基于深度学习的遥感图像茶园区域识别应用研究

得益于遥感技术的发展和深度学习在图像处理方面的进展,采用深度学习识别遥感图像的方法被广泛应用。与传统的统计农作物种植面积方法相比较,通过深度学习的方法来识别茶园种植区域,可以减少人工依赖,节约人力资源,实时获取数据,具有更高的时效性。数据来源于Bigmap,以贵州省卫星遥感图像为数据基础,提出了使用深度学习来识别茶园区域的应用方法。实验目标为从整张遥感图像中提取出茶园种植区域。首先对遥感图像进行数据预处理,然后采用人工目视解译的方法标注出茶园区域并制成数据集,将数据集导入神经网络进行训练获得网络模型,最后将验证图像放入到训练好的神经网络当中,获得验证结果;检测精确率为95.83%,检测召回率为85.00%。     

改进CenterNet的遥感图像目标检测

基于深度学习的遥感图像检测在地球资源调查、军事侦察、环境监测等领域有着广泛的应用,更精准、高效的目标检测算法是目前遥感图像检测研究的热点和难点。提出一种改进的CenterNet遥感图像检测算法,对遥感图像进行预处理,以适应CenterNet网络,提高网络对遥感图像的检测有效性;对原网络进行改进,将残差模块中的标准卷积替换成深度可分离卷积,有效降低网络计算量,减少冗余;同时加入注意力机制,抑制无用信息,提高网络的检测准确率。针对遥感图像观测面积大而目标相对较小,目标尺寸差异较大且分布不均匀的特点来说,降低了目标的误检率和漏检率。实验结果表明,改进的CenterNet算法相较于原始CenterNet算法的效果有明显提升,证明了改进算法的鲁棒性。     

利用同质区特性的高光谱图像迁移学习分类

深度卷积神经网络能充分利用特征间的内在联系,提高高光谱影像的可分性,近年来受到了广泛关注.但是,训练深度网络模型对大量标记样本的需求限制了此类方法的应用.将迁移学习思想引入遥感影像分类以减少对标记样本数量的需求.具体研究目标图像中每类只有一个标记样本的情况.通过对目标图像分割得到的同质区扩增目标域的训练样本数量,在此基础上运用深度孪生卷积神经网络减少源域图像与目标域图像的分布差异,实现对目标高光谱图像的最终分类.实验结果表明:同质区和孪生卷积网络的结合可提高半监督迁移学习分类的效果,较好地解决跨区域的高光谱图像分类问题.     

利用同质区特性的高光谱图像迁移学习分类

深度卷积神经网络能充分利用特征间的内在联系,提高高光谱影像的可分性,近年来受到了广泛关注.但是,训练深度网络模型对大量标记样本的需求限制了此类方法的应用.将迁移学习思想引入遥感影像分类以减少对标记样本数量的需求.具体研究目标图像中每类只有一个标记样本的情况.通过对目标图像分割得到的同质区扩增目标域的训练样本数量,在此基础上运用深度孪生卷积神经网络减少源域图像与目标域图像的分布差异,实现对目标高光谱图像的最终分类.实验结果表明:同质区和孪生卷积网络的结合可提高半监督迁移学习分类的效果,较好地解决跨区域的高光谱图像分类问题.     

基于深度学习算法的高分辨率无人机遥感图像自动分割

高分辨率无人机遥感图像自动分割对于图像的目标识别与检测具有重要意义,为提升图像分割精度,提出基于深度学习算法的高分辨率无人机遥感图像自动分割方法。采用直方图均衡化算法增强遥感图像后,构建基于编/解码器架构的深度学习网络语义分割模型,针对增强后的图像,在编码环节中引入残差模块强化对分割目标有效的特征;在解码环节中,采用多尺度融合模块将低层特征的局部细节信息和高层特征的语义信息相融合。同时针对遥感图像内地物类别不均衡的现象,以带权重的交叉熵为模型损失函数,克服模型选择偏好问题,提升模型分割精度。实验结果显示该方法可准确分割遥感图像内不同类型目标,分割精度达到95%以上。     

