｃｈｕｎｊｉａｎｇ． Ａｄｖａｎｃｅｓ ｏｆ ｒｅｓｅａｒｃｈ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｆｏｒ ａｇｒｉｃｕｌｔｕｒｅ［ Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ
Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１４， ４５（１２）： ２７７ － ２９３． （ ｉｎ Ｃｈｉｎｅｓｅ）
［７］ ＧＯＮＧ Ｐ， ＬＩＵ Ｈ， ＺＨＡＮＧ Ｍ， ｅｔ ａｌ． Ｓｔａｂｌｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｌｉｍｉｔｅｄ ｓａｍｐｌｅ： ｔｒａｎｓｆｅｒｒｉｎｇ ａ ３０⁃ｍ ｒｅｓｏｌｕｔｉｏｎ ｓａｍｐｌｅ ｓｅｔ
ｃｏｌｌｅｃｔｅｄ ｉｎ ２０１５ ｔｏ ｍａｐｐｉｎｇ １０⁃ｍ ｒｅｓｏｌｕｔｉｏｎ ｇｌｏｂａｌ ｌａｎｄ ｃｏｖｅｒ ｉｎ ２０１７［Ｊ］ ． Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ， ２０１９， ６４： ３７０ － ３７３．
［８］ ＳＣＨＭＩＴＴ Ｍ， ＨＵＧＨＥＳ Ｌ Ｈ， ＱＩＵ Ｃ， ｅｔ ａｌ． ＳＥＮ１２ＭＳ—ａ ｃｕｒａｔｅｄ ｄａｔａｓｅｔ ｏｆ ｇｅｏｒｅｆｅｒｅｎｃｅｄ ｍｕｌｔｉ⁃ｓｐｅｃｔｒａｌ ｓｅｎｔｉｎｅｌ⁃１ ／ ２ ｉｍａｇｅｒｙ
ｆｏｒ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｎｄ ｄａｔａ ｆｕｓｉｏｎ［Ｊ］ ． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：１９０６． ０７７８９， ２０１９．
［９］ ＬＥＣＵＮ Ｙ， ＢＥＮＧＩＯ Ｙ， ＨＩＮＴＯＮ Ｇ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ［ Ｊ］． Ｎａｔｕｒｅ， ２０１５， ５２１： ４３６ － ４４４．
［１０］ ＡＤＡＭ Ｅ， ＭＵＴＡＮＧＡ Ｏ， ＯＤＩＮＤＩ Ｊ， ｅｔ ａｌ． Ｌａｎｄ⁃ｕｓｅ ／ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ ａ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｃｏａｓｔａｌ ｌａｎｄｓｃａｐｅ ｕｓｉｎｇ
ＲａｐｉｄＥｙｅ ｉｍａｇｅｒｙ： ｅｖａｌｕａｔｉｎｇ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｒａｎｄｏｍ ｆｏｒｅｓｔ ａｎｄ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｃｌａｓｓｉｆｉｅｒｓ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１４， ３５： ３４４０ － ３４５８．
［１１］ 朱德 海，刘逸铭，冯权泷，等．基于 ＧＥＥ 的山东省近 ３０ 年农业大棚时空动态变化研究［Ｊ］ ． 农 业机械 学报， ２０２０，
５１（ １）： １６８ － １７５ ．
ＺＨＵ Ｄｅｈａｉ， ＬＩＵ Ｙｉｍｉｎｇ， ＦＥＮＧ Ｑｕａｎｌｏｎｇ， ｅｔ ａｌ． Ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ｄｙｎａｍｉｃ ｃｈａｎｇｅｓ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｇｒｅｅｎｈｏｕｓｅｓ ｉｎ Ｓｈａｎｄｏｎｇ
Ｐｒｏｖｉｎｃｅ ｉｎ ｒｅｃｅｎｔ ３０ ｙｅａｒｓ ｂａｓｅｄ ｏｎ Ｇｏｏｇｌｅ Ｅａｒｔｈ Ｅｎｇｉｎｅ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ，
２０２０， ５１（ １） ： １６８ － １７５． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１２］ 黄健熙，侯矞焯，武洪峰，等．基于时间序列 ＭＯＤＩＳ 的农作物类型空间制图方法［Ｊ］ ． 农业机械学报， ２０１７， ４８（１０） ：
１４２ － １４７．
ＨＵＡＮＧ Ｊｉａｎｘｉ， ＨＯＵ Ｙｕｚｈｕｏ， ＷＵ Ｈｏｎｇｆｅｎｇ， ｅｔ ａｌ． Ｃｒｏｐ ｔｙｐｅ ｍａｐｐｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｉｍｅ⁃ｓｅｒｉｅｓ ＭＯＤＩＳ ｄａｔａ ｉｎ
Ｈｅｉｌｏｎｇｊｉａｎｇ Ｐｒｏｖｉｎｃｅ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１７， ４８（１０ ） ： １４２ － １４７． （ｉｎ
Ｃｈｉｎｅｓｅ）
［１３］ 张荣群，王盛安，高万林，等．基于时序植被指数的县域作物遥感分类方法研究［Ｊ］ ． 农业机械学 报， ２０１５， ４６（ 增
刊） ： ２４６ － ２５２ ．
ＺＨＡＮＧ Ｒｏｎｇｑｕｎ， ＷＡＮＧ Ｓｈｅｎｇ'ａｎ， ＧＡＯ Ｗａｎｌｉｎ， ｅｔ ａｌ． Ｒｅｍｏｔｅ⁃ｓｅｎｓｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ｃｏｕｎｔｙ⁃ｌｅｖｅｌ ａｇｒｉｃｕｌｔｕｒｅ
ｃｒｏｐｓ ｕｓｉｎｇ ｔｉｍｅ⁃ｓｅｒｉｅｓ［Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１５， ４６（ Ｓｕｐｐ． ）： ２４６ － ２５２．
（ｉｎ Ｃｈｉｎｅｓｅ）
［１４］ ＦＥＮＧ Ｑ， ＬＩＵ Ｊ， ＧＯＮＧ Ｊ． ＵＡＶ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｆｏｒ ｕｒｂａｎ ｖｅｇｅｔａｔｉｏｎ ｍａｐｐｉｎｇ ｕｓｉｎｇ ｒａｎｄｏｍ ｆｏｒｅｓｔ ａｎｄ ｔｅｘｔｕｒｅ ａｎａｌｙｓｉｓ［ Ｊ］ ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１５， ７： １０７４ － １０９４．
［１５］ ＦＥＮＧ Ｑ， ＬＩＵ Ｊ， ＧＯＮＧ Ｊ． Ｕｒｂａｎ ｆｌｏｏｄ ｍａｐｐｉｎｇ ｂａｓｅｄ ｏｎ ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｖｅｈｉｃｌｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｎｄ ｒａｎｄｏｍ ｆｏｒｅｓｔ
ｃｌａｓｓｉｆｉｅｒ—ａ ｃａｓｅ ｏｆ Ｙｕｙａｏ， Ｃｈｉｎａ［ Ｊ］． Ｗａｔｅｒ， ２０１５， ７（４）： １４３７ － １４５５．
［１６］ ＢＲＥＩＭＡＮ Ｌ． Ｒａｎｄｏｍ ｆｏｒｅｓｔｓ［ Ｊ］． Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ， ２００１， ４５（１） ： ５ － ３２．
［１７］ ＣＨＡＰＥＬＬＥ Ｏ， ＶＡＰＮＩＫ Ｖ， ＢＯＵＳＱＵＥＴ Ｏ， ｅｔ ａｌ． Ｃｈｏｏｓｉｎｇ ｍｕｌｔｉｐｌｅ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ［ Ｊ］． Ｍａｃｈｉｎｅ
Ｌｅａｒｎｉｎｇ， ２００２， ４６（１） ： １３１ － １５９．
［１８］ ＺＨＡＮＧ Ｌ， ＺＨＡＮＧ Ｌ， ＤＵ Ｂ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ： ａ ｔｅｃｈｎｉｃａｌ ｔｕｔｏｒｉａｌ ｏｎ ｔｈｅ ｓｔａｔｅ ｏｆ ｔｈｅ ａｒｔ［ Ｊ］ ． ＩＥＥＥ
Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｍａｇａｚｉｎｅ， ２０１６， ４（２） ： ２２ －４０．
［１９］ ＺＨＵ Ｘ， ＴＵＩ Ａ Ｄ， ＭＯＵ Ｌ， ｅｔ ａｌ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ： ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｒｅｖｉｅｗ ａｎｄ ｌｉｓｔ ｏｆ ｒｅｓｏｕｒｃｅｓ［ Ｊ］． ＩＥＥＥ
Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｍａｇａｚｉｎｅ， ２０１７， ５（４） ： ８ －３６．
［２０］ ＫＡＭＩＬＡＲＩＳ Ａ， ＰＲＥＮＡＦＥＴＡ Ｆ Ｘ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｉｎ ａｇｒｉｃｕｌｔｕｒｅ： ａ ｓｕｒｖｅｙ［ Ｊ］ ． Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ ｉｎ Ａｇｒｉｃｕｌｔｕｒｅ，
２０１８， １４７： ７０ － ９０．
［２１］ 李德仁，张良培，夏桂松．遥感大数据自动分析与数据挖掘［Ｊ］ ． 测绘学报， ２０１４， ４３（１２） ： １２１１ － １２１６．
ＬＩ Ｄｅｒｅｎ， ＺＨＡＮＧ Ｌｉａｎｇｐｅｉ， ＸＩＡ Ｇｕｉｓｏｎｇ． Ａｕｔｏｍａｔｉｃ ａｎａｌｙｓｉｓ ａｎｄ ｍｉｎｉｎｇ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｂｉｇ ｄａｔａ［Ｊ］． Ａｃｔａ Ｇｅｏｄａｅｔｉｃａ ｅｔ
Ｃａｒｔｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ， ２０１４， ４３（１２）： １２１１ － １２１６． （ｉｎ Ｃｈｉｎｅｓｅ）
［２２］ 陈前，郑利娟，李小娟，等．基于深度 学 习 的 高 分 遥 感影像水体提取模型研究 ［ Ｊ］ ． 地 理 与 地 理 信 息 科 学， ２０１９，
３５（ ４）： ４３ － ４９ ．
ＣＨＥＮ Ｑｉａｎ， ＺＨＥＮＧ Ｌｉｊｕａｎ， ＬＩ Ｘｉａｏｊｕａｎ， ｅｔ ａｌ． Ｗａｔｅｒ ｂｏｄｙ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ
ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ［Ｊ］． Ｇｅｏｇｒａｐｈｙ ａｎｄ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ， ２０１９， ３５（４） ： ４３ －４９． （ ｉｎ Ｃｈｉｎｅｓｅ）
［２３］ 涂序彦．何谓“人工智能”？ 概念、对象、内容及方法［ Ｊ］． 软件世界，１９９９（１ ）：３４ － ３６．
ＴＵ Ｘｕｙａｎ． Ｗｈａｔ ｉｓ “ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ”？ ｃｏｎｃｅｐｔｉｏｎ， ｏｂｊｅｃｔ， ｃｏｎｔｅｎｔ ａｎｄ ｍｅｔｈｏｄ［Ｊ］ ． Ｓｏｆｔｗａｒｅ Ｗｏｒｌｄ， １９９９（１）： ３４ －
１１
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
３６． （ ｉｎ Ｃｈｉｎｅｓｅ）
［２４］ ＫＲＩＺＨＥＶＳＫＹ Ａ， ＳＵＴＳＫＥＶＥＲ Ｉ， ＨＩＮＴＯＮ Ｇ Ｅ． Ｉｍａｇｅｎｅｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［ Ｊ］．
Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ， ２０１２， ２５： １０９７ － １１０５．
［２５］ ＳＩＭＯＮＹＡＮ Ｋ， ＺＩＳＳＥＲＭＡＮ Ａ． Ｖｅｒｙ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｌａｒｇｅ⁃ｓｃａｌｅ ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ［ Ｊ］ ． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ，
ａｒＸｉｖ： １４０９． １５５６， ２０１４．
［２６］ ＨＥ Ｋ， ＺＨＡＮＧ Ｘ， ＲＥＮ Ｓ， ｅｔ ａｌ． Ｄｅｅｐ ｒｅｓｉｄｕａｌ ｌｅａｒｎｉｎｇ ｆｏｒ ｉｍａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ
Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２０１６： ７７０ － ７７８．
