随着遥感技术的快速发展和大量高分辨率遥感影像数据的涌现，遥感影像中所包含的信息日益丰富，已逐渐用于环境监测、资源管理、城市规划、土地利用等诸多领域精细化信息的获取。然而现有研究表明^［1-4］，高分辨率遥感影像分类和目标检测面临着诸多挑战：一方面，高分辨率遥感影像对地面目标的细微差别能够做出更清晰地展示，使目标地物的类间差异有了一定减小，但与此同时类内差异增大，从而加大了分类难度；另一方面，高分辨率遥感影像的波段相对较少，导致光谱信息欠缺，应用传统识别方法能够提取到的地物特征有限，这需要研究更加精确高效的遥感影像分类技术。

基于深度学习的高分辨率遥感影像分类和目标检测方法，是一种更加高效且准确的高分辨率遥感影像分类方法，它通过模拟人脑对遥感影像进行辨别，能够有效避免传统目视解译因人为主观因素带来的缺陷，并能够充分考虑到高分辨率遥感影像特有的复杂特性，对遥感影像进行快速、高效地分类和目标检测，并对探索进行高分辨影像分类检测的新方法与新技术具有重要的理论意义^［5-6］。相比传统的影像分类方法，基于深度学习的各种模型在高分辨率遥感影像分类方面有更大的应用前景，且有效解决了传统方法通常只针对单一土地利用类型分类识别的问题^［7］，其中LeNet5、AlexNet、VGGNet、GoogleNet、ResNet、DenseNet等模型在对高分辨率遥感影像分类的过程中使用都较为广泛，相比传统方法普遍有更高的精度。针对高空间分辨率的遥感影像，深度学习模型对高分辨率影像分类及建设用地目标检测方面的适用性尚未被很好地评估。因此，本文旨在探索适用于高分辨率遥感影像的分类及目标检测模型，以期为将来的高分辨遥感影像分类提供借鉴与参考。

选择广西壮族自治区百色市的右江区作为研究区，右江区地处云、黔、桂三省（区）结合部，位于广西西部的珠江流域右江上游，是连接三省的交通枢纽和重要的边境物资集散地，作为大西南海上运输的主要通道，毗邻东盟市场，依靠着其得天独厚的区位、交通和政治优势，是广西的一大政治、经济、文化中心。根据第六次人口普查数据：右江区总人口32.01万人，辖区内分为4个镇、2个街道、2个乡和1个民族乡，土地面积达3 713 km²，平地总面积113.84 km²；水面面积81.06 km²。右江区有林地面积总共约为28.4万hm⁴；其中耕地占9.09%，面积约为3.36万hm⁴；共有3.04万hm⁴的未利用土地，约占总土地利用面积的8.22%。右江区境内河网密布，水资源丰富，有32条河流集雨面积大于25 km²，其中有21条超过了50 km²。右江区区位图如图1所示。

利用右江区第二次土地利用调查数据库中的土地利用矢量数据，并参考谷歌卫星影像地图上下载的高分辨率遥感影像瓦片数据，经过目视判读、修正、完善，形成研究区土地覆被数据。

由于数据集构建所需图斑的识别和采集量大，本次选择矢量图斑覆盖影像瓦片的分类提取数据方法，将土地利用分类矢量图斑覆盖到遥感影像瓦片上，用瓦片地图服务（TMS）的换算方法获取矢量图斑内的所有影像瓦片图片^［8］。此次研究只针对了研究区内的遥感影像数据进行采集分析，数据来源较为单一。为了保证模型能有较高的训练精度和较好的泛化能力，通过制定统一的筛选标准：影像完整清晰、目标地物类型特征明确且在图像中占比达到80%以上、地类表征正确，对获取的遥感影像数据进行人工筛选。最终结合制定的筛选标准，根据土地利用现状分类将遥感影像分为建设用地、耕地、林地和水域4类来选取试验数据。4类实验数据实例如图2所示。

深度学习神经网络模型通常要求所输入的待分类图像为同样分辨率的标准矩形，为了方便数据输入和模型训练，在进行网络训练之前，对原始影像数据进行规范化预处理，将其转换为224×224×3的统一大小矩形图像数据用于下一步的模型训练。为了提升模型精度和收敛速度，提高网络的学习效率，使训练后的模型有更好的泛化效果，本文对原始图像进行了标准化处理。图像标准化的实质就是通过去均值的方式实现数据的中心化处理，标准化公式为：