改进YOLOv5的遥感图像检测方法

针对YOLOv5在遥感图像目标检测中未能考虑到遥感图像背景复杂、检测目标较小且图像中目标语义信息占比过低导致的检测效果不佳和易出现误检漏检等问题,提出了一种改进YOLOv5的遥感图像目标检测方法。将轻量级的通道注意力机制引入到原始YOLOv5的特征提取和特征融合网络的C3模块中,以提升网络局部特征捕获与融合能力;强化对遥感图像的多尺度特征表达能力,通过增加一个融合浅层语义信息的细粒度检测层来提高对小目标的检测效果;使用Copy-Paste数据增强方法来丰富训练样本数量,在不增加模型计算量的情况下可进一步解决遥感图像背景信息占比过高而目标区域占比过低的问题。实验结果表明,改进YOLOv5在公开的DOTA和DIOR遥感图像数据集上mAP结果分别达到0.757和0.759。该方法较原始YOLOv5可提高0.017和0.059,相比于其他典型遥感目标检测方法在精度上也有所提升,证明了改进YOLOv5方法的有效性。     

基于深度学习的光学遥感图像目标检测研究进展

光学遥感图像的目标检测 (Optical remote sensing images object detection, ORSIOD) 是航空和卫星图像分析领域的一个基本但具有挑战性的问题, 近年来受到广泛关注. 本文从如下几个方面介绍了基于深度学习的光学遥感图像目标检测的研究现状. 首先对光学遥感图像目标检测的主要难点进行了介绍, 接着对现有基于深度学习的目标检测算法进行概括, 并以光学遥感图像目标检测的难点为驱动分析对比了不同的基于深度学习的光学遥感图像目标检测方法的优缺点, 最后对未来的发展趋势进行了详细的分析.     

基于深度卷积网络的目标检测综述

在基于区域的卷积神经网络提出后,深度卷积网络开始在目标检测领域普及,更快的基于区域的卷积神经网络将整个目标检测过程合成在一个统一的深度网络框架上.随后YOLO和SSD等目标检测框架的提出进一步提升目标检测的效率.文中系统总结基于深度网络的目标检测方法,归为2类:基于候选窗口的目标检测框架和基于回归的目标检测框架.基于候选窗口的目标检测框架首先需要在输入的图像上产生很多的候选窗口,然后对这些候选窗口进行判别.这里的判别包括:对窗口包含物体的类别(包括背景)进行判断、对窗口的位置进行回归.基于回归的目标检测方法将图像目标检测看作是一个回归的过程.在此基础上,在PASCAL_VOC和COCO等主流数据库上对比目前两类目标检测框架中的主流方法,分析两类方法各自的优势.最后根据当前深度网络目标检测方法的发展趋势,对目标检测方法未来的研究热点做出合理预测.     

基于深度学习的遥感图像目标检测技术研究进展

目标检测是遥感图像信息提取领域中的研究热点之一,具有广泛的应用前景。近些年来,深度学习在计算机视觉领域的发展为海量遥感图像信息提取提供了强大的技术支撑,使得遥感图像目标检测的精确度和效率均得到了很大提升。然而,由于遥感图像目标具有多尺度、多种旋转角度、场景复杂等特点,在高质量标记样本有限的情况下,深度学习在遥感图像目标检测应用中仍面临巨大挑战。从尺度不变性、旋转不变性、复杂背景干扰、样本量少和多波段数据检测5个角度出发,总结了近几年基于深度学习的遥感图像目标检测方法。此外,对典型遥感图像目标的检测难点和方法进行分析和总结,并对公开的遥感图像目标检测数据集进行概述。最后阐述了遥感图像目标检测研究的未来趋势。     

RMFS-CNN：遥感图像分类深度学习新框架

现有卷积神经网络（convolutional neural network,CNN）利用卷积层和激活函数的叠加,构建复杂非线性函数拟合输入数据到输出标签的转换关系,这种端到端的学习方式严重影响了CNN特征图与先验知识的融合,导致其对训练样本数量和质量敏感,同时增加了CNN特征图可解释性难度。本文从深度学习建模方式角度出发,以遥感图像特征表达及其可解释性为切入点,搭建传统遥感图像先验知识与CNN的桥梁,分析阐述了黎曼流形特征空间（Riemannian manifold feature space,RMFS）对CNN可解释性、特征演化规律等方面的促进作用;提出融合CNN与RMFS构建RMFS-CNN遥感图像分类新框架,以RMFS为特征过渡平台,一方面利用其线性特征分布规律降低CNN对传统图像特征的学习难度,另一方面定义能够突显图像先验知识的表达范式,提高CNN对可解释性特征的学习能力,以达到利用RMFS对先验知识（特征）表达的优异性能提高CNN遥感图像分类特征利用效率的目的;以RMFS特征表达范式为基础定义控制CNN特征学习偏好的损失函数,进而发展具有良好特征解释性的CNN分类模型及可控的模型训练方法;最后指出构建RMFS-CNN分类框架的可行性及该框架对遥感图像分类和深度学习理论发展方面的理论贡献与应用价值。     