［２７］ ＨＵＡＮＧ Ｇ， ＬＩＵ Ｚ， ＶＡＮ Ｄ Ｍ Ｌ， ｅｔ ａｌ． Ｄｅｎｓｅｌｙ ｃｏｎｎｅｃｔｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ
ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２０１７： ４７００ －４７０８．
［２８］ ＨＯＣＨＲＥＩＴＥＲ Ｓ， ＳＣＨＭＩＤＨＵＢＥＲ Ｊ． Ｌｏｎｇ ｓｈｏｒｔ⁃ｔｅｒｍ ｍｅｍｏｒｙ［Ｊ］ ． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ， １９９７， ９（８） ： １７３５ －１７８０．
［２９］ ＣＨＯ Ｋ， ＭＥＲＲＩＥＮＢＯＥＲ Ｂ， ＢＡＨＤＡＮＡＵ Ｄ， ｅｔ ａｌ． Ｏｎ ｔｈｅ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｎｅｕｒａｌ ｍａｃｈｉｎｅ ｔｒａｎｓｌａｔｉｏｎ： ｅｎｃｏｄｅｒ⁃ｄｅｃｏｄｅｒ
ａｐｐｒｏａｃｈｅｓ［Ｊ］． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ： １４０９． １２５９， ２０１４．
［３０］ ＶＡＳＷＡＮＩ Ａ， ＳＨＡＺＥＥＲ Ｎ， ＰＡＲＭＡＲ Ｎ， ｅｔ ａｌ． Ａｔｔｅｎｔｉｏｎ ｉｓ ａｌｌ ｙｏｕ ｎｅｅｄ［Ｃ］∥Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ
Ｓｙｓｔｅｍｓ， ２０１７： ５９９８ － ６００８．
［３１ ］ ＣＯＬＡ Ｈ． Ｕｎｄｅｒｓｔａｎｄｉｎｇ ＬＳＴＭ Ｎｅｔｗｏｒｋｓ ［ ＥＢ ／ ＯＬ ］ ． ［ ２０２２ ０１ ２５ ］． ｈｔｔｐｓ： ∥ ｃｏｌａｈ． ｇｉｔｈｕｂ． ｉｏ ／ ｐｏｓｔｓ ／ ２０１５ － ０８ －
Ｕｎｄｅｒｓｔａｎｄｉｎｇ － ＬＳＴＭｓ／ ．
［３２］ ＧＯＯＤＦＥＬＬＯＷ Ｉ， ＰＯＵＧＥＴ Ｊ， ＭＩＲＺＡ Ｍ， ｅｔ ａｌ． Ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋｓ［ Ｊ］． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ， ２０２０，
６３（ １１）： １３９ － １４４．
［３３］ ＣＨＥＮ Ｊ， ＬＵ Ｙ， ＹＵ Ｑ， ｅｔ ａｌ． Ｔｒａｎｓｕｎｅｔ： ｔｒａｎｓｆｏｒｍｅｒｓ ｍａｋｅ ｓｔｒｏｎｇ ｅｎｃｏｄｅｒｓ ｆｏｒ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］ ． ａｒＸｉｖ
ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：２１０２． ０４３０６， ２０２１．
［３４］ ＣＡＯ Ｈ， ＷＡＮＧ Ｙ， ＣＨＥＮ Ｊ， ｅｔ ａｌ． Ｓｗｉｎ Ｕｎｅｔ： Ｕｎｅｔ⁃ｌｉｋｅ ｐｕｒｅ ｔｒａｎｓｆｏｒｍｅｒ ｆｏｒ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］． ａｒＸｉｖ
ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：２１０５． ０５５３７， ２０２１．
［３５］ 熊俊涛，刘柏林，钟灼，等．基于深度语义分割网络的荔枝花叶分割与识别［Ｊ］． 农业机械学报， ２０２１， ５２（６）： ２５２ － ２５８．
ＸＩＯＮＧ Ｊｕｎｔａｏ， ＬＩＵ Ｂｏｌｉｎ， ＺＨＯＮＧ Ｚｈｕｏ， ｅｔ ａｌ． Ｌｉｔｃｈｉ ｆｌｏｗｅｒ ａｎｄ ｌｅａｆ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｄｅｅｐ ｓｅｍａｎｔｉｃ
ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２１， ５２（６）： ２５２ － ２５８． （ ｉｎ Ｃｈｉｎｅｓｅ）
［３６］ 李旭青，张秦雪，安志远，等．基于可变形全卷积神经网络的冬小麦自动解译研究［Ｊ］ ． 农业机械学报， ２０２０， ５１（９） ：
１４４ － １５１．
ＬＩ Ｘｕｑｉｎｇ， ＺＨＡＮＧ Ｑｉｎｘｕｅ， ＡＮ Ｚｈｉｙｕａｎ， ｅｔ ａｌ． Ａｕｔｏｍａｔｉｃ ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ｗｉｎｔｅｒ ｗｈｅａｔ ｂａｓｅｄ ｏｎ ｄｅｆｏｒｍａｂｌｅ ｆｕｌｌ ｃｏｎｖｏｌｕｔｉｏｎ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２０， ５１（９） ： １４４ －１５１． （ ｉｎ Ｃｈｉｎｅｓｅ）
［３７］ 杨蜀秦，宋志双，尹瀚平，等．基于 深 度 语 义 分 割 的无人机多光谱遥感作物 分 类 方 法 ［ Ｊ ］ ． 农业机械学报， ２０２１，
５２（ ３）： １８５ － １９２ ．
ＹＡＮＧ Ｓｈｕｑｉｎ， ＳＯＮＧ Ｚｈｉｓｈｕａｎｇ， ＹＩＮ Ｈａｎｐｉｎｇ， ｅｔ ａｌ． Ｃｒｏｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｏｆ ＵＶＡ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｂａｓｅｄ
ｏｎ ｄｅｅｐ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２１， ５２（３）： １８５ －１９２．
（ｉｎ Ｃｈｉｎｅｓｅ）
［３８］ ＷＡＮＧ Ｙ， ＺＥＮＧ Ｘ， ＬＩＡＯ Ｘ， ｅｔ ａｌ． Ｂ ＦＧＣ Ｎｅｔ： ａ ｂｕｉｌｄｉｎｇ ｅｘｔｒａｃｔｉｏｎ ｎｅｔｗｏｒｋ ｆｒｏｍ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ
［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２２， １４（２） ： １４４．
［３９］ ＬＯＮＧ Ｊ， ＳＨＥＬＨＡＭＥＲ Ｅ， ＤＡＲＲＥＬＬ Ｔ． Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｃ］ ∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ
ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２０１５： ３４３１ －３４４０．
［４０］ ＲＯＮＮＥＢＥＲＧＥＲ Ｏ， ＦＩＳＣＨＥＲ Ｐ， ＢＲＯＸ Ｔ． Ｕ Ｎｅｔ： ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｂｉｏｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｃ ］ ∥
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ⁃ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ， Ｓｐｒｉｎｇｅｒ， Ｃｈａｍ， ２０１５： ２３４ － ２４１．
［４１］ ＺＨＯＵ Ｚ， ＳＩＤＤＩＱＵＥＥ Ｍ Ｍ Ｒ， ＴＡＪＢＡＫＨＳＨ Ｎ， ｅｔ ａｌ． Ａ ｎｅｓｔｅｄ Ｕ Ｎｅｔ ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ ｍｅｄｉｃａｌ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］．
ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：１８０７． １０１６５， ２０１８．
［４２］ ＱＩＮ Ｘ， ＺＨＡＮＧ Ｚ， ＨＵＡＮＧ Ｃ， ｅｔ ａｌ． Ｕ＾２ Ｎｅｔ： ｇｏｉｎｇ ｄｅｅｐｅｒ ｗｉｔｈ ｎｅｓｔｅｄ Ｕ⁃ｓｔｒｕｃｔｕｒｅ ｆｏｒ ｓａｌｉｅｎｔ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｐａｔｔｅｒｎ
Ｒｅｃｏｇｎｉｔｉｏｎ， ２０２０， １０６： １０７４０４．
［４３］ ＣＨＥＮ Ｌ Ｃ， ＰＡＰＡＮＤＲＥＯＵ Ｇ， ＫＯＫＫＩＮＯＳ Ｉ， ｅｔ ａｌ． Ｓｅｍａｎｔｉｃ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｓ ａｎｄ ｆｕｌｌｙ
ｃｏｎｎｅｃｔｅｄ ＣＲＦＳ［ Ｊ］． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：１４１２． ７０６２， ２０１４．
［４４］ ＣＨＥＮ Ｌ Ｃ， ＰＡＰＡＮＤＲＥＯＵ Ｇ， ＫＯＫＫＩＮＯＳ Ｉ， ｅｔ ａｌ． Ｄｅｅｐｌａｂ： ｓｅｍａｎｔｉｃ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｗｉｔｈ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｓ，
ａｔｒｏｕｓ ｃｏｎｖｏｌｕｔｉｏｎ， ａｎｄ ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ＣＲＦｓ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１７，
４０（ ４）： ８３４ － ８４８ ．
［４５］ ＣＨＥＮ Ｌ Ｃ， ＰＡＰＡＮＤＲＥＯＵ Ｇ， ＳＣＨＲＯＦＦ Ｆ， ｅｔ ａｌ． Ｒｅｔｈｉｎｋｉｎｇ ａｔｒｏｕｓ ｃｏｎｖｏｌｕｔｉｏｎ ｆｏｒ ｓｅｍａｎｔｉｃ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］ ． ａｒＸｉｖ
ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：１７０６． ０５５８７， ２０１７．
［４６］ ＣＨＥＮ Ｌ Ｃ， ＺＨＵ Ｙ， ＰＡＰＡＮＤＲＥＯＵ Ｇ， ｅｔ ａｌ． Ｅｎｃｏｄｅｒ⁃ｄｅｃｏｄｅｒ ｗｉｔｈ ａｔｒｏｕｓ ｓｅｐａｒａｂｌｅ ｃｏｎｖｏｌｕｔｉｏｎ ｆｏｒ ｓｅｍａｎｔｉｃ ｉｍａｇｅ
ｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ （ ＥＣＣＶ）， ２０１８： ８０１ － ８１８．
［４７］ 季顺平，田思琦，张驰．利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测［Ｊ］ ． 武汉大学学报（信息科学
版）， ２０２０， ４５（２）： ２３３ － ２４１．
ＪＩ Ｓｈｕｎｐｉｎｇ， ＴＩＡＮ Ｓｉｑｉ， ＺＨＡＮＧ Ｃｈｉ． Ｕｒｂａｎ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｆｕｌｌｙ ａｔｒｏｕｓ ｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［ Ｊ］ ． Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０２０， ４５（２）： ２３３ － ２４１． （ ｉｎ Ｃｈｉｎｅｓｅ）
［４８］ 宁纪锋，倪静，何 宜 家，等．基于卷 积 注 意 力 的 无 人 机 多 光 谱 遥感影像地膜农田 识 别 ［ Ｊ ］． 农 业 机 械 学 报， ２０２１，
５２（ ９）： ２１３ － ２２０ ．
ＮＩＮＧ Ｊｉｆｅｎｇ， ＮＩ Ｊｉｎｇ， ＨＥ Ｙｉｊｉａ， ｅｔ ａｌ． Ｃｏｎｖｏｌｕｔｉｏｎａｌ ａｔｔｅｎｔｉｏｎ ｂａｓｅｄ ｐｌａｓｔｉｃ ｍｕｌｃｈｉｎｇ ｆａｒｍｌａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｖｉａ ＵＡＶ
ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ［Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２１， ５２（９）： ２１３ －
２２０． （ｉｎ Ｃｈｉｎｅｓｅ）
［４９］ 郭交，李仪邦，董思意，等．融合栈式自编码与 ＣＮＮ 的高光谱影像作物分类方法［ Ｊ］ ． 农业机械学报， ２０２１， ５２（１２） ：
２１ 农 业 机 械 学 报 ２０２２年
２２５ － ２３２．
