本期电子书封面故事整期封面整期目录交互目录
最新刊期
在线出版刊期浏览栏目浏览
2026
2025
2024
第12期
第11期
第10期
第9期
第7期
第6期
第5期
第4期
第3期
第2期
第1期
2023
2022
2021
2020
2019
2018
2017
摘要：从20世纪70年代以来，中国遥感卫星系统经历了模拟式时代到数字式时代的发展，建成了稳定运行的遥感卫星系统及相应的应用体系，当前正在向智能化、网络化的遥感巨星座时代迈进。为了更好地推动国家遥感卫星事业发展，有必要站在当前历史发展的机遇期，详细梳理其面临的技术挑战，确定未来技术攻关方向，为中国遥感卫星巨星座时代的到来预置技术、做好准备。本文通过总结回顾中国遥感卫星系统的发展历程和建设成就，从应用系统建设的角度分析了遥感卫星走向巨星座时代面临的技术挑战，特别是海量数据处理技术和大规模星群控制技术的挑战，分析了完全依靠星上智能处理存在的问题，提出了地面支持下的星上智能处理模式，在分析目前星上自主任务规划能力现状基础上，提出了基于数字孪生的星地一体智能任务管理和分布式智能协同模式。最后梳理了智能遥感巨星座1.0到3.0共3个阶段的发展路线及需要关注的关键技术，为国内遥感领域应用技术研究提供借鉴。关键词：遥感巨星座;发展历程;智能化;网络化;应用技术;星群控制;数据处理;发展规划6552|9076|11<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：近年来，遥感智能解译技术快速发展，但大多为专用模型难以泛化到不同任务中，易造成资源浪费。基础模型是一种通用可泛化的解决方案，最近在遥感领域备受关注。尽管目前有大量工作已利用遥感单时相或多时相数据在感知识别和认知预测的部分任务上取得显著成果，但缺乏一个全面的综述给遥感基础模型提供系统概述。因此本文首先从数据、方法和应用角度对现有遥感基础模型的研究进展进行总结，然后通过分析现状存在的局限提出新一代遥感通用预测基础模型的设想，最后针对亟需研究的方向进行探讨与实验，为研究人员提供遥感基础模型过去成果与未来可能性之间的桥梁。关键词：遥感智能解译;遥感基础模型;通用预测;多时相数据;多任务5690|10809|13<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：天基光学遥感动目标检测旨在对遥感卫星视频中具有连续运动特性的目标进行定位和分类，比如遥感视频卫星中的运动车辆、舰船和飞机。随着遥感视频卫星技术和深度学习技术的快速发展，基于模型驱动的传统遥感动目标检测方法正朝着基于数据驱动的深度学习方法进行演变，以完成高可靠、高时效、高性能的天基光学遥感图像动目标检测。本文介绍了光学遥感视频卫星的发展现状，并对基于模型驱动和基于数据驱动的光学遥感动目标检测方法进行了总结，梳理和分析了光学遥感动目标检测技术的发展历程。最后，在此基础上对光学遥感动目标检测的未来发展趋势进行了展望。关键词：天基光学遥感;运动目标检测;卫星视频;模型驱动;数据驱动;神经网络;时空信息;无监督学习3006|2796|3<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
综述
摘要：对遥感图像进行目标检测，具有广阔的应用前景。针对小样本背景下遥感图像目标检测任务存在特征提取不足、定位困难和分类易混淆的问题，本文提出了一种基于协同注意力模块和对比学习分支的小样本目标检测算法。首先，对训练样本进行数据增强操作，以扩充数据集规模；其次，提出了一种协同注意力模块，包括设计的背景衰减注意力和空间感知注意力，利用遥感图像丰富的背景与目标特征信息，指导网络关注与目标定位相关的重点信息，从而便于RPN网络生成更好的区域建议框，减少遗漏目标的概率，提升模型对小样本类别的定位性能；然后，设计了一种对比学习分支。基于设计的对比损失函数，通过联合训练策略，在训练时从特征学习逐步过渡到分类器学习，提高了分类的准确率；最后，设计出一种基于微调的迁移学习范式的小样本目标检测模型，分为基础训练阶段和微调阶段，在基础训练阶段借助充足的基类样本训练模型学习类无关的参数，在微调阶段使用制作的小样本数据集帮助目标检测模型适应特定类别目标，提升其检测性能。