仿真图像作为模板的遥感影像小目标检测方法

随着传感器技术和航空遥感技术的不断进步,遥感影像的质量和数量也得到了极大的提高,而遥感影像中的目标检测是理解和分析遥感影像所面临的一个基本问题。针对神经网络在遥感影像小目标检测任务中难以提取足够多的有效特征、遥感小目标易受云雾遮挡等问题,提出了一种基于仿真图像模板匹配的方法,通过特征融合的方式成功地将该方法应用于遥感影像小目标检测任务。成像仿真技术生成的仿真图像包含了更多的遥感小目标特征,如几何形状、材质等。在与深度学习结合之后,更多的特征可以提升神经网络检测遥感影像小目标的准确率。实验结果表明将基于仿真图像的模板匹配方法应用于深度学习之后,对于遥感影像小目标检测取得了较好的效果,尤其是针对受到云雾等天气干扰的小目标。     

基于深度卷积神经网络的油罐目标检测研究

油罐是用于储存油品的工业设施，常用在炼油厂等工业园中，通过卫星或航空遥感图像实现油罐目标的快速检测，可以实现对侵占生态保护红线的疑似工业园区的快速查找，为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性，基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架，通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试，实现了遥感影像上油罐目标的快速检测；通过修改锚点尺度和数量，丰富了候选框类型和数量，提升了油罐的目标检测精度，最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测，为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。     

基于深度卷积神经网络的油罐目标检测研究

油罐是用于储存油品的工业设施,常用在炼油厂等工业园中,通过卫星或航空遥感图像实现油罐目标的快速检测,可以实现对侵占生态保护红线的疑似工业园区的快速查找,为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性,基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架,通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试,实现了遥感影像上油罐目标的快速检测;通过修改锚点尺度和数量,丰富了候选框类型和数量,提升了油罐的目标检测精度,最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测,为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。     

注意力机制改进卷积神经网络的遥感图像目标检测

目的 遥感图像目标检测是遥感图像处理的核心问题之一,旨在定位并识别遥感图像中的感兴趣目标。为解决遥感图像目标检测精度较低的问题,在公开的NWPU_VHR-10数据集上进行实验,对数据集中的低质量图像用增强深度超分辨率（EDSR）网络进行超分辨率重构,为训练卷积神经网络提供高质量数据集。方法 对原Faster-RCNN （region convolutional neural network）网络进行改进,在特征提取网络中加入注意力机制模块获取更多需要关注目标的信息,抑制其他无用信息,以适应遥感图像视野范围大导致的背景复杂和小目标问题;并使用弱化的非极大值抑制来适应遥感图像目标旋转;提出利用目标分布之间的互相关对冗余候选框进一步筛选,降低虚警率,以进一步提高检测器性能。结果 为证明本文方法的有效性,进行了两组对比实验,第1组为本文所提各模块间的消融实验,结果表明改进后算法比原始Faster-RCNN的检测结果高了12.2%,证明了本文所提各模块的有效性。第2组为本文方法与其他现有方法在NWPU_VHR-10数据集上的对比分析,本文算法平均检测精度达到79.1%,高于其他对比算法。结论 本文使用EDSR对图像进行超分辨处理,并改进Faster-RCNN,提高了算法对遥感图像目标检测中背景复杂、小目标、物体旋转等情况的适应能力,实验结果表明本文算法的平均检测精度得到了提高。     