ＧＵＯ Ｊｉａｏ， ＬＩ Ｙｉｂａｎｇ， ＤＯＮＧ Ｓｉｙｉ， ｅｔ ａｌ． Ｉｎｎｏｖａｔｉｖｅ ｍｅｔｈｏｄ ｏｆ ｃｒｏｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ ｃｏｍｂｉｎｉｎｇ ｓｔａｃｋｅｄ
ａｕｔｏｅｎｃｏｄｅｒ ａｎｄ ＣＮＮ［Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２１， ５２ （ １２） ： ２２５ － ２３２． （ ｉｎ
Ｃｈｉｎｅｓｅ）
［５０］ ＷＵ Ｈ， ＰＲＡＳＡＤ Ｓ． Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７，
９（３） ： ２９８．
［５１］ 林蕾．基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究［ Ｄ］． 北京：中国科学院大学， ２０１８．
ＬＩＮ Ｌｅｉ． Ｓａｔｅｌｌｉｔｅ ｉｍａｇｅ ｔｉｍｅ ｓｅｒｉｅｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ［Ｄ］． Ｂｅｉｊｉｎｇ：
Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， ２０１８． （ ｉｎ Ｃｈｉｎｅｓｅ）
［５２］ 刘文萍，赵磊，周焱，等．基于深度学习的无人机土地覆盖图像分割方法［Ｊ］． 农业机械学报， ２０２０， ５１（２）： ２２１ －２２９．
ＬＩＵ Ｗｅｎｐｉｎｇ， ＺＨＡＯ Ｌｅｉ， ＺＨＯＵ Ｙａｎ， ｅｔ ａｌ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂａｓｅｄ ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｖｅｈｉｃｌｅ ｌａｎｄｃｏｖｅｒ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ
ｍｅｔｈｏｄ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２０， ５１（２）：２２１ －２２９． （ｉｎ Ｃｈｉｎｅｓｅ）
［５３］ ＭＡＧＧＩＯＲＩ Ｅ， ＴＡＲＡＢＡＬＫＡ Ｙ， ＣＨＡＲＰＩＡＴ Ｇ， ｅｔ ａｌ． Ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｃ］∥２０１６ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ （ＩＧＡＲＳＳ）， ２０１６： ５０７１ － ５０７４．
［５４］ ＹＡＮＧ Ｙ， ＮＥＷＳＡＭ Ｓ． Ｂａｇ⁃ｏｆ⁃ｖｉｓｕａｌ⁃ｗｏｒｄｓ ａｎｄ ｓｐａｔｉａｌ ｅｘｔｅｎｓｉｏｎｓ ｆｏｒ ｌａｎｄ⁃ｕｓｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｃ］ ∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １８ｔｈ
ＳＩＧＳＰＡＴＩＡＬ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ． Ｎｅｗ Ｙｏｒｋ， ２０１０： ２７０ － ２７９．
［５５］ ＤＡＩ Ｄ， ＹＡＮＧ Ｗ． Ｓａｔｅｌｌｉｔｅ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖｉａ ｔｗｏ⁃ｌａｙｅｒ ｓｐａｒｓｅ ｃｏｄｉｎｇ ｗｉｔｈ ｂｉａｓｅｄ ｉｍａｇｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ［ Ｊ］． ＩＥＥＥ
Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０１１， ８（１） ： １７３ － １７６．
［５６］ ＺＯＵ Ｑ， ＮＩ Ｌ， ＺＨＡＮＧ Ｔ， ｅｔ ａｌ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂａｓｅｄ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｊ］． ＩＥＥＥ
Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０１５， １２（１１） ： ２３２１ － ２３２５．
［５７］ ＰＥＮＡＴＴＩ Ｏ Ａ Ｂ， ＮＯＧＯＧＵＥＩＲＡ Ｋ， ＤＯＳ Ｓ Ｊ Ａ． Ｄｏ ｄｅｅｐ ｆｅａｔｕｒｅｓ ｇｅｎｅｒａｌｉｚｅ ｆｒｏｍ ｅｖｅｒｙｄａｙ ｏｂｊｅｃｔｓ ｔｏ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｎｄ
ａｅｒｉａｌ ｓｃｅｎｅｓ ｄｏｍａｉｎｓ？ ［ Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋｓｈｏｐｓ，
２０１５： ４４ － ５１．
［５８］ ＢＡＳＵ Ｓ， ＧＡＮＧＵＬＹ Ｓ， ＭＵＫＨＯＰＡＤＨＹＡＹ Ｓ， ｅｔ ａｌ． Ｄｅｅｐｓａｔ： ａ ｌｅａｒｎｉｎｇ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｙ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ
ｔｈｅ ２３ｒｄ Ｓｉｇｓｐａｔｉａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｇｅｏｇｒａｐｈｉｃ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２０１５： １ － １０．
［５９］ ＺＨＡＯ Ｂ， ＺＨＯＮＧ Ｙ， ＸＩＡ Ｇ Ｓ， ｅｔ ａｌ． Ｄｉｒｉｃｈｌｅｔ⁃ｄｅｒｉｖｅｄ ｍｕｌｔｉｐｌｅ ｔｏｐｉｃ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｈｉｇｈ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１５， ５４（４） ： ２１０８ － ２１２３．
［６０］ ＸＩＡ Ｇ Ｓ， ＨＵ Ｊ， ＨＵ Ｆ， ｅｔ ａｌ． ＡＩＤ： ａ ｂｅｎｃｈｍａｒｋ ｄａｔａ ｓｅｔ ｆｏｒ ｐｅｒｆｏｒｍａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ａｅｒｉａｌ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７， ５５（７） ： ３９６５ － ３９８１．
［６１］ ＨＥＬＢＥＲ Ｐ， ＢＩＳＣＨＫＥ Ｂ， ＤＥＮＧＥＬ Ａ， ｅｔ ａｌ． Ｅｕｒｏｓａｔ： ａ ｎｏｖｅｌ ｄａｔａｓｅｔ ａｎｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂｅｎｃｈｍａｒｋ ｆｏｒ ｌａｎｄ ｕｓｅ ａｎｄ ｌａｎｄ
ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓ ｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， １２（７） ：
２２１７ － ２２２６．
［６２］ ＤＥＭＩＲ Ｉ， ＫＯＰＥＲＳＫＩ Ｋ， ＬＩＮＤＥＮＢＡＵＭ Ｄ， ｅｔ ａｌ． Ｄｅｅｐｇｌｏｂｅ ２０１８： ａ ｃｈａｌｌｅｎｇｅ ｔｏ ｐａｒｓｅ ｔｈｅ ｅａｒｔｈ ｔｈｒｏｕｇｈ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ
［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋｓｈｏｐｓ， ２０１８： １７２ － １８１．
［６３］ ＧＯＮＧ Ｐ， ＷＡＮＧ Ｊ， ＹＵ Ｌ， ｅｔ ａｌ． Ｆｉｎｅｒ ｒｅｓｏｌｕｔｉｏｎ ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｇｌｏｂａｌ ｌａｎｄ ｃｏｖｅｒ： ｆｉｒｓｔ ｍａｐｐｉｎｇ ｒｅｓｕｌｔｓ ｗｉｔｈ
Ｌａｎｄｓａｔ ＴＭ ａｎｄ ＥＴＭ ＋ ｄａｔａ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１３， ３４（７） ： ２６０７ －２６５４．
［６４］ ＤＥＢＥＳ Ｃ， ＭＥＲＥＮＴＩＴＩＥＳ Ａ， ＨＥＲＥＮＭＡＮＳ Ｒ， ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ａｎｄ ＬｉＤＡＲ ｄａｔａ ｆｕｓｉｏｎ： ｏｕｔｃｏｍｅ ｏｆ ｔｈｅ ２０１３ ＧＲＳＳ ｄａｔａ
ｆｕｓｉｏｎ ｃｏｎｔｅｓｔ［Ｊ］ ． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓ ｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１４， ７（６） ： ２４０５ －
２４１８．
［６５］ ＧＩＣ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｓｃｅｎｅｓ ［ ＥＢ／ ＯＬ ］ ． ［ ２０２２ ０１ ２５］ ． ｈｔｔｐ： ∥ ｗｗｗ． ｅｈｕ． ｅｕｓ／ ｃｃｗｉｎｔｃｏ ／ ｉｎｄｅｘ． ｐｈｐ／
Ｈｙｐｅｒｓｐｅｃｔｒａｌ＿Ｒｅｍｏｔｅ＿Ｓｅｎｓｉｎｇ＿Ｓｃｅｎｅｓ．
［６６］ ＢＡＵＭＧＡＲＤＮＥＲ Ｍ Ｆ， ＢＩＥＨＬ Ｌ Ｌ， ＬＡＮＤＧＲＥＢＥ Ｄ Ａ． ２２０ ｂａｎｄ ａｖｉｒｉｓ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｄａｔａ ｓｅｔ： Ｊｕｎｅ １２， １９９２ Ｉｎｄｉａｎ
ｐｉｎｅ ｔｅｓｔ ｓｉｔｅ ３［ＥＢ ／ ＯＬ］． ［２０２２ ０１ ２５］ ． ｈｔｔｐｓ：∥ｐｕｒｒ． ｐａｒｄｕｅ． ｅｄｕ ／ ｐｕｂｌｉｃａｔｉｏｎｓ／ １９４７ ／ ａｂｏｕｔ？ ｖ ＝ ｌ．
［６７］ ＴＯＮＧ Ｘ Ｙ， ＸＩＡ Ｇ Ｓ， ＬＵ Ｑ， ｅｔ ａｌ． Ｌａｎｄ⁃ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｕｓｉｎｇ ｔｒａｎｓｆｅｒａｂｌｅ
ｄｅｅｐ ｍｏｄｅｌｓ［ Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０２０， ２３７： １１１３２２．
［６８］ 岑奕，张立福，张霞，等．雄安新区马蹄湾村航空高光谱遥感影像分类数据集［Ｊ］ ． 遥 感学报， ２０２０， ２４（１１）： １２９９ －
１３０６．
ＣＥＮ Ｙｉ， ＺＨＡＮＧ Ｌｉｆｕ， ＺＨＡＮＧ Ｘｉａ， ｅｔ ａｌ． Ａｅｒｉａｌ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｄａｔａｓｅｔ ｏｆ Ｘｉｏｎｇａｎ Ｎｅｗ Ａｒｅａ
（Ｍａｔｉｗａｎ Ｖｉｌｌａｇｅ） ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， ２４（１１） ： １２９９ － １３０６． （ ｉｎ Ｃｈｉｎｅｓｅ）
［６９］ ＲＥＺＡＥＥ Ｍ， ＭＡＨＤＩＡＮＰＡＲＩ Ｍ， ＺＨＡＮＧ Ｙ， ｅｔ ａｌ． Ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｃｏｍｐｌｅｘ ｗｅｔｌａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
ｕｓｉｎｇ ｏｐｔｉｃａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［Ｊ］ ． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ Ｔｏｐｉｃｓ ｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，
２０１８， １１（９） ： ３０３０ － ３０３９．
［７０］ ＫＵＳＳＵＬ Ｎ， ＬＡＶＲＥＮＩＵＫ Ｍ， ＳＫＡＫＵＮ Ｓ， ｅｔ ａｌ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｌａｎｄ ｃｏｖｅｒ ａｎｄ ｃｒｏｐ ｔｙｐｅｓ ｕｓｉｎｇ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｄａｔａ［ Ｊ］ ． ＩＥＥＥ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０１７， １４（５）： ７７８ － ７８２．
