摘要
遥感（Remote Sensing, RS）场景分类在环境监测与地质调查等领域具有广泛应用。在实际应用中，卫星获取的遥感场景图像通常面临两种典型环境：清晰与多云。然而，现有大多数方法并未同时考虑这两种环境下的分类性能。本文假设，在清晰或云覆盖环境下，全局特征与局部特征均具有判别性。尽管基于卷积神经网络（Convolutional Neural Networks, CNN）的现有模型在图像分类任务中取得了显著成果，但其网络结构在一定程度上忽视了对全局与局部特征的协同建模。为此，本文提出一种新型CNN架构（命名为GLNet），该网络包含全局编码器（Global Encoder）与局部编码器（Local Encoder），用于分别提取具有判别性的全局与局部特征，以提升遥感场景分类的性能。同时，在GLNet的训练过程中，引入了类间分散性约束与类内紧凑性约束，进一步增强特征的可分性。在两个公开的遥感场景分类数据集上的实验结果表明，所提出的GLNet在清晰与多云两种环境下，均能基于多种主流CNN骨干网络实现优于现有方法的分类性能。