《表1 深度学习平台汇总：结合深度学习和半监督学习的遥感影像分类进展》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合深度学习和半监督学习的遥感影像分类进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

自2012年Krizhevsky等人建立AlexNet[6]以远超传统方法的成绩折桂ILSVRC图像分析大赛以来，深度学习开始在各个领域引发研究热潮。传统的模式识别算法往往通过分而治之的思想将图像识别问题划分为特征提取和选择、分类器设计等步骤，这种大而化简的解决思路虽可以将问题分解为若干可控的子问题，同时也会出现子问题最优解无法收敛于全局最优解，即使是最好的专家也不会总是可以完美地融合特征分类方法和分类器的设计。深度学习提供的“端到端”学习模式可以将学习流程进行整合，从原始数据到任务结果输出为一个整体，最后学习到的模型为原始数据到期望输出的映射，可以说深度学习是机器学习中一种基于大规模数据的表征学习算法。得益于整体性优化特性，深度学习在RGB自然影像上取得了瞩目的效果。相比起“Handcrafted”的解决思路，这种结合数据结构表征学习与任务的问题求解方式更加适合于遥感图像的分类识别任务。众多学者通过依托张量运算的形式高效地解决了结合深度学习的遥感影像地物分类识别问题[7-8]。同时一些成熟的深度学习平台也促进了深度学习在遥感图像处理的研究过程。表1为比较常用的深度学习平台介绍（部分基于张量运算设计）。