［７１］ ＡＬＳＨＥＨＨＩ Ｒ， ＭＡＲＰＵ Ｐ Ｒ， ＷＯＯＮ Ｗ Ｌ， ｅｔ ａｌ． Ｓｉｍｕｌｔａｎｅｏｕｓ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｒｏａｄｓ ａｎｄ ｂｕｉｌｄｉｎｇｓ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ
ｗｉｔｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７， １３０： １３９ － １４９．
［７２］ ＮＩＵ Ｚ， ＬＩＵ Ｗ， ＺＨＡＯ Ｊ， ｅｔ ａｌ． ＤｅｅｐＬａｂ⁃ｂａｓｅｄ ｓｐａｔｉａｌ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｊ］ ． ＩＥＥＥ
Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０１８， １６（２）： ２５１ － ２５５．
［７３］ 陈敏，潘佳威，李江杰，等．结合 ＶＧＧＮｅｔ 与Ｍａｓｋ Ｒ ＣＮＮ 的高分辨率遥感影像建设用地检测［ Ｊ］． 遥感技术与应用，
２０２１， ３６（２） ： ２５６ － ２６４．
ＣＨＥＮ Ｍｉｎ， ＰＡＮ Ｊｉａｗｅｉ， ＬＩ Ｊｉａｎｇｊｉｅ， ｅｔ ａｌ． Ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｌａｎｄ ｄｅｔｅｃｔｉｏｎ ｃｏｍｂｉｎｅｄ ｗｉｔｈ
ＶＧＧＮｅｔ ａｎｄ Ｍａｓｋ Ｒ ＣＮＮ［ Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ， ２０２１， ３６（２）： ２５６ － ２６４． （ｉｎ Ｃｈｉｎｅｓｅ）
［７４］ 吴海平，黄世存．基于深度学习的新增建设用地信息提取试验研究—全国土地利用遥感监测工程创新探索［Ｊ］． 国土
３１
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
资源遥感， ２０１９， ３１（４） ： １５９ － １６６．
ＷＵ Ｈａｉｐｉｎｇ， ＨＵＡＮＧ Ｓｈｉｃｕｎ． Ｒｅｓｅａｒｃｈ ｏｎ ｎｅｗ ｃｏｎｓｔｒｕｃｔｉｏｎ ｌａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ： ｉｎｎｏｖａｔｉｏｎ
ｅｘｐｌｏｒａｔｉｏｎ ｏｆ ｔｈｅ ｎａｔｉｏｎａｌ ｐｒｏｊｅｃｔ ｏｆ ｌａｎｄ ｕｓｅ ｍｏｎｉｔｏｒｉｎｇ ｖｉａ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏｒ Ｌａｎｄ ＆ Ｒｅｓｏｕｒｃｅｓ， ２０１９，
３１（ ４）： １５９ － １６６ ． （ ｉｎ Ｃｈｉｎｅｓｅ）
［７５］ 田琳静，宋文龙，卢奕竹，等．基于深度学习的农业区土地利用无人机监测分类［Ｊ］． 中国水利水电科学研究院学报，
２０１９， １７（４） ： ３１２ － ３２０．
ＴＩＡＮ Ｌｉｎｊｉｎｇ， ＳＯＮＧ Ｗｅｎｌｏｎｇ， ＬＵ Ｙｉｚｈｕ， ｅｔ ａｌ． Ｒａｐｉｄ ｍｏｎｉｔｏｒｉｎｇ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｌａｎｄ ｕｓｅ ｉｎ ａｇｒｉｃｕｌｔｕｒａｌ ａｒｅａｓ ｂｙ ＵＡＶ
ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ［Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎａ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｗａｔｅｒ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｈｙｄｒｏｐｏｗｅｒ Ｒｅｓｅａｒｃｈ， ２０１９， １７（４） ：
３１２ － ３２０． （ ｉｎ Ｃｈｉｎｅｓｅ）
［７６］ 汪传建，赵庆展，马永建，等．基于卷积神经网络的无人机遥感农作物分类［Ｊ］． 农业机械学报， ２０１９， ５０（１１）： １６１ －１６８．
ＷＡＮＧ Ｃｈｕａｎｊｉａｎ， ＺＨＡＯ Ｑｉｎｇｚｈａｎ， ＭＡ Ｙｏｎｇｊｉａｎ， ｅｔ ａｌ． Ｃｒｏｐ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｄｒｏｎｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１９， ５０（１１）： １６１ －１６８． （ｉｎ Ｃｈｉｎｅｓｅ）
［７７］ ＨＵＡＮＧ Ｂ， ＺＨＡＯ Ｂ， ＳＯＮＧ Ｙ． Ｕｒｂａｎ ｌａｎｄ⁃ｕｓｅ ｍａｐｐｉｎｇ ｕｓｉｎｇ ａ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｉｔｈ ｈｉｇｈ ｓｐａｔｉａｌ
ｒｅｓｏｌｕｔｉｏｎ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［ Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１８， ２１４： ７３ － ８６．
［７８］ ＸＵ Ｘ， ＬＩ Ｗ， ＲＡＮ Ｑ， ｅｔ ａｌ． Ｍｕｌｔｉｓｏｕｒｃｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７， ５６（２） ： ９３７ － ９４９．
［７９］ 刘帅，张旭含，李笑迎，等．基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类［ Ｊ］ ． 农业 工 程学报，
２０２０， ３６（ １４） ： ２５２ － ２６２．
ＬＩＵ Ｓｈｕａｉ， ＺＨＡＮＧ Ｘｕｈａｎ， ＬＩ Ｘｉａｏｙｉｎｇ， ｅｔ ａｌ． Ｃｏｏｐｅｒａｔｉｖｅ ｌａｎｄ ｕｓｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ａｎｄ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｉｍａｇｅｒｙ
ｂａｓｅｄ ｏｎ ｄｕａｌ ｂｒａｎｃｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ ＣＳＡＥ， ２０２０， ３６（１４）： ２５２ － ２６２． （ ｉｎ Ｃｈｉｎｅｓｅ）
［８０］ ＦＥＮＧ Ｑ， ＺＨＵ Ｄ， ＹＡＮＧ Ｊ， ｅｔ ａｌ． Ｍｕｌｔｉｓｏｕｒｃｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ａｎｄ ＬｉＤＡＲ ｄａｔａ ｆｕｓｉｏｎ ｆｏｒ ｕｒｂａｎ ｌａｎｄ⁃ｕｓｅ ｍａｐｐｉｎｇ ｂａｓｅｄ ｏｎ ａ
ｍｏｄｉｆｉｅｄ ｔｗｏ⁃ｂｒａｎｃｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． ＩＳＰＲＳ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ， ２０１９， ８（１） ： ２８．
［８１］ ＦＥＮＧ Ｑ， ＹＡＮＧ Ｊ， ＺＨＵ Ｄ， ｅｔ ａｌ． Ｉｎｔｅｇｒａｔｉｎｇ ｍｕｌｔｉｔｅｍｐｏｒａｌ Ｓｅｎｔｉｎｅｌ １ ／ ２ ｄａｔａ ｆｏｒ ｃｏａｓｔａｌ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ａ
ｍｕｌｔｉｂｒａｎｃｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ： ａ ｃａｓｅ ｏｆ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ Ｄｅｌｔａ［ Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， １１（９） ： １００６．
［８２］ 冯权泷，牛博文，朱德海，等．基于多核主动学习和多源数据融合的农田塑料覆被分类［Ｊ］． 农业机 械学报，２０２２，５３（２） ：
１７７ － １８５．
ＦＥＮＧ Ｑｕａｎｌｏｎｇ，ＮＩＵ Ｂｏｗｅｎ，ＺＨＵ Ｄｅｈａｉ，ｅｔ ａｌ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｐｌａｓｔｉｃ ｃｏｖｅｒ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｋｅｒｎｅｌ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ
ａｎｄ ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｄａｔａ ｆｕｓｉｏｎ［Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ，２０２２，５３（２） ：１７７ － １８５． （ｉｎ
Ｃｈｉｎｅｓｅ）
［８３］ 冯权泷，陈泊安，牛博文，等．基于多尺度扩张卷积神经网络的城中村遥感识别［ Ｊ］ ． 农业机械学报， ２０２１， ５２（１１） ：
１８１ － １８９．
ＦＥＮＧ Ｑｕａｎｌｏｎｇ， ＣＨＥＮ Ｂｏａｎ， ＮＩＵ Ｂｏｗｅｎ， ｅｔ ａｌ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｕｒｂａｎ ｖｉｌｌａｇｅｓ ｆｒｏｍ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃
ｓｃａｌｅ ｄｉｌａｔｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２１， ５２（１１）：
１８１ － １８９． （ ｉｎ Ｃｈｉｎｅｓｅ）
［８４］ 张立福，王飒，刘华亮，等．从光 谱 到 时谱—遥感时间序 列 变化检测研 究 进展［ Ｊ ］． 武汉 大 学 学报（信息科 学 版），
２０２１， ４６（４） ： ４５１ － ４６８．
ＺＨＡＮＧ Ｌｉｆｕ， ＷＡＮＧ Ｓａ， ＬＩＵ Ｈｕａｌｉａｎｇ， ｅｔ ａｌ． Ｆｒｏｍ ｓｐｅｃｔｒｕｍ ｔｏ ｓｐｅｃｔｒｏｔｅｍｐｏｒａｌ： ｒｅｓｅａｒｃｈ ｏｎ ｔｉｍｅ ｓｅｒｉｅｓ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｏｆ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［ Ｊ］ ． Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ， ２０２１， ４６（４）： ４５１ － ４６８． （ ｉｎ Ｃｈｉｎｅｓｅ）
［８５］ ＭＯＵ Ｌ， ＧＨＡＭＩＳＩ Ｐ， ＺＨＵ Ｘ Ｘ． Ｄｅｅｐ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］ ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ
ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７， ５５（７） ： ３６３９ － ３６５５．
［８６］ ＨＡＮＧ Ｒ， ＬＩＵ Ｑ， ＨＯＮＧ Ｄ， ｅｔ ａｌ． Ｃａｓｃａｄｅｄ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｊ］ ． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， ５７（８） ： ５３８４ － ５３９４．
［８７］ ＭＡ Ａ， ＦＩＬＩＰＰＩ Ａ Ｍ， ＷＡＮＧ Ｚ， ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅｍｅｎｔｓ⁃ｂａｓｅｄ ｄｅｅｐ ｒｅｃｕｒｒｅｎｔ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， １１（２）： １９４．
［８８］ ＲＵΒＷＵＲＭ Ｍ， ＫÖＲＮＥＲ Ｍ． Ｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｓｅｑｕｅｎｔｉａｌ ｒｅｃｕｒｒｅｎｔ ｅｎｃｏｄｅｒｓ ［ Ｊ ］． ＩＳＰＲＳ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ， ２０１８， ７（４） ： １２９．