航空遥感图像深度学习目标检测技术研究进展

航空遥感图像目标检测旨在定位和识别遥感图像中感兴趣的目标,是航空遥感图像智能解译的关键技术,在情报侦察、灾害救援和资源勘探等领域具有重要应用价值。然而由于航空遥感图像具有尺寸大、目标小且密集、目标呈任意角度分布、目标易被遮挡、目标类别不均衡以及背景复杂等诸多特点,航空遥感图像目标检测目前仍然是极具挑战的任务。基于深度卷积神经网络的航空遥感图像目标检测方法因具有精度高、处理速度快等优点,受到了越来越多的关注。为推进基于深度学习的航空遥感图像目标检测技术的发展,本文对当前主流遥感图像目标检测方法,特别是2020—2022年提出的检测方法,进行了系统梳理和总结。首先梳理了基于深度学习目标检测方法的研究发展演化过程,然后对基于卷积神经网络和基于Transformer目标检测方法中的代表性算法进行分析总结,再后针对不同遥感图象应用场景的改进方法思路进行归纳,分析了典型算法的思路和特点,介绍了现有的公开航空遥感图像目标检测数据集,给出了典型算法的实验比较结果,最后给出现阶段航空遥感图像目标检测研究中所存在的问题,并对未来研究及发展趋势进行了展望。     

基于改进Live-Wire算法的无人机遥感影像标注

标签的制作是深度学习应用的关键步骤,为了克服无人机平台的复杂运动、光照条件不足、地物轮廓复杂等导致遥感影像的地物轮廓提取和标注的难点,文中提出一种改进的Live-wire算法并用于无人机遥感影像的典型地物的标签标注;通过改进模糊隶属度函数克服了Pal-King隶属函数灰度覆盖空间不足的缺陷并结合双阈值方法实现边缘点的提取,以改进的Pal-King的模糊边缘检测方法替代Live-Wire算法的拉普拉斯边缘提取方法;通过增加节点之间梯度幅值的变化特征优化代价函数,以提高Live-Wire算法的轮廓跟踪的连续性;大量的对比实验证明,相较于传统方法,改进的Live-Wire方法的轮廓提取和跟踪的稳健性、效率更高.     

改进的基于深度学习的遥感图像分类算法

针对传统的基于深度学习的遥感图像分类算法未能有效融合多种深度学习特征，且分类器性能欠佳的问题，提出一种改进的基于深度学习的高分辨率遥感图像分类算法。首先，设计并搭建一个七层卷积神经网络；其次，将高分辨率遥感图像样本输入到该网络中进行网络训练，得到最后两个全连接层输出作为遥感图像两种不同的高层特征；再次，针对该网络第五层池化层输出，采用主成分分析（PCA）进行降维，作为遥感图像的第三种高层特征；然后，将上述三种高层特征通过串联的形式进行融合，得到一种有效的基于深度学习的遥感图像特征；最后，设计了一种基于逻辑回归的遥感图像分类器，可以对遥感图像进行有效分类。与传统基于深度学习的遥感图像分类算法相比，所提算法分类准确率有较高提升。实验结果表明，该算法在分类准确率、误分类率和Kappa系数上表现优异，能实现良好的分类效果。     

基于深度学习算法的卫星影像变化监测

遥感影像的变化检测是遥感应用研究的热点之一,在城市变化、环境监测、土地利用以及基础地理数据库更新等领域中有着广泛的应用.变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程,具体工作是对同一地区不同时相的两幅或多幅图像进行分析,检测出其中的变化部分与未变化部分.本文提出了基于堆栈降噪自动编码器网络的变化检测方法,将应用于SAR (Synthetic Aperture Radar,合成孔径雷达)卫星图像变化检测的深度学习算法改进,使之适用于高分光学卫星图像,然后在孪生网络的结构上进行改进,提出了基于分支卷积神经网络的变化检测方法,最后设计算法去除了阴影干扰和噪声等伪变化,并在高分二号卫星中宁夏地区的实际生产数据影像上进行了测试,取得了不错的效果.     

基于显著性特征和角度信息的遥感图像目标检测

遥感图像中的目标具有密集性、多尺度和多角度等特性,这使得遥感图像多类别目标检测成为一项具有挑战性的课题。因此,文中提出了一种新的端到端的遥感图像目标检测框架。该框架通过提取显著性特征和不同卷积通道之间的相互关系来增强目标信息,抑制非目标信息,从而提高特征的表示能力。同时,在不增加模型参数的情况下,在卷积模块中添加多尺度特征模块来捕获更多的上下文信息。为了解决遥感图像中目标角度多变这一问题,该框架在区域建议网络中加入了角度信息,得到有角度的矩形候选框,并在训练过程中添加注意力损失函数来引导网络学习显著性特征。该框架在公开的遥感图像数据集上进行了相关验证,在水平任务框和方向任务框上的实验结果证明了所提方法的有效性。