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...     

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。     

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。     

多源遥感地质灾害早期识别技术进展与发展趋势EI北大核心CSCD

随着全球气候变化、矿产资源开采和大型人类工程活动的不断加剧,冰崩、塌陷、滑坡、地面沉降和地裂缝等多类型地质灾害呈现高频性和链生性的趋势,灾害后果更加严重。大范围高效率地质灾害的早期识别是防灾减灾的重要前提,也是工程安全的技术保障。本文首先介绍了多类型地质灾害的特点和常规识别方法;然后,重点介绍了光学遥感、微波遥感、机载LiDAR及多源遥感数据融合技术在不同类型地质灾害识别中的技术特点和典型应用,并对当前地质灾害早期识别存在问题和下一步发展趋势进行了总结与展望。     

城市典型要素遥感智能监测与模拟推演关键技术EI北大核心CSCD

城市典型要素遥感智能监测与模拟推演的理论、方法与应用,对于国土空间规划与管理,城市规划与综合治理,区域决策与管理等均具有关键支撑作用。针对覆盖要素和驱动要素复杂非线性,本文研发了协同多源遥感数据的智能识别方法,实现了精细化高可信覆盖要素分类;协同遥感、POI兴趣点和时空大数据等多源数据,有效探测和识别了要素变动的驱动力。在此基础上,开展了空间演变机理挖掘、空间统计建模、启发式智能建模,并应用于土地利用、城市扩张、生态演变、碳储量等。同时,研发了聚焦城市生长推演的UrbanCA平台以及聚焦多类土地利用变化推演的Futureland平台,集成了自主研发的模拟推演系列方法并以长三角为主要区域进行了验证。     

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...     

多模态遥感图像匹配方法综述EI北大核心CSCD

遥感图像匹配是遥感图像处理的关键基础,一直是国内外学者研究的热点。由于多模态图像具有辐射差异、几何差异、尺度差异、视角差异、维度差异等特性,目前尚未出现一种普适性强的通用匹配方法。随着遥感、人工智能、大数据等技术的不断发展和应用领域的持续拓展,图像匹配技术体系也在不断地发展和演化。本文在系统梳理图像匹配技术发展历程的基础上,对多模态遥感图像匹配分类体系进行了归纳总结,从特征驱动和数据驱动两方面论述了多模态图像匹配技术研究的最新进展,并指出其面临的核心困难及未来发展趋势,以期推动多模态图像匹配研究更加深入发展。     

基于深度学习的高光谱遥感图像混合像元分解研究综述

高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”,相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点,目前已成为遥感工程应用中的重要支撑数据之一。然而,受空间分辨率限制,混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号（“端元”）,并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象。相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程...     

基于深度学习的像素级全色图像锐化研究综述EI北大核心CSCD

全色图像锐化是遥感数据处理领域的一个基础性问题,在地物分类、目标识别等方面具有重要的研究意义和应用价值。近年来,深度学习在自然语言处理、计算机视觉等领域取得了巨大进展,也推动了像素级全色图像锐化技术的发展。本文提出从经典方式和协同方式两个方面对深度学习在全色图像锐化中的研究进行系统的综述,并在此基础上进行前景展望。首先,给出全色图像锐化常用的数据集和全色图像锐化的质量评价指标;接着,从经典方式与协同方式两个方面对基于深度学习的全色图像锐化最新研究成果进行分门别类的介绍,并进行算法性能的对比、分析和归纳;然后,对全色图像锐化的3个主要应用领域如地物分类、目标识别和地表变化检测进行分析;最后,本文探讨了基于深度学习的全色图像锐化的5个未来研究方向。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

深度学习的半监督遥感图像检索

遥感图像数据的海量性、多样性和复杂性等特点对遥感图像检索的速度和精度提出了更高的要求,其中特征提取是影响遥感图像检索效果的关键。本文方法首先对遥感图像进行预处理,然后基于稀疏自动编码的方法在大量未标注的遥感图像上进行特征学习得到特征字典,基于卷积神经网络的思想,使用训练出来的特征字典对遥感图像进行卷积和池化得到每幅图像的特征图;接下来使用特征图训练Softmax分类器;最后对待检索图像分类,在同一类别中计算特征间的距离,进而实现遥感图像的检索。实验结果表明,该方法能够有效提高遥感图像检索的速度和准确度。     