此外，本文以两阶段微调方法TFA（Two-stage Fine-tuning Approach）为基准，通过在遥感数据集NWPU VHR-10和DIOR上验证本文提出算法的有效性，结果显示本文算法在NWPU VHR-10和DIOR数据集上与其他基准算法相比，平均精度均有大幅提升。关键词：目标检测;小样本学习;遥感图像;注意力机制;对比学习1887|3760|3<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：遥感影像目标检测问题是视觉图像识别任务的重要研究内容之一，但是在船舶遥感图像中，船舶目标小且分布稀疏，使用传统的人工神经网络（ANN）进行目标检测往往会浪费大量的计算资源。脉冲神经网络（SNN）的事件驱动与低功耗特性可以极大地节省能量消耗同时解放更多的计算资源。然而SNN神经元由于其复杂动态与不可微调的脉冲操作，难以正常进行训练。作为替代，将训练好的ANN转换为SNN可以有效规避这一问题。对于转换后的深层SNN，需要大量时间步长（time steps）来维持其性能。这一过程需要大量的计算资源并对产生较大的延迟，与低功耗的研究初衷相违背。本文研究了转换后SNN需要大量time steps维持模型性能的原因，并提出了新的转换方法，基于微调的逐层转换方法；考虑硬件部署的合理性，提出了泊松群编码，相比泊松编码，泊松群编码输出的脉冲序列噪声更小，对模型性能的影响更小。实验表明，微调转换方法在SAR舰船检测数据集（SSDD、AIR-SARShip）上取得与转换前模型（97.9%、79.6%）相近的性能（96.9%、70.3%），在PASCAL VOC数据集上也获得了较好的检测性能（49.2%），而且对于泊松群编码，time steps相同的条件下神经元数目越多，对模型性能的影响越小，时间步长较少的条件下即可获得与输入模拟频率近似的性能。本文的研究可以提升转换后SNN的性能，减少转换后SNN对time steps的需求，并为SNN的硬件部署提供了一个切实有效的输入编码方法。关键词：脉冲神经网络;目标检测;船舶遥感图像;ANN-SNN转换;泊松群编码750|2281|1<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：与第二代人工神经网络（ANN）相比，第三代类脑脉冲神经网络（SNN）由于其高能效、高仿生、可解释等特点，在遥感影像智能处理的高能效、高精度、高可解译方面具有较大的潜在优势。针对现有脉冲神经网络算法延时较大的问题，本文提出一种基于类脑脉冲神经网络的遥感图像检测算法。该算法首先搭建了一个带有动态裁剪阈值激活函数的目标检测神经网络作为源网络进行预训练，随后借助训练过程中得到的裁剪阈值，通过激活神经元与脉冲神经元的映射关系将源网络转换为类脑脉冲神经网络，在继承源网络较高精度的同时还具备了低延迟、高仿生的特点。在SSDD（SAR-Ship-Detection-Datasets）和RSOD两个公开遥感数据集上的实验结果表明，该方法能够以极低的损失将源网络转换至类脑脉冲神经网络，并能在低时间步下对遥感目标实现较高的检测识别精度。同时该方法能够在继承ANN网络易于训练的特性与精度优势的同时，充分展现SNN的高稀疏度的带来的巨大能效优势。关键词：SAR;遥感图像;光学遥感;目标检测;深度学习;脉冲神经网络1212|3519|0<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：基于遥感图像的目标细粒度分类深度神经网络已技术日益成熟，网络决策的可解释性研究是当前细粒度分类深度学习算法进一步提高决策可信度的关键问题。为精确表征对模型决策起决定性作用的本质特征，本文基于博弈竞争理论对遥感图像目标细粒度分类任务进行建模，分析了IG、SmoothGrad、Grad-CAM等可解释性方法在遥感图像目标细粒度分类网络上的适用性，提出了一种尺度自适应的目标细粒度分类本质特征可解释性分析方法Hybrid-Grid，使用像素级与局部特征关系融合算法提高对支撑网络决策的目标本质特征的精确描述能力。结果表明：本文提出的Hybrid-Grid对目标细粒度分类网络的解释效果在ADCC量化评估指标上达到78.87，相较Score-CAM有大幅提升；与SmoothGrad、Grad-CAM的解释结果相对比，本文方法在删除及精度损失实验上表现最好，使EFM-Net的Top-1准确率、Top-5准确率、F1得分分别损失了16.92%、1.61%、17.21%，证明Hybrid-Grid准确解释了对细粒度分类网络决策贡献最大的目标本质特征。