［８９］ ＮＤＩＫＵＭＡＮＡ Ｅ， ＨＯ Ｔ， ＢＡＧＨＤＡＤＩ Ｎ， ｅｔ ａｌ． Ｄｅｅｐ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ａｇｒｉｃｕｌｔｕｒａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ
ｍｕｌｔｉｔｅｍｐｏｒａｌ ＳＡＲ Ｓｅｎｔｉｎｅｌ １ ｆｏｒ Ｃａｍａｒｇｕｅ， Ｆｒａｎｃｅ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１８， １０（８） ： １２１７．
［９０］ ＺＨＯＮＧ Ｌ， ＨＵ Ｌ， ＺＨＯＵ Ｈ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂａｓｅｄ ｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌ ｃｒｏｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２０１９， ２２１： ４３０ － ４４３．
［９１］ 解毅，张永清，荀兰，等．基于多源遥感数据融合和 ＬＳＴＭ 算法的作物分类研究［ Ｊ］． 农业工程学 报， ２０１９， ３５（ １５）：
１２９ － １３７．
ＸＩＥ Ｙｉ， ＺＨＡＮＧ Ｙｏｎｇｑｉｎｇ， ＸＵＮ Ｌａｎ， ｅｔ ａｌ． Ｃｒｏｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｓｏｕｒｃｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｆｕｓｉｏｎ ａｎｄ ＬＳＴＭ
ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ ＣＳＡＥ， ２０１９， ３５（１５） ： １２９ － １３７． （ｉｎ Ｃｈｉｎｅｓｅ）
［９２］ 赵红伟，陈仲新，刘佳．深度学习方法在作物遥感分类中的应用和挑战［Ｊ］． 中国 农业资源 与 区 划， ２０２０， ４１（２） ：
３５ － ４９．
ＺＨＡＯ Ｈｏｎｇｗｅｉ， ＣＨＥＮ Ｚｈｏｎｇｘｉｎ， ＬＩＵ Ｊｉａ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｏｒ ｃｒｏｐ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ： ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ
ｃｈａｌｌｅｎｇｅｓ［Ｊ］． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｒｅｇｉｏｎａｌ Ｐｌａｎｎｉｎｇ， ２０２０， ４１（２） ： ３５ －４９． （ ｉｎ Ｃｈｉｎｅｓｅ）
［９３］ ＭＥＩ Ｘ， ＰＡＮ Ｅ， ＭＡ Ｙ， ｅｔ ａｌ． Ｓｐｅｃｔｒａｌ⁃ｓｐａｔｉａｌ ａｔｔｅｎｔｉｏｎ ｎｅｔｗｏｒｋｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，
２０１９， １１（８） ： ９６３．
［９４］ ＭＯＵ Ｌ， ＢＲＵＺＺＯＮＥ Ｌ， ＺＨＵ Ｘ Ｘ． Ｌｅａｒｎｉｎｇ ｓｐｅｃｔｒａｌ⁃ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ｆｅａｔｕｒｅｓ ｖｉａ ａ ｒｅｃｕｒｒｅｎｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ
ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｉｍａｇｅｒｙ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， ５７： ９２４ － ９３５．
［９５］ ＬＩＵ Ｑ， ＺＨＯＵ Ｆ， ＨＡＮＧ Ｒ， ｅｔ ａｌ． Ｂｉｄｉｒｅｃｔｉｏｎａｌ⁃ｃｏｎｖｏｌｕｔｉｏｎａｌ ＬＳＴＭ ｂａｓｅｄ ｓｐｅｃｔｒａｌ⁃ｓｐａｔｉａｌ ｆｅａｔｕｒｅ ｌｅａｒｎｉｎｇ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ
４１ 农 业 机 械 学 报 ２０２２年
ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７， ９（１２）： １３３０．
［９６］ ＷＵ Ｈ， ＰＲＡＳＡＤ Ｓ． Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１７，
９（３） ：２９８．
［９７］ 张鹏强，刘冰，左溪冰，等．利用深度卷积循环神经网络的高光谱影像空谱特征分类方法［ Ｊ］． 测绘科学技术学报，
２０２１， ３８（４） ： ３６８ － ３７３．
ＺＨＡＮＧ Ｐｅｎｇｑｉａｎｇ， ＬＩＵ Ｂｉｎｇ， ＺＵＯ Ｘｉｂｉｎｇ， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｓｐｅｃｔｒａｌ ｆｅａｔｕｒｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ ｕｓｉｎｇ ｄｅｅｐ
ｃｏｎｖｏｌｕｔｉｏｎ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｍａｔｉｃｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０２１， ３８ （ ４ ）： ３６８ － ３７３． （ ｉｎ
Ｃｈｉｎｅｓｅ）
［９８］ 马欣悦，王梨名，祁昆仑，等．基于多尺度循环注意力网络的遥感影像场景分类方法［ Ｊ］． 地球科学， ２０２１， ４６（１０） ：
３７４０ － ３７５２．
ＭＡ Ｘｉｎｙｕｅ， ＷＡＮＧ Ｌｉｍｉｎｇ， ＱＩ Ｋｕｎｌｕｎ， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｓｃａｌｅ ｃｙｃｌｉｃ
ａｔｔｅｎｔｉｏｎ ｎｅｔｗｏｒｋ［ Ｊ］． Ｅａｒｔｈ Ｓｃｉｅｎｃｅ， ２０２１， ４６（１０）： ３７４０ －３７５２． （ｉｎ Ｃｈｉｎｅｓｅ）
［９９］ ＦＥＮＧ Ｑ， ＹＡＮＧ Ｊ， ＬＩＵ Ｙ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌ ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｖｅｈｉｃｌｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｆｏｒ ｖｅｇｅｔａｂｌｅ ｍａｐｐｉｎｇ ｕｓｉｎｇ ａｎ
ａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄ ｒｅｃｕｒｒｅｎｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， １２（１０）： １６６８．
［１００］ 张宏鸣，王斌，韩 文 霆，等．基于全卷积神 经 网 络 的 灌 区 无 人 机正射影像渠系 提 取 ［ Ｊ ］ ． 农 业 机 械 学 报， ２０１９，
５０（ ６）： ２４１ － ２４８ ．
ＺＨＡＮＧ Ｈｏｎｇｍｉｎｇ， ＷＡＮＧ Ｂｉｎ， ＨＡＮ Ｗｅｎｔｉｎｇ， ｅｔ ａｌ． Ｅｘｔｒａｃｔｉｏｎ ｏｆ ｉｒｒｉｇａｔｉｏｎ ｎｅｔｗｏｒｋｓ ｉｎ ｉｒｒｉｇａｔｉｏｎ ａｒｅａ ｏｆ ＵＡＶ ｏｒｔｈｏｐｈｏｔｏｓ
ｂａｓｅｄ ｏｎ ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋｓ［ Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１９， ５０（６）：
２４１ － ２４８． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１０１］ 杨亚男，张宏鸣，李杭昊，等．结合 ＦＣＮ 和ＤｅｎｓｅＣＲＦ 模型 的 无人机梯 田 识 别方法研究 ［ Ｊ］ ． 计 算 机工程与应 用，
２０２１， ５７（３） ： ２２２ － ２３０．
ＹＡＮＧ Ｙａ'ｎａｎ， ＺＨＡＮＧ Ｈｏｎｇｍｉｎｇ， ＬＩ Ｈａｎｇｈａｏ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ＵＡＶ ｔｅｒｒａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＦＣＮ ａｎｄ
ＤｅｎｓｅＣＲＦ ｍｏｄｅｌ［Ｊ］ ． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０２１， ５７（３） ： ２２２ － ２３０． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１０２］ 孙钰，韩京冶，陈志泊，等．基于深度学习的大棚及地膜农田无人机航拍监测方法［Ｊ］． 农业机械学报， ２０１８， ４９（２） ：
１３３ － １４０．
ＳＵＮ Ｙｕ， ＨＡＮ Ｊｉｎｇｙｅ， ＣＨＥＮ Ｚｈｉｂｏ， ｅｔ ａｌ． Ｍｏｎｉｔｏｒｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ＵＡＶ ｉｍａｇｅ ｏｆ ｇｒｅｅｎｈｏｕｓｅ ａｎｄ ｐｌａｓｔｉｃ⁃ｍｕｌｃｈｅｄ ｌａｎｄｃｏｖｅｒ
ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ［ Ｊ］． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０１８， ４９ （２）： １３３ － １４０． （ｉｎ
Ｃｈｉｎｅｓｅ）
［１０３］ ＳＨＲＥＳＴＨＡ Ｓ， ＶＡＮＮＥＳＣＨＩ Ｌ． Ｉｍｐｒｏｖｅｄ ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋ ｗｉｔｈ ｃｏｎｄｉｔｉｏｎａｌ ｒａｎｄｏｍ ｆｉｅｌｄｓ ｆｏｒ ｂｕｉｌｄｉｎｇ ｅｘｔｒａｃｔｉｏｎ
［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１８， １０（７） ： １１３５．
［１０４］ ＭＡＲＭＡＮＩＳ Ｄ， ＳＣＨＩＮＤＬＥＲ Ｋ， ＷＥＧＮＥＲ Ｊ Ｄ， ｅｔ ａｌ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ａｎ ｅｄｇｅ： ｉｍｐｒｏｖｉｎｇ ｓｅｍａｎｔｉｃ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ
ｗｉｔｈ ｂｏｕｎｄａｒｙ ｄｅｔｅｃｔｉｏｎ［Ｊ］ ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１８， １３５： １５８ － １７２．
［１０５］ ＭＯＨＡＭＭＡＤＩＭＡＮＥＳＨ Ｆ， ＳＡＬＥＨＩ Ｂ， ＭＡＨＤＩＡＮＰＡＲＩ Ｍ， ｅｔ ａｌ． Ａ ｎｅｗ ｆｕｌｌｙ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｓｅｍａｎｔｉｃ
ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ ｉｍａｇｅｒｙ ｉｎ ｃｏｍｐｌｅｘ ｌａｎｄ ｃｏｖｅｒ ｅｃｏｓｙｓｔｅｍ［Ｊ］ ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， ２０１９， １５１： ２２３ － ２３６．
［１０６］ ＤＩＡＫＯＧＩＡＮＮＩＳ Ｆ Ｉ， ＷＡＬＤＮＥＲ Ｆ， ＣＡＣＣＥＴＴＡ Ｐ， ｅｔ ａｌ． ＲｅｓＵＮｅｔ ａ： ａ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｓｅｍａｎｔｉｃ
ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ ｄａｔａ［Ｊ］． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， １６２： ９４ － １１４．
［１０７］ ＹＥ Ｚ， ＦＵ Ｙ， ＧＡＮ Ｍ， ｅｔ ａｌ． Ｂｕｉｌｄｉｎｇ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｖｅｒｙ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ａｅｒｉａｌ ｉｍａｇｅｒｙ ｕｓｉｎｇ ｊｏｉｎｔ ａｔｔｅｎｔｉｏｎ ｄｅｅｐ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， １１（２４） ： ２９７０．
