基于深度学习的遥感应用

从2012年深度卷积神经网络&＃xff08;AlexNet&＃xff09;成功应用于图像识别以来&＃xff0c;发展出多个改进的卷积神经网络构架&＃xff0c;包括2014年牛津大学的VGG,Google公司的GoogleNet&＃xff0c;2015年微软研究院Kaiming He推出的残差网络&＃xff0c;网络层数越来越多&＃xff0c;所得到的精度越来越高。

计算机视觉与传统遥感任务的关联性

AI发展的三要素&＃xff1a;算力&＃xff0c;算法和数据。

基于深度学习的遥感样例库建设

深度学习能够获得高精度识别和得到业界高度认可&＃xff0c;得益于ImageNet1000多万海量样本数据库。
深度学习方法要开展遥感目标提取和分类的研究&＃xff0c;同样依赖于高精度大样本训练数据库。
样本标注的方法有&＃xff1a;

• 人工标注
• 自动标注与人工校正
• 开源数据&＃xff08;Openstreetmap&＃xff09;
• 已有遥感产品数据&＃xff08;地表覆盖数据&＃xff09;

武汉大学建立了一套大范围、高精度、多类型开源样本数据库&＃xff0c;涵盖航片/卫片、多种地物类型、多种标注方法的样本库&＃xff0c;已达100多万样本&＃xff0c;但还远远不够。

基于深度学习的遥感影像目标及场景检索

直接运用AlexNet进行遥感影像目标和场景检索——肖志峰&＃xff0c;2014年

基于深度学习的建筑物提取

季顺平团队&＃xff1a;发展一种用于提取建筑物的全卷积网络&＃xff0c;得到国际先进的检测结果。在航片实验中&＃xff0c;查全率和准确度达到95%。蓝色掩膜为检测出的房屋&＃xff0c;几乎不存在漏检和错检。

基于深度学习的密集建筑物自动检测

针对小而密集建筑物的检测&＃xff0c;胡翔云团队提出了一种基于目标中心点生成候选框的新方法&＃xff0c;该方法结合多盒评分模块和迭代定位细分模块来指导候选框的生成。

基于深度学习的道路自动提取

胡翔云&＃xff1a;提出端到端通过学习置信图提取道路中心线

面向国产多视角卫星的深度学习

黄昕团队&＃xff1a;提出一种三维卷积神经网络M2-3DCNN&＃xff0c;充分利用ZY-3的多光谱和多角度信息&＃xff0c;实现城市的精细分类。

基于ZY-3多视角影像&＃xff0c;生产了我国50余大城市的3D地表覆盖数据集&＃xff08;百万级随机样本验证&＃xff0c;总体精度~90%&＃xff09;&＃xff0c;以及每栋房屋的高度&＃xff08;中误差约5m&＃xff09;。将为城市地表覆盖深度学习提供千万级的训练样本库。

多源遥感数据深度学习&＃xff1a;融合ZY-3和吉林一号夜间灯光影像&＃xff0c;实现光谱-角度-昼夜的深度信息融合&＃xff0c;实现我国大量城市的功能区分类&＃xff0c;解译精度超过80%。

基于多源遥感影像变化检测

摄影测量与遥感是与人工智能最密切的学科之一。摄影测量本身与计算计算机视觉有很多相通的理论与方法。计算机视觉的快速发展无疑会推动摄影测量与遥感的发展&＃xff0c;特别是一些难题的解决。
深度学习方法在通用目标识别方面取得重大突破&＃xff0c;已经在人脸识别等领域得到广泛应用。但是&＃xff0c;它在遥感图像识别与信息提取方面&＃xff0c;虽然取得了一些研究进展&＃xff0c;但是目前还鲜有商业化应用。当然遥感影像的目标识别比人脸识别要复杂和困难得多&＃xff0c;遥感学者在努力工作&＃xff0c;寻求突破&＃xff0c;很多IT公司&＃xff0c;如Facebook、微软、阿里、商汤、科大讯飞等也在参与攻关。
测绘遥感&＃xff08;行业与学科&＃xff09;面临挑战
1&＃xff09;由以服务于政府机构为主&＃xff0c;到直接面向细分行业&＃xff0c;乃至普通大众

• IT与互联网企业等的强势挑战&＃xff0c;在资本、技术等方面&＃xff0c;它们具有优势&＃xff1b;
• 面向后两者的时候&＃xff0c;传统的测绘地理信息企业与机构有时并不擅长

2&＃xff09;人工智能特别是计算机视觉与模式识别是目前IT领域十分火爆的领域

• 跨界打劫是IT发展的常态&＃xff0c;不要等着像许多领域被淘汰一样&＃xff0c;传统测绘遥感领域被智能化技术所淘汰&＃xff1b;测绘遥感领域要积极研究&＃xff0c;开发基于人工智能在测绘与遥感领域的应用系统&＃xff0c;加快实验和产业化&＃xff1b;
• 测绘与遥感已经是信息技术的重要组成部分&＃xff0c;学科知识体系需要适应这一重大转变。

https://mp.weixin.qq.com/s/A9qDWkGh8KZOuusl5bDlvQ