智能高光谱遥感卫星前视相机性能设计

高光谱遥感可以得到地物连续光谱信息,实现地物精细分类、目标高精度探测以及地物生化参量的定量化应用。传统的高光谱遥感器由于固定辐射动态范围,存在大量无效且冗余数据,给卫星载荷造成了巨大的存储压力。智能高光谱卫星关键技术之一在于利用前视相机预判辐射动态变化范围的方式辅助主相机成像模式调整,本文在智能遥感卫星系统概念的基础上,重点开展前视相机倾斜角设计、波段设置和辐射动态范围预测研究。研究表明:前视相机倾斜角需要综合考虑星上响应时间、单次成像距离和空间分辨率;考虑到云检测、气溶胶光学厚度和水汽含量反演等指标的实现,前视相机需要设置0.49μm、0.66μm、0.87μm、0.94μm、2.1μm等5个波段;0.4—1.0μm波段范围最大最小值辐亮度可以由有限波段进行预测。基于ENVI光谱库76条光谱数据,通过MODTRAN辐射传输模型模拟各类地物(植被、矿物、人造地物、土壤)在不同观测条件下的表观辐亮度,建立了在0.4—1.0μm波段内各类地物辐射动态最大值和最小值模拟模型,利用光谱库中其他光谱数据验证了各类地物辐射动态最大值和最小值模拟模型,各类地物最大值和最小值预测模型验证的拟合优度(R2)分别大于98%和75%,模型验证相对误差分别小于5%和25%;同时利用Hyperion影像,验证了植被类预测模型,最大值模拟模型验证相对偏差在5%内,最小值模拟模型验证相对偏差在10%内。以上研究为智能高光谱卫星主相机的辐射动态范围调整提供了重要依据。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。     

多源卫星影像的摄影测量遥感智能处理技术框架与初步实践

回顾并分析了摄影测量与遥感学科的发展历程,并针对大数据和智能化测绘新时代的多源遥感影像精准快速智能处理的迫切需求,本文提出摄影测量遥感的科学概念.全新的摄影测量遥感主要由摄影测量和遥感两个学科的交叉融合而形成,致力于研究解决同步探测被摄目标的几何位置、物理属性、语义信息和时序变化关系的理论方法及技术问题,其理论基础和支撑学科包括摄影测量、遥感、人工智能、大数据处理与高性能计算等,将突破目前摄影测量侧重几何处理、遥感侧重语义信息提取反演的相对独立现状和串行技术路线,通过几何模型与光谱辐射反射信息的深度交叉融合形成几何语义一体化处理机制.本文在阐述摄影测量遥感基本概念的基础上,初步探讨了其涉及的主要科学问题及相关研究应用领域,并以多源遥感卫星影像为例构建了一体化摄影测量遥感智能处理技术框架,通过语义信息提取与精准几何处理的交叉闭环融合,显著提升了高分辨率多源遥感卫星影像精准快速处理的自动化和智能化水平,多个应用实践初步验证了相关理论方法的正确性和有效性.     

深度学习在遥感影像分类与识别中的研究进展综述

深度学习一直是机器学习和人工智能研究的热门主题,特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来,使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性,其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状,最后对未来深度学习应用于遥感识别与分类趋势进行了展望。     

深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来,深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征,提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域,获取油菜盛花时期高分一号(GF-1)影像,并以沙洋县为基础影像,通过手工标记制作油菜训练样本。设计两种深度学习框架模型,一种以卷积神经网络(CNN)为框架,构建一维卷积神经网络(1D-CNN)模型,第二种以循环神经网络(RNN)为框架,组合门控循环单元(GRU)模型,训练标准样本模型,完成油菜分类提取。最后,与传统支持向量机(SVM)、随机森林(RF)方法进行了结果对比。试验结果表明,本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法,为进一步实现冬油菜提取自动化提供试验基础。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

联合深度学习和条件随机场的遥感影像云检测

针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。