其中：μ是图像的均值，x表示图像的矩阵，σ表示标准差，N表示图像x的像素数量。

由于成功的神经网络通常都包含大量的参数，为了能够获取最佳的参数组合，需要大量的数据进行训练。然而，右江区耕地面积较少且分布不均，难以获取足够的样本，因此需要对获取到的符合要求的样本集进行数据增强。一方面通过增加训练的数据量来提高模型的泛化能力；另一方面增加噪声数据，以提升模型的鲁棒性^［9］。通过对选取的样本集进行翻转、图像增强、添加噪声等数据增强操作^［10］，以扩大样本量，使4类样本数量相对均匀。数据增强结果如图3所示。

最后在高分辨率的遥感影像中获取建设用地、耕地、林地和水域图片，并通过数据增强手段得到每类图片各4 000张，为了防止模型的过拟合，再将各类图片按照7∶2∶1的比例随机分为训练、验证集和测试集，其中又对训练集进行K-fold交叉验证^［11］，将样本集随机分为10份，其中7份作为训练集（train），两份作为验证集（val），一份作为测试集（test），故最终每类随机抽取2 800张放入训练集（train），800张放入验证集（val），剩余400张放入测试集（test）。

VGGNet^［12］是由牛津大学的Simonyan和Ziss-erman提出的卷积神经网络模型，在AlexNet网络的基础上发展而来，其主要贡献在于将3×3的小型卷积核和2×2的最大池化层进行反复堆叠，并将神经网络的深度被增加到了16~19层^［13］。VGGNet16有16层，其中有10层卷积层，4层池化层和2层全连接层。为了提高模型的泛化能力，本文在每个全连接层后面都增加了Dropout策略^［14］，同时为了权衡训练时间和泛化能力最优，还引入了早停法来寻找给定泛化错误下的最小训练时间，通过设置每10次Epoch计算一次验证集的误差，将停止的标准设置为当泛化错误在连续4个周期内均未降低时停止模型训练。VGGNet网络结构如图4所示。

ResNet^［15］（Residual Neural Network）模型由前微软研究院的何凯明、张翔宇、任少卿、孙剑4人在2015年共同提出。该模型提出通过运用残差块（Residual Blocks）对深层次的神经网络进行训练，解决了传统深度卷积神经网络在反向传播的过程中容易造成梯度消失，导致训练模型效果不佳的问题。

稠密卷积神经网络（Dense Convolutional Network，DenseNet）^［16］ 中的所有层（具有匹配的要素图大小）直接相互连接，保证了网络中各层之间的最大信息流。通过每一层都接受它前面所有层的输出以保持前馈性质，并将其自己的特征映射传递给所有后续层。DenseNet的整体结构主要由两部分构成：一是与特征图具有相同尺寸的稠密块（Dense Blocks）；二是过渡块（Transition Layers）。上述模型在很多相关论文中都有所涉及，本文不再赘述。

Mask R-CNN作为一个目前广泛应用的、高效的对象实例分割框架，能够对输入数据中的目标对象进行有效检测，同时为每个实例生成高质量的分割掩码。该方法通过添加一个分支来预测每个感兴趣区域（ROI）上的分割掩码，与现有分支并行进行分类和边界框回归，得到了更高效的R-CNN^［17］，结构如图5所示。

Mask R-CNN在进行目标检测时对物体边缘的检测能够精确到像素级，比单任务检测具有更良好的性能，但在对掩膜及标定框进行显示时，它自身默认规定了一个阈值，当检测的精度大于该阈值时，标定框才会被显示，故最后显示标定框时有很多检测精度小于阈值的目标区域未被检测出来。因此，本文通过改变Mask R-CNN的阈值，使更多的目标区域被检测到，同时为了保证被检出区域的检测准确性，并对检出区域进行裁剪，用训练过程在中训练精度较好的模型的VGG16模型对裁剪出的区域进行类别判定，当分类结果显示该区域为建设用地时对该区域的标定框进行显示，判断流程如图6所示。

