基于深度学习的遥感应用 | 您所在的位置:网站首页 › 遥感影像处理工程师 › 基于深度学习的遥感应用 |
文章目录
深度学习的发展过程深度学习在遥感中的应用基于深度学习的遥感样例库建设基于深度学习的遥感影像目标及场景检索基于深度学习的建筑物提取基于深度学习的密集建筑物自动检测基于深度学习的道路自动提取面向国产多视角卫星的深度学习基于多源遥感影像变化检测
总结和展望参考
深度学习的发展过程
从2012年深度卷积神经网络(AlexNet)成功应用于图像识别以来,发展出多个改进的卷积神经网络构架,包括2014年牛津大学的VGG,Google公司的GoogleNet,2015年微软研究院Kaiming He推出的残差网络,网络层数越来越多,所得到的精度越来越高。 深度学习在遥感中的应用计算机视觉与传统遥感任务的关联性 深度学习能够获得高精度识别和得到业界高度认可,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,同样依赖于高精度大样本训练数据库。 样本标注的方法有: 人工标注自动标注与人工校正开源数据(Openstreetmap)已有遥感产品数据(地表覆盖数据)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,涵盖航片/卫片、多种地物类型、多种标注方法的样本库,已达100多万样本,但还远远不够。 直接运用AlexNet进行遥感影像目标和场景检索——肖志峰,2014年 季顺平团队:发展一种用于提取建筑物的全卷积网络,得到国际先进的检测结果。在航片实验中,查全率和准确度达到95%。蓝色掩膜为检测出的房屋,几乎不存在漏检和错检。 针对小而密集建筑物的检测,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,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。 胡翔云:提出端到端通过学习置信图提取道路中心线 黄昕团队:提出一种三维卷积神经网络M2-3DCNN,充分利用ZY-3的多光谱和多角度信息,实现城市的精细分类。 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,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,已经在人脸识别等领域得到广泛应用。但是,它在遥感图像识别与信息提取方面,虽然取得了一些研究进展,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,遥感学者在努力工作,寻求突破,很多IT公司,如Facebook、微软、阿里、商汤、科大讯飞等也在参与攻关。 测绘遥感(行业与学科)面临挑战 1)由以服务于政府机构为主,到直接面向细分行业,乃至普通大众 IT与互联网企业等的强势挑战,在资本、技术等方面,它们具有优势;面向后两者的时候,传统的测绘地理信息企业与机构有时并不擅长2)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,不要等着像许多领域被淘汰一样,传统测绘遥感领域被智能化技术所淘汰;测绘遥感领域要积极研究,开发基于人工智能在测绘与遥感领域的应用系统,加快实验和产业化;测绘与遥感已经是信息技术的重要组成部分,学科知识体系需要适应这一重大转变。 参考https://mp.weixin.qq.com/s/A9qDWkGh8KZOuusl5bDlvQ |
今日新闻 |
推荐新闻 |
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 |