本文提出的可解释性分析方法能够更精准地揭示当前目标细粒度分类网络的决策特征依据。关键词：遥感图像;可解释性分析方法;目标细粒度分类网络;可解释人工智能;合作博弈理论;本质特征1865|2556|2<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：超分辨率重建技术在卫星遥感图像信息智能处理领域中有重要的应用。现有面向遥感图像超分辨率重建的深度学习方法大多只能处理一种比例因子的超分辨率重建任务，在多尺度层面上缺少泛化性，难以满足真实遥感图像多倍率连续放大的超分辨率重建任务需求。为解决遥感图像超分辨率重建过程中的多尺度放大问题，本文采用元学习的方法，在构建单一自适应模型的基础上实现对遥感图像的任意尺度超分辨率重建，提升遥感图像的空间分辨率，利用密集残差网络和通道注意力机制重建遥感图像中地物纹理、目标边缘等丰富细节信息。在真实遥感图像上的定量实验表明，本文所提方法重建结果的峰值信噪比能达到40 dB以上，同时在多种数据上的定量和定性实验结果证明了本文方法的有效性。关键词：超分辨率重建;遥感图像;任意尺度;元学习;密集残差网络;通道注意力机制1319|2704|0<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：超分辨率技术可提升遥感图像空间分辨率，为基于遥感图像的目标检测、场景分类等任务提供更加清晰的数据集，具有广泛的应用价值。然而，现有基于深度学习的超分辨率方法存在监督次数不足的问题，导致超分辨率重建图像中易出现细节损失和伪细节。针对这一问题，本文提出基于分级监督的遥感图像超分辨率方法（MSSR）。首先，提出了一个分级监督网络架构，通过引入多级真值图像作为监督，为超分辨率过程提供充足的图像细节恢复指引，进而减少超分辨率结果中细节损失和伪细节的出现。其次，为了便于构建级数可变、超分辨率倍数可变的分级监督网络，设计了一个轻量化的、超分辨率倍数可灵活调整的同构超分辨率模块（BSRC）。各级BSRC的网络结构基本相同，便于迁移网络权重，缩短训练时间。最后，针对分级网络超分辨率倍数一定时，网络级数及各级分辨率倍数有多种组合方式的问题，对比多种分级方式下的超分辨率结果，给出最佳网络分级方式。此外，构建了一个包含世界各地复杂细节地面场景的遥感图像数据集（RSSRD）。在该数据集和UCMerced、AID两个公开数据集上进行超分辨率实验，实验结果显示本文方法优于现有常用超分辨率方法。关键词：遥感图像;深度学习;分级监督;超分辨率;多尺度特征提取;渐进式网络;参数共享;迁移学习1586|2589|1<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
卫星信息智能处理技术
摘要：近年来突发性地表异常ESA（Earth Surface Anomalies）事件频发且呈上升趋势，给人类的生命、财产安全带来了巨大威胁，如何及时准确地发现地表异常事件对后续救援与灾害响应具有重要意义。一些研究人员利用卫星影像开展大尺度地表异常发现与监测，并开发、运用了先进的深度学习方法。然而，由于标签数据不足和卫星影像中几何、语义信息十分复杂，现阶段的地表异常检测方法的表现往往不能达到很好的效果。针对上述问题，本文提出了一个多层级几何—语义融合的图神经网络GNN（Graph Neural Network）框架，以实现高精度地表异常快速发现。具体而言，本文提出的方法先利用两个不同的分支从输入的卫星影像中提取不同层级的地理实体并构建图表示，然后通过分配矩阵实现图的联合表达。此后，构建了分层图注意力网络GAT（Graph Attention Network），基于图节点信息传递、聚合与注意力机制从图中进一步挖掘卫星影像中复杂的几何、语义信息，用于准确地检测地表异常。考虑到现有大规模多类地表异常检测基准数据集的缺乏，我们基于现有公开可分发数据集构建了ESAD数据集，用于基于单张卫星影像的地表异常检测任务。大量实验表明，提出的方法在地表异常检测任务中取得了优异的性能，在准确率、召回率与推理时间方面优于许多基线方法，可精确、有效地开展地表异常检测任务。关键词：遥感;地表异常;多层级融合;图神经网络;快速检测;注意力机制;灾害响应;卫星影像1515|2534|2<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：建筑物变化检测是遥感影像智能解译中的重要研究方向。