实验环境采用Win10操作系统，在科学计算集成Python发行版Anaconda4.2环境下，使用Keras和Tensorflow开源框架及CUDA-GPU加速方案，显卡采用的NVIDIA GeForce GTX 1080 （8G显存）进行GPU加速，其他主要硬件为Intel（R） Core（TM） i7-6700K CPU @ 4.00GHz 处理器、64G 内存、250G固态硬盘等。

由训练及验证数据集的准确率及偏差变化可看出，VGG16网络模型分别在第2次迭代时取得最佳结果，即此时对应模型的验证集拥有较小的偏差和较大的准确率，并通过测试集验证得到对应分辨率下的分类精度为97.44%。ResNet网络模型分别在第6次迭代时得到最佳结果，此时的验证集拥有较小的偏差和较大的准确率，并通过测试集验证得到对应分辨率下的分类精度为93.75%。DenseNet模型分别在第25次训练时取得最佳结果，即此时的验证集拥有较小的偏差和较大的准确率，并通过测试集验证得到对应分辨率下的分类精度为95.13%。

VGG16模型在前几轮训练过程中得出的模型就能达到较好的拟合效果，随着训练次数的增加，训练集偏差不断降低，而验证集偏差开始上升，发生过拟合。相比于VGG16，ResNet50模型在训练过程中的精度和偏差都有较大波动，且训练时间相对较长，这是由于ResNet50具有更深的网络层数和更多的参数，所提取的特征更复杂和抽象，在进行分类时考虑更多的细节和特征值。在分类精度方面，ResNet50对林地与水域的区分效果普遍不好，且测试精度显著低于VGG16。DenseNet模型在训练过程中验证集偏差及精度有较大波动，但总体结果优于ResNet50模型，稍逊于VGG16。从影像分类结果的统计表格中可以看出VGG16模型耗时相对较少，迭代次数最少，精度最高；ResNet50模型耗时最少，但精度最低；DenseNet模型耗时与迭代次数都是最多的，但DenseNet模型精度要比ResNet50模型要高。不同模型训练过程中数据集准确率和偏差如图7，分类结果如表1所示。

实验运用Mask R-CNN模型（阈值=0.5），以上文中建立的遥感影像数据的建设用地类的样本集为例，对样本集中的建设用地进行目标检测。通过在3 741张建设用地遥感影像瓦片数据中挑选出了3 000张图片作为训练Mask R-CNN模型的样本集，图像中多为建设用地与其他几种土地利用类型同时出现的情况，故需要人工在样本集中对建设用地区域进行一一标注。本次实验选用深度学习专用的图像标注工具VGG Image Annotator对3 000张样本进行标注，对标注好的数据集按8∶1∶1随机划分为训练集、验证集和测试集，将样本集输入模型进行训练，并用测试集测试模型精度，最终得出的结果如表2所示。

从表2的结果可以看出，单独使用Mask R-CNN模型对样本进行训练，得出的训练结果准确率较低，且标定框的精度也不高。结合用于模型训练的样本集对实验结果进行分析，在对样本集进行人工标注的过程中将建设用地划分的较为分散，一个样本中往往包含多个检测目标，这在一定程度上加大了模型的复杂度，导致测试准确率偏低。在300张测试数据中一共包括865个检测目标，但单独运用Mask R-CNN模型只检测出了其中的564个目标，漏检率高达34.8%，且对于边界的划分也不够精确，标定框精度只有76.34%，模型效果还不能有效地对建设用地进行目标检测，急需对模型进行优化以满足实际需求。

针对上文直接运用Mask R-CNN对建设用地进行目标检测容易发生漏检，导致准确率较低的问题，本实验采用VGG16与Mask R-CNN相结合的方式对其进行优化。Mask R-CNN在进行目标检测时对物体边缘的检测能够精确到像素级，比单任务检测具有更好的性能，但在对掩膜及标定框进行显示时，它自身默认规定了一个阈值，当检测的精度大于该阈值时，标定框才会被显示，故最后显示标定框时有很多检测精度小于阈值的目标区域未被检测出来。对Mask R-CNN模型设置不同的阈值，使更多的目标区域被检测到，同时为了保证被检出区域的检测准确性，并对检出区域进行裁剪，用训练过程中精度较好的模型的VGG16模型对裁剪出的区域进行类别判定，当分类结果显示该区域为建设用地时对该区域的标定框进行显示。测试集数量为300，测试集目标数为865，其测试结果对比如表3和图8所示。

