基于深度特征提取与解释一致性分析的遥感影像细粒度飞机类型分类方法

《Scientific Reports》：Deep feature extraction and explanation consistency analysis for fine-grained aircraft type classification in remote sensing imagery

　　

摘要

在遥感图像中实现精细级别的飞机类型识别，对于军事情报分析和战场态势感知具有重要意义。然而，深度学习决策过程的透明度较低，限制了其在高风险决策场景中的应用。为解决这一问题，本文提出了一种可解释的飞机类型分类框架——EC-AT，该框架整合了迁移学习、解释一致性分析以及可信度评估技术。具体而言，从MAR20数据集中选取了8种具有代表性的飞机类别，在迁移学习微调与随机初始化两种条件下，对多种深度神经网络模型进行了测试。通过利用预训练模型参数并对分类层进行微调，该框架能够在数据量有限且类别不平衡的情况下，有效提升特征表示能力和收敛效率。为进一步解读模型的决策过程，本文引入了三种典型的可解释人工智能方法，即Grad-CAM、LIME和RISE，从不同的角度分析图像中的关键区域，包括基于类别区分的激活值、基于局部扰动的近似方法以及随机输入采样。此外，还设计了一种基于IoMin的空间重叠度量指标，用于定量评估不同解释方法所产生的区域之间的一致性。除了解释一致性分析之外，该框架还通过多源AI评分表（MAST）进行了进一步评估，该工具从准确性、一致性、逻辑合理性及可视化等多个维度对模型的可信度进行结构化评估。实验结果表明，基于迁移学习的模型具有出色的分类性能，分类准确率可达到99.9%。可解释性分析显示，该框架能够识别出与飞机相关的关键区域，同时揭示潜在的背景干扰因素及决策偏差。此外，解释一致性分析与基于MAST的评估共同为解释结果及框架的整体可信度提供了客观依据。总体而言，所提出的EC-AT框架显著提升了遥感图像中精细级别飞机识别的分类性能与可解释性，为构建可靠的智能遥感分析系统提供了有益参考。