（图片来源网络）

     “语义鸿沟”、相似度度量精度低，是遥感图像检索中普遍存在的问题。早期的图像采集技术利用低层图像特征或简单的神经网络进行检索，由于对图像的质量和背景要求较高，因此对复杂的遥感图像无法进行有效检索，检测结果缺乏普遍性且检索的精度不高。

     本期封面论文提出了结合深度学习的卷积神经网络、支持向量机以及相关反馈技术的遥感图像检索方法，对具有复杂背景、光照强度变化和噪声影响的遥感图像仍能够取得较高的检索精度。

论文方法要点如下：

1）采用多层卷积神经网络进行特征提取，避免了复杂的人工标注，也为后续检索提高了精度需求；

2）通过Top-k合理筛选训练样本集，不仅提高了支持向量机的分类速度，也提高了分类精度；

3）同时采用小样本标记的多次迭代反馈策略，进一步提高了检索精度。

图1 论文研究框架

     论文在UC Merced Land-Use 遥感图像数据集上进行检索实验，数据集包含农田、飞机、棒球场、停车场等21类场景的遥感图像。对比反馈前后飞机类和立交桥类遥感图像的检索结果，发现反馈前的查全率收敛性不佳，而反馈后的查全率得到了极大的改善。

为了验证论文方法的优越性，选取编码位数为128位的哈希方法进行对比实验。论文方法的检索精度采用一次反馈得到的结果。图2与图3为不同对比方法在遥感图像数据集中对多个类别遥感图像的检索实例。

图2 飞机类检索结果

图3 棒球场类检索结果

论文提出一种卷积神经网络进行遥感图像特征提取，并通过带有相关反馈的支持向量机进行特征分类的遥感图像检索方法。该方法充分考虑了遥感图像自身的特性，运用CLAHE方法对遥感图像进行预处理，限制局部对比度的增强幅度，进而限制了噪声的放大幅度。

在特征提取阶段，采用自学习能力良好的卷积网络进行遥感图像特征提取，提取图像更深层且丰富的特征。运用泛化能力强的支持向量机作为基分类器进行特征分类。为了提高检索速度和检索精度，将带有距离度量标准的相关反馈以及Top-k训练集筛选的方法应用于支持向量机。论文方法能够有效提高遥感图像的检索效率。