［１０８］ 何直蒙，丁海勇，安炳琪．高分辨率遥感影像建筑物提取的空洞卷积 Ｅ Ｕｎｅｔ 算法 ［ Ｊ／ ＯＬ］． 测 绘学报［２０２２ ０１
２２］ ． ｈｔｔｐｓ：∥ｋｎｓ． ｃｎｋｉ． ｎｅｔ／ ｋｃｍｓ／ ｄｅｔａｉｌ／ １１． ２０８９． Ｐ． ２０２１１２１５． １１３６． ０１２． ｈｔｍｌ．
ＨＥ Ｚｈｉｍｅｎｇ， ＤＩＮＧ Ｈａｉｙｏｎｇ， ＡＮ Ｂｉｎｇｑｉ． Ｅ Ｕｎｅｔ： ａａｔｒｏｕｓ ｃｏｎｖｏｌｕｔｉｏｎ⁃ｂａｓｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｂｕｉｌｄｉｎｇ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ
ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ ／ ＯＬ］． Ａｃｔａ Ｇｅｏｄａｅｔｉｃａｅｔ Ｃａｒｔｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ［２０２２ ０１ ２２］． ｈｔｔｐｓ：∥ｋｎｓ． ｃｎｋｉ．
ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ／ １１． ２０８９． Ｐ． ２０２１１２１５． １１３６． ０１２． ｈｔｍｌ． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１０９］ ＣＡＯ Ｋ， ＺＨＡＮＧ Ｘ． Ａｎ ｉｍｐｒｏｖｅｄ ｒｅｓ⁃ｕｎｅｔ ｍｏｄｅｌ ｆｏｒ ｔｒｅｅ ｓｐｅｃｉｅｓ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ａｉｒｂｏｒｎｅ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅｓ［ Ｊ］ ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， １２（７）： １１２８．
［１１０］ 李星华，白学辰，李正军，等．面向高分影像建筑物提取的多层次特征融合网［Ｊ ／ ＯＬ］． 武汉大学学报（信息科学版）
［２０２２ ０１ ２１］ ． ｈｔｔｐｓ：∥ｋｎｓ． ｃｎｋｉ． ｎｅｔ ／ ｋｃｍｓ ／ ｄｅｔａｉｌ ／４２． １６７６． ＴＮ． ２０２２０１１４． １３２１． ００１． ｈｔｍｌ．
ＬＩ Ｘｉｎｇｈｕａ， ＢＡＩ Ｘｕｅｃｈｅｎ， ＬＩ Ｚｈｅｎｇｊｕｎ， ｅｔ ａｌ． Ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｉｍａｇｅ ｂｕｉｌｄｉｎｇ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ⁃ｌｅｖｅｌ ｆｅａｔｕｒｅ ｆｕｓｉｏｎ
ｎｅｔｗｏｒｋ［Ｊ／ ＯＬ］． Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ［２０２２ ０１ ２１］ ． ｈｔｔｐｓ：∥ｋｎｓ． ｃｎｋｉ． ｎｅｔ ／ ｋｃｍｓ／
ｄｅｔａｉｌ ／４２． １６７６． ＴＮ． ２０２２０１１４． １３２１． ００１． ｈｔｍｌ． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１１１］ ＺＨＡＮＧ Ｐ， ＫＥ Ｙ， ＺＨＡＮＧ Ｚ， ｅｔ ａｌ． Ｕｒｂａｎ ｌａｎｄ ｕｓｅ ａｎｄ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｎｏｖｅｌ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｍｏｄｅｌｓ ｂａｓｅｄ ｏｎ
ｈｉｇｈ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｒｙ［ Ｊ］． Ｓｅｎｓｏｒｓ， ２０１８， １８（１１）： ３７１７．
［１１２］ ＹＡＮ Ｓ， ＸＵ Ｌ， ＹＵ Ｇ， ｅｔ ａｌ． Ｇｌａｃｉｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｒｏｍ Ｓｅｎｔｉｎｅｌ ２ ｉｍａｇｅｒｙ ｕｓｉｎｇ ｓｐａｔｉａｌ⁃ｓｐｅｃｔｒａｌ ａｔｔｅｎｔｉｏｎ ｃｏｎｖｏｌｕｔｉｏｎａｌ
ｍｏｄｅｌ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ， ２０２１， １０２： １０２４４５．
［１１３］ ＺＨＥＮＧ Ｚ， ＷＡＮ Ｙ， ＺＨＡＮＧ Ｙ， ｅｔ ａｌ． ＣＬＮｅｔ： ｃｒｏｓｓ⁃ｌａｙｅｒ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｏｐｔｉｃａｌ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［ Ｊ］． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２１， １７５： ２４７ － ２６７．
［１１４］ ＬＩＮ Ｙ， ＸＵ Ｄ， ＷＡＮＧ Ｎ， ｅｔ ａｌ． Ｒｏａｄ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｖｅｒｙ⁃ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｖｉａ ａ ｎｅｓｔｅｄ ＳＥ Ｄｅｅｐｌａｂ
ｍｏｄｅｌ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， １２（１８） ： ２９８５．
［１１５］ 吴永静，吴锦超，林超，等．基于深度学习的高分辨率遥感影像光伏用地提取［Ｊ］． 测绘通报， ２０２１（ ５） ： ９６ － １０１ ．
ＷＵ Ｙｏｎｇｊｉｎｇ， ＷＵ Ｊｉｎｃｈａｏ， ＬＩＮ Ｃｈａｏ， ｅｔ ａｌ． Ｐｈｏｔｏｖｏｌｔａｉｃ ｌａｎｄ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｂａｓｅｄ
ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ［Ｊ］ ． Ｂｕｌｌｅｔｉｎ ｏｆ Ｓｕｒｖｅｙｉｎｇ ａｎｄ Ｍａｐｐｉｎｇ， ２０２１（５）： ９６ － １０１． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１１６］ 侯博文，闫冬梅，郝伟，等．改进卷积网络的高分遥感图像城镇建成区提取［Ｊ］． 中国图象图形学报， ２０２０， ２５（１２）：
５１
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
２６７７ － ２６８９．
ＨＯＵ Ｂｏｗｅｎ， ＹＡＮ Ｄｏｎｇｍｅｉ， ＨＡＯ Ｗｅｉ， ｅｔ ａｌ． Ｕｒｂａｎ ｂｕｉｌｔ⁃ｕｐ ａｒｅａ ｅｘｔｒａｃｔｉｏｎ ｕｓｉｎｇ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ
ｗｉｔｈ ａｎ ｉｍｐｒｏｖｅｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ， ２０２０， ２５ （１２）： ２６７７ － ２６８９． （ ｉｎ
Ｃｈｉｎｅｓｅ）
［１１７］ ＷＡＮＧ Ｙ， ＧＡＯ Ｌ， ＨＯＮＧ Ｄ， ｅｔ ａｌ． Ｍａｓｋ ＤｅｅｐＬａｂ： ｅｎｄ⁃ｔｏ⁃ｅｎｄ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｆｏｒ ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ｉｎ ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ， ２０２１， １０４： １０２５８２．
［１１８］ ＦＵ Ｈ， ＦＵ Ｂ， ＳＨＩ Ｐ． Ａｎ ｉｍｐｒｏｖｅｄ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ａｕｔｏｍａｔｉｃ ｍａｐｐｉｎｇ ｏｆ ｃｏｎｅ ｋａｒｓｔ ｆｒｏｍ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｂａｓｅｄ
ｏｎ ＤｅｅｐＬａｂ Ｖ３ ＋ ｍｏｄｅｌ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２１， １３（３） ： ４４１．
［１１９］ ＳＩ Ｙ， ＧＯＮＧ Ｄ， ＧＵＯ Ｙ， ｅｔ ａｌ． Ａｎ ａｄｖａｎｃｅｄ ｓｐｅｃｔｒａｌ⁃ｓｐａｔｉａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｒｙ ｂａｓｅｄ ｏｎ
ＤｅｅｐＬａｂ ｖ３ ＋ ［Ｊ］ ． Ａｐｐｌｉｅｄ Ｓｃｉｅｎｃｅｓ， ２０２１， １１（１２） ： ５７０３．
［１２０］ ＭＡＣＫＡＹ Ｄ Ｊ Ｃ． Ｉｎｆｏｒｍａｔｉｏｎ⁃ｂａｓｅｄ ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎｓ ｆｏｒ ａｃｔｉｖｅ ｄａｔａ ｓｅｌｅｃｔｉｏｎ［Ｊ］． Ｎｅｕｒａｌ Ｃｏｍｐｕｔａｔｉｏｎ， １９９２， ４（４）： ５９０ －６０４．
［１２１］ ＳＥＴＴＬＥＳ Ｂ． Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｌｉｔｅｒａｔｕｒｅ ｓｕｒｖｅｙ［ Ｒ］． Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｗｉｓｃｏｎｓｉｎ⁃Ｍａｄｉｓｏｎ， Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅｓ，
２００９．
［１２２］ 刘康，钱旭，王自强．主动学习算法综述［ Ｊ］ ． 计算机工程与应用， ２０１２， ４８（３４） ： １ － ４．
ＬＩＵ Ｋａｎｇ， ＱＩＡＮ Ｘｕ， ＷＡＮＧ Ｚｉｑｉａｎｇ． Ｓｕｒｖｅｙ ｏｎ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ［ Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，
２０１２， ４８（３４） ： １ － ４． （ｉｎ Ｃｈｉｎｅｓｅ）
［１２３］ ＳＥＵＮＧ Ｈ Ｓ， ＯＰＰＥＲ Ｍ， ＳＯＭＰＯＬＩＮＳＫＹ Ｈ． Ｑｕｅｒｙ ｂｙ ｃｏｍｍｉｔｔｅｅ［ Ｃ］ ∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｉｆｔｈ Ａｎｎｕａｌ Ｗｏｒｋｓｈｏｐ ｏｎ
Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｅａｒｎｉｎｇ Ｔｈｅｏｒｙ， １９９２： ２８７ － ２９４．
［１２４］ ＲＡＪＡＮ Ｓ， ＧＨＯＳＨ Ｊ， ＣＲＡＷＦＯＲＤ Ｍ Ｍ． Ａｎ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ａｐｐｒｏａｃｈ ｔｏ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ Ｊ ］ ． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００８， ４６（４） ： １２３１ － １２４２．
［１２５］ ＺＨＡＮＧ Ｌ， ＣＨＥＮ Ｃ， ＢＵ Ｊ， ｅｔ ａｌ． Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｂａｓｅｄ ｏｎ ｌｏｃａｌｌｙ ｌｉｎｅａｒ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ
Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０１１， ３３（１０）： ２０２６ － ２０３８．
［１２６］ ＭＣＣＡＬＬＵＭＺＹ Ａ Ｋ， ＮＩＧＡＭＹ Ｋ． Ｅｍｐｌｏｙｉｎｇ ＥＭ ａｎｄ ｐｏｏｌ⁃ｂａｓｅｄ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｆｏｒ ｔｅｘｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ Ｃ ］ ∥ Ｐｒｏｃ．
