胶囊网络（CapsNet）是一种新型的神经网络，已被广泛应用于高光谱遥感分类。针对胶囊网络所面临的过拟合和梯度消失等问题，提出一种基于多尺度自适应胶囊网络（MSCaps）的高光谱遥感分类方法。利用多尺度（不同尺寸的输入图像）的卷积层来提取地物的空间特征与光谱特征，并采用一种非迭代自适应路由算法进一步改进CapsNet的结构，避免了耦合系数cij的稀疏化引起的过拟合问题。利用PU和SA两个公共高光谱数据集从总体分类精度（OA）和模型训练效率两方面评价了MSCaps的分类性能。在分类精度上，利用MSCaps与支持向量机（SVM）、随机森林（RF）、深度卷积神经网络（CNN）、CapsNet、多尺度的胶囊网络（MCaps）、基于非迭代自适应路由算法的胶囊网络（ARWI-Caps）、多尺度的卷积神经网络（MSCNN）对原始影像的OA进行对比；还与SVM、RF对经主成分分析（PCA）特征提取后的影像的OA进行对比，其中两种分类方法分别简称为PCA-SVM与PCA-RF。在训练效率上，对MSCaps的训练时间和CNN、CapsNet、MSCNN的训练时间进行对比。实验结果表明：MSCaps对PU和SA数据集的OA分别为99.14%和95.38%，分类精度均高于SVM、RF、PCA-SVM、PCA-RF、CNN、CapsNet、MCaps、ARWI-Caps及MSCNN；在模型训练效率方面，MSCaps在PU和SA两种数据集上的耗时分别约为CapsNet的1/3与1/4，训练效率较CapsNet有大幅提高。因此，所提MSCaps可以有效解决基于CapsNet的高光谱遥感分类问题。

图像语义分割作为一种像素级分类技术,已应用于合成孔径雷达(SAR)图像的解译领域中。U-Net是一种端到端的图像语义分割网络,具有典型的编码-解码结构。其中,编码部分主要由卷积层和池化层组成,可以有效提取图像中的目标特征,但难以获取目标的位置和方向等信息。胶囊网络是一种能够获取目标姿态(位置、大小、方向)等信息的神经网络,因此,提出了一种基于U-Net和胶囊网络的SAR图像语义分割方法。此外,考虑到SAR图像数据集较小的特点,将U-Net的编码部分设计成视觉几何组(VGG16)结构,将预训练的VGG16模型直接迁移至编码部分。为了验证本方法的有效性,在两个极化SAR图像数据集上开展了建筑物目标的分割实验。结果表明,相比U-Net,本方法的精确率、召回率、F1分数和交并比更高,且能减少网络模型的训练时间。

激光雷达(LiDAR)作为获取地物物理属性的一种重要技术手段,被广泛应用于分类研究中。针对传统卷积神经网络中标量神经元无法表达特征位置信息,以及图像经过连续池化和降采样后出现空间分辨率下降、细节信息丢失这两个问题,提出胶囊网络和空洞卷积相结合的LiDAR数据分类算法。该算法以残差网络架构为基础,首先将LiDAR数据输入深度卷积神经网络中进行特征粗提取,然后采用奇偶混合扩张率的空洞卷积增大训练中特征图的感受野,同时捕获精细特征,最后通过胶囊网络进一步提取更详细的空间特征信息并进行分类输出。实验结果表明,所提方法在Bayview Park和Recology两个数据集上分别取得了97.07%和96.98%的总体分类精度,与其他7种分类算法相比具有更好的分类效果,由此证明所提方法可以提升LiDAR数据的分类性能。

胶囊网络作为一种新型深度学习网络,胶囊结构可以编码特征的姿态、纹理、色调等信息,对图像具有良好的纹理特征编码能力。针对胶囊网络的初级特征提取网络过于简单、空间特征表达能力不足的问题,提出了一种结合深度卷积神经网络特征表达能力与小波变换多分辨率分析能力的离散小波胶囊网络(DWTCapsNet)。首先,研究了胶囊网络在纹理图像分类应用中的可行性;其次,研究了DWTCapsNet各部分对胶囊网络分类性能提升的能力;最后,通过抗旋转和抗噪声实验分析了DWTCapsNet的鲁棒性。以分类准确率为模型评价标准,在常用纹理图像数据集上的实验结果表明,DWTCapsNet的分类准确率较高。