当阈值设为0.5时，对比单独使用Mask R-CNN，VGG16与Mask R-CNN联合模型的标定框精度要高。

对设置不同阈值的VGG16+Mask R-CNN的组合模型测试集精度进行比较，随着阈值的提高，被检测出的目标从843减少到336，准确率降低了接近60%。通过比较设置不同阈值的优化模型与原模型对测试集中建设用地目标检测结果的准确率和标定框精度，评估模型的效果，选择最佳模型组合和阈值。当阈值设置为0.3时，标定框的精度最高，达到87.93%，且具有较高的准确率，达到了94.34%。

综合分析实验结果，当阈值设置为0.3时，标定框精度最高，同时具有较高的准确率，当降低阈值时，准确率会有小幅提升，但考虑到程序的运行时间，所以本文将阈值选取为0.3得到最佳效果，将其与只单独使用Mask R-CNN（阈值=0.5）对图像进行建设用地目标检测，效果如图9所示。

通过上图对比发现，通过选择合适阈值后的VGG16与Mask R-CNN相结合算法与单独使用Mask R-CNN相比，在一定程度上避免了漏检和精度不准的问题，并且改进后的算法在检测建设用地方面表现出了更强的适应性和鲁棒性，改进后的算法将原始图片划分为了更精细的多个检测区域，保持Mask R-CNN优良特性的同时，提高了目标区域的检出率和准确率。但由于在对样本集进行人工标记建设用地边界时并没有一个确定严格的标准，具有一定的主观性，故优化后的模型在对提取边界的处理上仍然存在目标区域与背景区域做出明确划分的问题。

遥感影像的分类及目标检测是遥感领域研究的基本问题，通过对高分辨率遥感影像中的多种土地利用类型进行分类及目标检测，能够大大提高在对土地利用类型进行审计时的工作效率和检测精度。如何准确且高效地对遥感影像中的多种土地利用类型进行分类检测也是一直以来的一个研究热点，本文研究了利用Mask R-CNN模型结合VGG16分类模型对高分辨率遥感影像下的土地利用类型进行分类和建设用地目标检测，对遥感影像下的多种土地利用类型实现了高效且准确地分类和检测。主要结论如下：①遥感影像样本集的建立：使用翻转、旋转、平移等数据增强方法，既增加了样本集的数据量，又使训练的模型有更好的泛化能力，能够更好地进行后续辅助目标检测。②基于卷积神经网络模型的高分辨率遥感影像土地利用类型分类：VGG16对高分辨遥感影像的分类精度要优于DenseNet模型和ResNet50模型，且训练所需时间相对较短，迭代次数相对较少。DenseNet模型在训练所需时间和迭代次数方面相比于ResNet50模型要差，但DenseNet模型的精度要比ResNet50模型要高。③结合Mask R-CNN与VGG16实现了遥感影像中建设用地的目标检测：当Mask R-CNN模型阈值设置为0.3时，优化后的模型得到最好的检测效果，相比于单一使用Mask R-CNN模型，既能对目标检测有较高的准确率又较好地控制了软件运行的时间，对于多目标的检测和边界的提取精度上有了较大提高，得到了更具有现实意义的目标检测结果。

尽管本文利用Mask R-CNN与VGG16相结合的优化算法对高分辨率遥感影像中建设用地的目标检测进行了研究，与传统的Mask R-CNN目标检测方法相比取得了更好的实验结果，但在许多方面还需要进一步深入的研究。①在结合Mask R-CNN与VGG16进行算法优化的过程中，Mask R-CNN模型阈值的确认方法是通过对其设置不同的值，再比较模型最后的精度等指标进行最优阈值的选取，最终得出的最佳阈值实际上只是最优值的一个近似值，后续需要通过选取更合理的阈值确定方法寻找最佳阈值的精确值。②本研究只是对4种典型的土地利用类型进行了分类，以及对建设用地一类目标进行了目标检测，后续研究将针对更多的自然类型进行分类和目标检测。