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ （ＩＣＭＬ） ． Ｃｉｔｅｓｅｅｒ， １９９８： ３５９ － ３６７．
［１２７］ 王成军，毛政元，徐伟铭，等．超像素与主动学习相结 合的遥感影像变 化检测方法 ［ Ｊ］． 地球信息科学学报， ２０１８，
２０（ ２）： ２３５ － ２４５ ．
ＷＡＮＧ Ｃｈｅｎｇｊｕｎ， ＭＡＯ Ｚｈｅｎｇｙｕａｎ， ＸＵ Ｗｅｉｍｉｎｇ， ｅｔ ａｌ． Ｃｈａｎｇｅ ｄｅｔｅｃｔｉｏｎ ａｐｐｒｏａｃｈ ｆｏｒ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｒｅｍｏｔｅｌｙ ｓｅｎｓｅｄ
ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｓｕｐｅｒｐｉｘｅｌ ａｎｄ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ， ２０１８， ２０ （２）： ２３５ － ２４５． （ ｉｎ
Ｃｈｉｎｅｓｅ）
［１２８］ 邓鸿儒，徐佳，单文龙，等．利用 主动深度学 习提取极化 ＳＡＲ 影像建筑区［ Ｊ］． 测绘科学技 术学报， ２０１８， ３５（３）：
２７８ － ２８４．
ＤＥＮＧ Ｈｏｎｇｒｕ， ＸＵ Ｊｉａ， ＳＨＡＮ Ｗｅｎｌｏｎｇ， ｅｔ ａｌ． Ｐｏｌａｒｉｚｅｄ ＳＡＲ ｉｍａｇｅ ｂｕｉｌｄｉｎｇ ａｒｅａ ｅｘｔｒａｃｔｉｏｎ ｕｓｉｎｇ ａｃｔｉｖｅ ｄｅｅｐ ｌｅａｒｎｉｎｇ［Ｊ］ ．
Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｍａｔｉｃｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１８， ３５（３）： ２７８ － ２８４． （ｉｎ Ｃｈｉｎｅｓｅ）
［１２９］ ＲＥＮ Ｓ， ＨＥ Ｋ， ＧＩＲＳＨＩＣＫ Ｒ， ｅｔ ａｌ． Ｆａｓｔｅｒ Ｒ ＣＮＮ： ｔｏｗａｒｄｓ ｒｅａｌ⁃ｔｉｍｅ ｏｂｊｅｃｔ ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ ｒｅｇｉｏｎ ｐｒｏｐｏｓａｌ ｎｅｔｗｏｒｋｓ［Ｊ］．
Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ， ２０１５， ２８： ９１ － ９９．
［１３０］ ＬＩＵ Ｐ， ＺＨＡＮＧ Ｈ， ＥＯＭ Ｋ Ｂ． Ａｃｔｉｖｅ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｌｅｃｔｅｄ
Ｔｏｐｉｃｓ ｉｎ Ａｐｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎｓ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１６， １０（２） ： ７１２ －７２４．
［１３１］ ＨＡＵＴ Ｊ Ｍ， ＰＡＯＬＥＴＴＩ Ｍ Ｅ， ＰＬＡＺＡ Ｊ， ｅｔ ａｌ． Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｗｉｔｈ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ａ ｎｅｗ ｂａｙｅｓｉａｎ ａｐｐｒｏａｃｈ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１８， ５６ （ １１ ） ：
６４４０ － ６４６１．
［１３２］ 杨承文，李吉明，杨东勇．基于深度贝叶斯主动学习的高光谱图像分类［Ｊ］． 计算机工程与应用， ２０１９， ５５（１８）： １６６ －１７２．
ＹＡＮＧ Ｃｈｅｎｇｗｅｎ， ＬＩ Ｊｉｍｉｎｇ， ＹＡＮＧ Ｄｏｎｇｙｏｎｇ． Ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ ｄｅｅｐ Ｂａｙｅｓｉａｎ
［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１９， ５５（１８）： １６６ － １７２． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１３３］ 徐佳，袁春琦，程圆娥，等．基于主动深度学习的极化 ＳＡＲ 图像分类［Ｊ］． 国土资源遥感， ２０１８， ３０（１）： ７２ － ７７．
ＸＵ Ｊｉａ， ＹＵＡＮ Ｃｈｕｎｑｉ， ＣＨＥＮＧ Ｙｕａｎｅ， ｅｔ ａｌ． Ａｃｔｉｖｅ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂａｓｅｄ ｐｏｌａｒｉｍｅｔｒｉｃ ＳＡＲ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ Ｊ］ ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏｒ Ｌａｎｄ ＆ Ｒｅｓｏｕｒｃｅｓ， ２０１８， ３０（１）： ７２ － ７７． （ ｉｎ Ｃｈｉｎｅｓｅ）
［１３４］ ＤＥＮＧ Ｃ， ＸＵＥ Ｙ， ＬＩＵ Ｘ， ｅｔ ａｌ． Ａｃｔｉｖｅ ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ ｎｅｔｗｏｒｋ： ａ ｕｎｉｆｉｅｄ ｄｅｅｐ ｊｏｉｎｔ ｓｐｅｃｔｒａｌ⁃ｓｐａｔｉａｌ ｆｅａｔｕｒｅ ｌｅａｒｎｉｎｇ ｍｏｄｅｌ
ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｊ］ ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１８， ５７ （ ３ ） ： １７４１ －
１７５４．
［１３５］ ＺＨＡＮＧ Ｚ， ＰＡＳＯＬＬＩ Ｅ， ＹＡＮＧ Ｈ Ｌ， ｅｔ ａｌ． Ｍｕｌｔｉｍｅｔｒｉｃ ａｃｔｉｖｅ ｌｅａｒｎｉｎｇ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ［ Ｊ］． ＩＥＥＥ
Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０１６， １３（７） ： １００７ － １０１１．
［１３６］ ＺＨＵ Ｘ， ＧＯＬＤＢＥＲＧ Ａ Ｂ． Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［Ｍ］． Ｃａｌｉｆｏｒｎｉａ： Ｍｏｒｇａｎ ＆ Ｃｌａｙｐｏｏｌ，２００９：６０ － １００．
［１３７］ ＣＨＡＰＥＬＬＥ Ｏ， ＳＣＨＯＬＫＯＰＦ Ｂ， ＺＩＥＮ Ａ． Ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［ Ｍ］． Ｌｏｎｄｏｎ： Ｔｈｅ ＭＩＴ Ｐｒｅｓｓ， ２００６： １６ － ７０．
［１３８］ ＬＥＥ Ｄ Ｈ． Ｐｓｅｕｄｏ⁃ｌａｂｅｌ： ｔｈｅ ｓｉｍｐｌｅ ａｎｄ ｅｆｆｉｃｉｅｎｔ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｃ］ ∥Ｗｏｒｋｓｈｏｐ
ｏｎ Ｃｈａｌｌｅｎｇｅｓ ｉｎ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ Ｌｅａｒｎｉｎｇ， ＩＣＭＬ， ２０１３： ８９６．
［１３９］ ＴＡＲＶＡＩＮＥＮ Ａ， ＶＡＬＰＯＬＡ Ｈ． Ｍｅａｎ ｔｅａｃｈｅｒｓ ａｒｅ ｂｅｔｔｅｒ ｒｏｌｅ ｍｏｄｅｌｓ： ｗｅｉｇｈｔ⁃ａｖｅｒａｇｅｄ ｃｏｎｓｉｓｔｅｎｃｙ ｔａｒｇｅｔｓ ｉｍｐｒｏｖｅ ｓｅｍｉ⁃
ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｒｅｓｕｌｔｓ［Ｊ］ ． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ： １７０３． ０１７８０， ２０１７．
［１４０］ ＣＥＮＧＧＯＲＯ Ｔ Ｗ， ＩＳＡ Ｓ Ｍ， ＫＵＳＵＭＡ Ｇ Ｐ， ｅｔ ａｌ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｉｍｂａｌａｎｃｅｄ ｌａｎｄ⁃ｕｓｅ ／ ｌａｎｄ⁃ｃｏｖｅｒ ｄａｔａ ｕｓｉｎｇ ｖａｒｉａｔｉｏｎａｌ
ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［Ｃ］∥２０１７ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｎｏｖａｔｉｖｅ ａｎｄ Ｃｒｅａｔｉｖｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ （ＩＣＩＴｅｃｈ），
ＩＥＥＥ， ２０１７： １ － ６．
［１４１］ ＷＵ Ｈ， ＰＲＡＳＡＤ Ｓ． Ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｕｓｉｎｇ ｐｓｅｕｄｏ ｌａｂｅｌｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［ Ｊ］ ． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ， ２０１７， ２７（３）： １２５９ － １２７０．
［１４２］ ＣＨＥＮ Ｂ， ＦＥＮＧ Ｑ， ＮＩＵ Ｂ， ｅｔ ａｌ． Ｍａｐｐｉｎｇ ｏｆ ｌａｎｄ ｃｏｖｅｒ ｉｎ ｓｅｍｉ⁃ａｒｉｄ ｒｅｇｉｏｎｓ ｂａｓｅｄ ｏｎ ａ ｍｕｌｔｉ⁃ｇａｔｅ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ
６１ 农 业 机 械 学 报 ２０２２年
ｍｅｔｈｏｄ—ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ Ｚｈａｎｇｂｅｉ， Ｃｈｉｎａ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０２２， １３（２） ： ２０７ －２１７．
［１４３］ ＬＩＵ Ｊ， ＦＤＥＮＧ Ｑ， ＷＡＮＧ Ｙ， ｅｔ ａｌ． Ｕｒｂａｎ ｇｒｅｅｎ ｐｌａｓｔｉｃ ｃｏｖｅｒ ｍａｐｐｉｎｇ ｂａｓｅｄ ｏｎ ＶＨＲ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ａｎｄ ａ ｄｅｅｐ
ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｆｒａｍｅｗｏｒｋ［ Ｊ］． ＩＳＰＲＳ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ， ２０２０， ９（９） ： ５２７．
［１４４］ ＺＨＡＮＧ Ｂ， ＺＨＡＮＧ Ｙ， ＬＩ Ｙ， ｅｔ ａｌ． Ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ｎｅｔｗｏｒｋ ｖｉａ ｌｅａｒｎｉｎｇ ｃｏｎｓｉｓｔｅｎｃｙ ｆｏｒ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｌａｎｄ⁃ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＳＰＲＳ Ａｎｎａｌｓ ｏｆ ｔｈｅ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ， Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ａｎｄ Ｓｐａｔｉａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，
２０２０， ２： ６０９ － ６１５．
［１４５］ ＣＨＥＮ Ｊ， ＹＡＮＧ Ｍ， ＬＩＮＧ Ｊ． Ａｔｔｅｎｔｉｏｎ⁃ｂａｓｅｄ ｌａｂｅｌ ｃｏｎｓｉｓｔｅｎｃｙ ｆｏｒ ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｂａｓｅｄ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２０２１， ４５３： ７３１ － ７４１．
［１４６］ ＺＨＯＵ Ｚ Ｈ． Ａ ｂｒｉｅｆ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｗｅａｋｌｙ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［ Ｊ］． Ｎａｔｉｏｎａｌ Ｓｃｉｅｎｃｅ Ｒｅｖｉｅｗ， ２０１８， ５（１）： ４４ － ５３．
