高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

遥感影像智能解译样本库现状与研究

我国遥感对地观测等项目顺利实施,获取了大量时效性强、覆盖范围广、信息量丰富的遥感数据.但遥感影像智能化自动处理技术发展仍相对滞后,无法满足区域/全球大范围地物信息快速提取的需求.近年来,人们利用深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足.本文面向大范围多源遥感影像地物信息智能解译需求,在分析现有样本集现状及问题的基础上,研究提出遥感影像智能解译样本库设计方案,并在此基础上设计了基于互联网的样本协同采集与共享服务框架.本文将为多源遥感影像样本库建设提供参考,为大范围遥感影像智能解译提供支持.     

耦合知识图谱和深度学习的新一代遥感影像解译范式

在遥感大数据时代,遥感影像智能解译是挖掘遥感大数据价值并推动若干重大应用的关键技术,如何将知识推理和数据学习两类解译方法有机联合已成为遥感大数据智能处理的重要研究趋势。由此提出了面向遥感影像解译的遥感领域知识图谱构建与进化方法,建立了顾及遥感成像机理和地理学知识的遥感领域知识图谱。在遥感领域知识图谱支撑下,以零样本遥感影像场景分类、可解释遥感影像语义分割以及大幅面遥感影像场景图生成3个典型的遥感影像解译任务为例,研究了耦合知识图谱和深度学习的新一代遥感影像解译范式。在零样本遥感影像场景分类实验中,所提方法在不同的可见类/不可见类比例和不同的语义表示下,都明显优于其他方法;在可解释遥感影像语义分割实验中,知识推理与深度学习的联合方法取得了最好的分类结果;在大幅面遥感影像场景图生成实验中,知识图谱引导的方法精度明显高于基准的频率统计方法。遥感知识图谱推理与深度数据学习的融合可以有效提升遥感影像的解译性能。     

深度学习遥感影像解译技术在耕地保护中的应用

耕地保护事关国家粮食安全、生态安全和社会稳定,是国计民生的头等大事。深度学习技术在海量数据分析领域的广泛应用,为高效、精准的遥感影像解译提供了技术基础。本文研究了基于深度学习的遥感影像解译技术,利用遥感影像数据和对应的矢量数据构建了可供训练的解译样本库,并提出了一种基于深度残差网络结构的解译模型。通过试验证明了该模型的实用性,实现了对试验区域主要地类面积的变化监测,对比多期影像解译结果和增减挂钩等业务数据,验证了耕地复垦的实施情况。结果表明,深度学习遥感影像解译技术在耕地保护领域有较广泛的应用前景。     

遥感大数据智能解译的地理学认知模型与方法

随着遥感数据和计算机算力的爆炸式增长、智能分析算法瓶颈的突破,亟须提升与之相匹配的遥感大数据处理与分析能力。针对复杂场景下遥感大数据智能处理与地理学认知耦合关联和交叉融合的关键问题,本文分析了遥感大数据与地理科学各自的特点与相互关系,提出了多模态知识融合关联的深度网络构建和面向地理制图的遥感智能解译思路,建立了遥感大数据智能处理与应用体系框架;面向技术发展和行业应用,本文提出了分别建设通用高分辨率遥感智能处理系统和智能精准应用平台的总体路线,以期推动遥感智能解译技术创新和工程化应用的全面发展。     

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

遥感影像智能解译:从监督学习到自监督学习

遥感影像精准解译是遥感应用落地的核心和关键技术.近年来,以深度学习为代表的监督学习方法凭借其强大的特征学习能力,在遥感影像智能解译领域较传统方法取得了突破性进展.这一方法的成功严重依赖于大规模、高质量的标注数据,而遥感影像解译对象独特的时空异质性特点使得构建一个完备的人工标注数据库成本极高,这一矛盾严重制约了以监督学习为基础的遥感影像解译方法在大区域、复杂场景下的应用.如何破解遥感影像精准解译"最后一千米"已成为业界亟待解决的问题.针对该问题,本文系统地总结和评述了监督学习方法在遥感影像智能解译领域的主要研究进展,并分析其存在的不足和背后原因.在此基础上,重点介绍了自监督学习作为一种新兴的机器学习范式在遥感影像智能解译中的应用潜力和主要研究问题,阐明了遥感影像解译思路从监督学习转化到自监督学习的意义和价值,以期为数据源极大丰富条件下开展遥感影像智能解译研究提供新的视角.     

影像解译中的深度学习可解释性分析方法

深度学习的迅速发展极大地推进了多种图像解译任务的精度提升,然而深度学习网络模型的“黑箱”性质让使用者难以理解其决策机理,这不仅不利于模型结构优化和安全增强等,还会极大地增加训练调参成本。对此,本文围绕影像智能解译任务,对深度学习可解释性国内外研究进展进行了综合评述与对比分析。首先,将当前可解释性分析方法分为激活值最大化分析法、代理模型分析方法、归因分析法、扰动分析法、类激活图分析法及样例分析法等6类方法,并对方法的原理、侧重点及优缺点进行了回顾。其次,对8种衡量各类分析方法所提供解释的可靠性的评估指标进行了回顾,并梳理了当前公开可用的可解释性开源算法库。在当前开源算法库的基础上,以遥感影像智能解译任务中的可解释性分析为例,验证了当前深度学习可解释性方法对遥感影像的适用性;试验结果表明当前可解释性方法在遥感解译中还存在一定的局限性。最后,总结了现有基于自然影像的可解释性算法在遥感影像解译分析中存在的问题,并展望了设计面向遥感影像特性的可解释性分析方法的发展前景,旨在为相关研究者提供参考,推动面向遥感影像解译的可解释性方法研究,从而为深度学习技术在遥感影像解译任务中的应用提供可靠的理论支持与算法设计指导。     

