基于遥感数据的智能地物分类与目标检测方法

This project focuses on terrain classification and object detection on high resolution remote sensing images using deep learning techniques. By investigating the unique properties of remote sensing data, such as their high resolution and extreme large size, this project will extend existing computer vision algorithms, which was mainly designed for nature images, to improve their accuracy and robustness for terrain classification and object detection on remote sensing images. To tackle high-resolution remote sensing images, multi-scale fusion techniques for image segmentation based on deep convolutional networks will be developed; To address the significant change of terrain features across different regions, transfer learning techniques for terrain classification and object detection will be investigated; To deal with imprecise labels at boundary areas, robust learning algorithms for deep convolutional networks will be developed. The proposed algorithms will be applied to large scale terrain classification and object detection on real remote sensing images.

本项目研究基于深度学习的高分辨率遥感图像自动地物分类与目标识别方法，通过深入分析遥感数据特有的高分辨率、超大尺寸等特点，发展和突破现有的面向自然图像的计算机视觉算法，提升地物分类和目标识别的准确度与鲁棒性。项目拟针对高分辨率遥感图像超大尺寸问题，研究基于深度卷积网络的多尺度融合图像分割技术；针对遥感图像特征随地域变化显著的问题，研究地物分类与目标检测的迁移学习技术；针对边缘区域常见的标注误差问题，研究基于深度卷积网络的鲁棒学习方法。项目研究成果将被应用于大规模遥感图像地物分类与目标识别任务。

遥感技术在天气预测、城市建设、农业生产、森林防护、灾害应对、大气污染监测、军事侦察等与国民生产生活密切相关的活动中发挥着不可替代的作用。世界各主要国家都对遥感技术的利用非常重视。.遥感图像分析是遥感技术的重要组成部分，也是充分发挥遥感数据价值的关键环节。通过对地面物体反映在遥感图像上的特征进行分析，可以对地面物体的属性进行判断和识别，进而为地图绘测、抢险救灾、军事侦察等应用提供服务。传统的遥感图像分析手段是由专业人员阅读，通过肉眼辨识目标和分析拍摄区域的情况；或者采用手工数字图像特征描述算法进行处理。随着遥感技术的进步，图像分辨率不断提升，检测频次明显提高，遥感卫星数量也明显增加。人工处理的方法已经无法适应指数式增长的遥感数据。同时，遥感图像的应用场景也在增多，出现了检测、识别、定位、场景分割等多种需求，需要对图像特征进行更精细化的描述。传统的基于手工特征的算法过程繁琐，而且特征提取效率较低，难以适应新的需求。因此，利用更先进的计算机视觉技术，对高分辨率遥感图像进行智能化的分类与检测，是一个兼具科学研究价值和经济价值的课题。.本项目研究基于深度学习的高分辨率遥感图像地物分类与目标检测方法，重点研究数据特征提取和网络训练问题中的多尺度变换问题、迁移学习问题和鲁棒性学习问题，建立适应遥感图像的深度学习模型与算法，并将研究成果应用于大规模遥感图像地物分类与目标检测任务，发表高水平学术论文15篇，申请国家发明专利3项。.例如，在面向大尺度高分辨率图像的处理上，提出了分辨率自适应网络RANet、卷积-自注意力融合模型ACmix和信息传播损失InfoPro等多个高效多尺度的图像处理方法，提升了遥感处理的效率和精度；在面向区域特征变化的图像分割和检测上，提出了扫描-聚焦网络GFNet、空间自适应网络SARNet、可变形注意力DAT等多个动态可变的视觉模型，适应多重变化的遥感数据，达到了更高的检测精度；在面向标签不确定的分割方法中，提出了隐式数据增广ISDA等提升模型适应数据噪声和不确定标签环境下性能的训练方法。

内容获取失败，请点击重试