［１４７］ ＳＣＨＭＩＴＴ Ｍ， ＰＲＥＸＬ Ｊ， ＥＢＥＬ Ｐ， ｅｔ ａｌ． Ｗｅａｋｌｙ ｓｕｐｅｒｖｉｓｅｄ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ ｆｏｒ ｌａｎｄ ｃｏｖｅｒ
ｍａｐｐｉｎｇ—ｃｈａｌｌｅｎｇｅｓ ａｎｄ ｏｐｐｏｒｔｕｎｉｔｉｅｓ［ Ｊ］． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ： ２００２． ０８２５４， ２０２０．
［１４８］ ＹＵ Ｑ， ＬＩＵ Ｗ， ＧＯＮÇＡＬＶＥＳ Ｗ Ｎ， ｅｔ ａｌ． Ｒｅｓｏｌｕｔｉｏｎ ｅｎｈａｎｃｅｍｅｎｔ ｆｏｒ ｌａｒｇｅ⁃ｓｃａｌｅ ｌａｎｄ ｃｏｖｅｒ ｍａｐｐｉｎｇ ｖｉａ ｗｅａｋｌｙ ｓｕｐｅｒｖｉｓｅｄ
ｄｅｅｐ ｌｅａｒｎｉｎｇ［ Ｊ］ ． Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ＆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２１， ８７（６）： ４０５ － ４１２．
［１４９］ ＷＡＮＧ Ｓ， ＣＨＥＮ Ｗ， ＸＩＥ Ｓ Ｍ， ｅｔ ａｌ． Ｗｅａｋｌｙ ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｏｒ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｒｙ［ Ｊ］ ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， １２（２）： ２０７．
［１５０］ ＬＩ Ｙ， ＳＨＩ Ｔ， ＺＨＡＮＧ Ｙ， ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ｄｅｅｐ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ｎｅｔｗｏｒｋ ｕｎｄｅｒ ｍｕｌｔｉｐｌｅ ｗｅａｋｌｙ⁃ｓｕｐｅｒｖｉｓｅｄ ｃｏｎｓｔｒａｉｎｔｓ
ｆｏｒ ｃｒｏｓｓ⁃ｄｏｍａｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ［ Ｊ］ ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，
２０２１， １７５： ２０ － ３３．
［１５１］ ＺＨＡＮＧ Ｗ， ＴＡＮＧ Ｐ， ＣＯＲＰＥＴＴＩ Ｔ， ｅｔ ａｌ． ＷＴＳ： ａ ｗｅａｋｌｙ ｔｏｗａｒｄｓ ｓｔｒｏｎｇｌｙ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｆｒａｍｅｗｏｒｋ ｆｏｒ ｒｅｍｏｔｅ
ｓｅｎｓｉｎｇ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｓｅｇｍｅｎｔａｔｉｏｎ ｍｏｄｅｌｓ［Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２１， １３（３）： ３９４．
［１５２］ ＪＡＩＳＷＡＬ Ａ， ＢＡＢＵ Ａ Ｒ， ＺＡＤＥＨ Ｍ Ｚ， ｅｔ ａｌ． Ａ ｓｕｒｖｅｙ ｏｎ ｃｏｎｔｒａｓｔｉｖｅ ｓｅｌｆ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［ Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｅｓ， ２０２１，
９（１） ： ２．
［１５３］ ＧＯＹＡＬ Ｐ， ＭＡＨＡＪＡＮ Ｄ， ＧＵＰＴＡ Ａ， ｅｔ ａｌ． Ｓｃａｌｉｎｇ ａｎｄ ｂｅｎｃｈｍａｒｋｉｎｇ ｓｅｌｆ⁃ｓｕｐｅｒｖｉｓｅｄ ｖｉｓｕａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｌｅａｒｎｉｎｇ［Ｃ］ ∥
Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ２０１９： ６３９１ － ６４００．
［１５４］ ＺＨＡＮＧ Ｒ， ＩＳＰＬＡ Ｐ， ＥＦＲＯＳ Ａ Ａ． Ｃｏｌｏｒｆｕｌ ｉｍａｇｅ ｃｏｌｏｒｉｚａｔｉｏｎ［ Ｃ］ ∥Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｓｐｒｉｎｇｅｒ，
Ｃｈａｍ， ２０１６： ６４９ － ６６６．
［１５５］ ＮＯＲＯＯＺＩ Ｍ， ＦＡＶＡＲＯ Ｐ． Ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｏｆ ｖｉｓｕａｌ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｙ ｓｏｌｖｉｎｇ ｊｉｇｓａｗ ｐｕｚｚｌｅｓ ［ Ｃ］ ∥ Ｅｕｒｏｐｅａｎ
Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｓｐｒｉｎｇｅｒ， Ｃｈａｍ， ２０１６： ６９ － ８４．
［１５６］ ＨＥ Ｋ， ＣＨＥＮ Ｘ， ＸＩＥ Ｓ， ｅｔ ａｌ． Ｍａｓｋｅｄ ａｕｔｏｅｎｃｏｄｅｒｓ ａｒｅ ｓｃａｌａｂｌｅ ｖｉｓｉｏｎ ｌｅａｒｎｅｒｓ［ Ｊ］． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ， ａｒＸｉｖ：２１１１． ０６３７７，
２０２１．
［１５７］ ＡＹＵＳＨ Ｋ， ＵＺＫＥＮＴ Ｂ， ＭＥＮＧ Ｃ， ｅｔ ａｌ． Ｇｅｏｇｒａｐｈｙ⁃ａｗａｒｅ ｓｅｌｆ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ［ Ｃ］ ∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ／ ＣＶＦ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ， ２０２１： １０１８１ － １０１９０．
［１５８］ ＲＥＮ Ｂ， ＺＨＡＯ Ｙ， ＨＯＵ Ｂ， ｅｔ ａｌ． Ａ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ⁃ｂａｓｅｄ ｓｅｌｆ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｍｏｄｅｌ ｆｏｒ ＰｏｌＳＡＲ ｌａｎｄ ｃｏｖｅｒ
ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２１， ５９（１１） ： ９２２４ － ９２３７．
［１５９］ ＺＨＡＯ Ｚ， ＬＵＯ Ｚ， ＬＩ Ｊ， ｅｔ ａｌ． Ｗｈｅｎ ｓｅｌｆ⁃ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｍｅｅｔｓ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ： ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｓｃｅｎｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
ｂａｓｅｄ ｏｎ ａ ｍｕｌｔｉｔａｓｋ ｌｅａｒｎｉｎｇ ｆｒａｍｅｗｏｒｋ［ Ｊ］ ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， １２（２０）： ３２７６．
［１６０］ 李海峰，黄浩哲，彭剑，等．有限标注样本条件下基于自监督特征学习的遥感影像分类 方法［ Ｃ］ ∥第七届高分辨率
对地观测学术年会论文集， ２０２０：８０ － ９３ ．
［１６１］ ＴＺＥＮＧ Ｅ， ＨＯＦＦＭＡＮ Ｊ， ＺＨＡＮＧ Ｎ， ｅｔ ａｌ． Ｄｅｅｐ ｄｏｍａｉｎ ｃｏｎｆｕｓｉｏｎ： ｍａｘｉｍｉｚｉｎｇ ｆｏｒ ｄｏｍａｉｎ ｉｎｖａｒｉａｎｃｅ［Ｊ］． ａｒＸｉｖ ｐｒｅｐｒｉｎｔ，
ａｒＸｉｖ：１４１２． ３４７４， ２０１４．
［１６２］ ＷＵＲＭ Ｍ， ＳＴＡＲＫ Ｔ， ＺＨＵ Ｘ Ｘ， ｅｔ ａｌ． Ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｓｌｕｍｓ ｉｎ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅｓ ｕｓｉｎｇ ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ ｏｎ ｆｕｌｌｙ
ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｊ］ ． ＩＳＰＲＳ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｏｔｏｇｒａｍｍｅｔｒｙ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， １５０： ５９ － ６９．
［１６３］ ＱＩＮ Ｙ， ＢＲＵＺＺＯＮＥ Ｌ， ＬＩ Ｂ． Ｔｅｎｓｏｒ ａｌｉｇｎｍｅｎｔ ｂａｓｅｄ ｄｏｍａｉｎ ａｄａｐｔａｔｉｏｎ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， ５７（１１） ： ９２９０ － ９３０７．
［１６４］ ＥＬＳＨＡＭＬＩ Ａ， ＴＡＹＬＯＲ Ｇ Ｗ， ＡＲＥＩＢＩ Ｓ． Ｍｕｌｔｉｓｏｕｒｃｅ ｄｏｍａｉｎ ａｄａｐｔａｔｉｏｎ ｆｏｒ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｕｓｉｎｇ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０１９， ５８（５） ： ３３２８ － ３３４０．
［１６５］ ＪＩ Ｓ， ＷＡＮＧ Ｄ， ＬＵＯ Ｍ． Ｇｅｎｅｒａｔｉｖｅ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋ⁃ｂａｓｅｄ ｆｕｌｌ⁃ｓｐａｃｅ ｄｏｍａｉｎ ａｄａｐｔａｔｉｏｎ ｆｏｒ ｌａｎｄ ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｆｒｏｍ
ｍｕｌｔｉｐｌｅ⁃ｓｏｕｒｃｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， ５９（５）： ３８１６ －
３８２８．
［１６６］ ＸＵ Ｑ， ＹＵＡＮ Ｘ， ＯＵＹＡＮＧ Ｃ． Ｃｌａｓｓ⁃ａｗａｒｅ ｄｏｍａｉｎ ａｄａｐｔａｔｉｏｎ ｆｏｒ ｓｅｍａｎｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］ ． ＩＥＥＥ
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２０２０， ６０： １ － １７．
［１６７］ ＦＡＮ Ｙ， ＤＩＮＧ Ｘ， ＷＵ Ｊ， ｅｔ ａｌ． Ｈｉｇｈ ｓｐａｔｉａｌ⁃ｒｅｓｏｌｕｔｉｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｕｒｂａｎ ｓｕｒｆａｃｅｓ ｕｓｉｎｇ ａ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ［ Ｊ］．
Ｂｕｉｌｄｉｎｇ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０２１， ２００： １０７９４９．
［１６８］ 沈瑜，苑玉彬，彭静，等．基于深度学习的寒旱区遥感影像河流提取［Ｊ］． 农业机械学报， ２０２０， ５１（７） ： １９２ － ２０１．
ＳＨＥＮ Ｙｕ， ＹＵＡＮ Ｙｕｂｉｎ， ＰＥＮＧ Ｊｉｎｇ， ｅｔ ａｌ． Ｒｉｖｅｒ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｉｎ ｃｏｌｄ ａｎｄ ａｒｉｄ ｒｅｇｉｏｎｓ ｂａｓｅｄ ｏｎ
ｄｅｅｐ ｌｅａｒｎｉｎｇ［ Ｊ］ ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｆｏｒ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍａｃｈｉｎｅｒｙ， ２０２０， ５１（７） ： １９２ － ２０１． （ｉｎ Ｃｈｉｎｅｓｅ）
７１
第３期 冯权泷 等：土地利用／覆被深度学习遥感分类研究综述