自然资源要素遥感智能解译样本分类体系研究

根据湖北省自然资源监测监管对大规模遥感智能解译的需求,对已有遥感智能解译样本数据集进行了总结,从提升地类细分领域的深度学习模型效果出发,研究了遥感影像智能解译的典型应用场景和解译对象,构建了湖北省自然资源要素遥感智能解译样本分类体系,并以优于2 m的多源异构高分辨率光学遥感影像为数据源,开展遥感智能解译样本采集。通过具体业务应用场景实验证明,建立的智能解译样本分类体系及其样本库,能够较好地反映湖北省自然资源卫星遥感影像智能解译的区域特征,取得较之前的样本库更为有效的解译效果。     

基于空间遥感影像的居民地自动解译

针对当前地物要素信息采集劳动强度大、智能化程度不高、效率低等技术瓶颈,本文以深度学习理论为基础,在Caffe框架上依托Digits网络服务器构建居民地数据集进行分类识别训练,建立样本数据集并完成模型训练工作.整合居民地复杂数据信息,设计了针对遥感影像自动解译居民地的操作流程.通过对实验结果分析,利用深度学习获取的数据模...     

高分辨率遥感影像解译中的机器学习范式

高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值。传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低。所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。近年来,随着人工智能技术的飞速发展,采用机器学习方法实现高分辨率遥感影像解译已成为主流的研究方向。本文结合高分辨率遥感影像解译的典型任务,如目标检测、场景分类、语义分割、高光谱图像分类等,系统综述了5种代表性的机器学习范式。具体来说,本文分别介绍了不同机器学习范式的定义、常用方法以及代表性应用,包括全监督学习(如支持向量机、K-最近邻、决策树、随机森林、概率图模型)、半监督学习(如纯半监督学习、直推学习、主动学习)、弱监督学习(如多示例学习)、无监督学习(如聚类、主成分分析、稀疏表达)和深度学习(如堆栈自编码机、深度信念网络、卷积神经网络、生成对抗网络)。其次,深入分析五种机器学习范式的优缺点,并总结了它们在遥感影像解译中的典型应用。最后,展望了高分辨率遥感影像解译的机器学习发展方向,如小样本学习、无监督深度学习、强化学习等。     

遥感大数据时代与智能信息提取

近年来,天地一体化对地观测系统与智能计算技术的快速发展为遥感科技进步甚至变革提供了难得的机遇。遥感信息技术在历经20世纪60~80年代以统计数学模型为核心的数字信号处理时代、从90年代至今以遥感信息物理量化为标志的定量遥感时代之后,现在正逐渐进入一个以数据模型驱动、大数据智能分析为特征的遥感大数据时代。在总结遥感信息技术历史发展脉络的基础上,阐述了遥感大数据的内涵和智能信息提取的时代特点,并从遥感大数据的理念出发,论述了面向对象的遥感知识库构建,分析了融合遥感知识和深度学习算法的大数据智能信息提取策略。通过典型实例,介绍了以深度学习为代表的智能算法在遥感大数据目标检测、精细分类、参数反演等方面的发展现状与趋势,并讨论了深度学习在遥感大数据时代的智能信息提取方面的应用潜力。     

深度学习遥感图像标注系统研究

随着深度学习的发展,遥感影像处理技术也从传统机器学习算法向深度学习转变,然而,用于遥感图像的训练数据集却十分稀少,且数据标注困难。本文将GIS技术与图像标注技术相结合,基于Flask Web框架设计一个可用于海量遥感数据的标注系统。该系统可用于海量遥感数据的数据框标注、数据类别标注,以及目标关键点标注,同时能将标注数据导出为深度学习训练最常用的COCO数据集和VOC2007两种格式。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

基于地理国情的深度学习分类容错性研究

地理国情监测获取的地表覆盖分类成果具有覆盖区域全、精细度高、时相新等优势,具有作为深度学习分类模型训练样本的能力和优势,能够大大减少样本获取的成本.但是,受数据源、时相以及采集标准等因素的影响,直接使用地表覆盖数据作为样本,往往与模型训练采用的影像存在一定的误差.研究采用深度学习语义分割算法,比较了人工标注样本以及不同...     

智能遥感卫星与遥感影像实时服务

传统的卫星遥感系统数据获取、处理和应用模式无法满足卫星遥感影像大众化和实时化的应用需求,亟须发展智能遥感卫星系统,以解决遥感影像在轨处理和智能服务问题。本文首先阐述了智能遥感卫星的发展;然后对智能遥感卫星在轨处理架构、服务模式和在轨处理所涉及的关键算法进行了详细介绍;最后结合珞珈三号01星的设计和研制,探讨了珞珈三号01星的服务场景和服务模式,并对5G、6G和人工智能时代下的智能遥感卫星的未来发展进行了展望。