针对建筑物变化检测的跨域变化检测算法中存在的像素级对比学习噪声过大和目标域样本利用不充分等问题，本文提出了实例级对比学习域适应变化检测算法ICDA-CD。首先，使用区域级域混合替代实例级域混合，以实现源域和目标域图像的有效混合；然后，利用实例级对比学习，降低伪标签噪声的影响。具体来说，在编码器中，拉开变化实例区域双时相特征距离，并在解码器中，拉近各个变化实例特征之间的距离，这可以显著提升模型对源域和目标域特征表示的一致性；最后，在损失计算部分使用伪标签质量估计，使得低置信度区域的像素也可以参与训练，提高了目标域样本的利用率。将本文方法与DACS、DAFormer、和HRDA等3种目前先进的算法进行实验对比。结果表明本文所提出来的方法在LEVIR-CD域迁移至S2Looking以及S2Looking域迁移至LEVIR-CD时F1分数分别达到了43.91%和74.75%，优于几种先进的算法。关键词：遥感图像;建筑物变化检测;对比学习;域适应;深度学习;伪标签1121|2711|1<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：合成孔径雷达（SAR）舰船检测是近年来的研究热点。然而，与光学图像不同，SAR成像的特点会导致不直观的特征表示。此外，由于SAR图像数据量不足，现有的基于大量标记SAR图像的方法可能难以达到较好的检测效果。为了解决这些问题，本文提出了一种基于多级跨模态对齐的SAR图像舰船检测算法MCMA-Net（Multi-level Cross-Modality Alignment Network），通过将光学模态中丰富的知识迁移到SAR模态来增强SAR图像的特征表示。该算法首先设计了一个基于邻域—全局注意力的特征交互网络NGAN（Neighborhood-Global Attention Network），通过对骨干网络的浅层特征采用邻域注意力机制进行局部交互、对深层特征采取全局自注意力机制进行全局上下文交互，在兼顾全局上下文建模能力的同时，提升局部特征的编码能力，使得网络在不同层级更合理的关注相应的信息，从而能够促进后续的多级别模态对齐。其次，本文设计了一个多级模态对齐模块MLMA（Multi-level Modality Alignment），通过从局部级别到全局级别再到实例级别的对两种模态不同隐含空间中的特征进行对齐，促进模型有效地学习模态不变特征，缓解了光学图像和SAR图像之间的模态鸿沟，实现了从光学模态到SAR模态的知识传输。大量的实验证明我们的算法优于现阶段的检测算法，取得了最好的实验结果。关键词：遥感;SAR;目标检测;跨模态;特征对齐;注意力机制3695|4498|6<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：光学遥感是航天侦察和地质勘测中的常用技术，拍摄得到的可见光图像能够提供非常丰富的信息，在目标监视、态势预判等方面都具有重要应用。近年来以轮船、飞机等物体检测为代表的光学遥感图像目标感知取得了显著进展，但对于目标尺度变化大，目标数量多而小的遥感图像目标感知场景中还存在巨大技术挑战，也就是在当前的光学遥感图像目标感知场景存在很多目标小并且多目标集中的情况，容易导致误检和漏检。为了解决现有遥感图像目标检测算法不同目标独立检测的内在低效性，本文提出了一种新的检测框架，即群目标检测，以期通过检测群目标的状态信息来缓解单一目标感知信息不足、可靠性差等问题，进而得到更为可靠的多目标检测结果。本文首先对群目标的概念进行定义，然后基于该定义提出了一种群目标自动化标注方案，在公开数据集上对原有标签进行分析，无需任何手动标注，就能得到含有群目标标注的注释信息。基于群目标自动化标注，本文提出了群目标检测算法，即在检测群目标的同时，利用群目标的空间约束提升单一目标检测结果。实验证明，与近年来的遥感图像检测算法相比，本文提出的群目标检测在最热门的大型遥感目标检测数据集DOTA上验证时，性能最佳。关键词：遥感图像;目标检测;边界框;群目标;自动化标注;DOTA;目标感知;多目标1679|3275|2<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：遥感卫星的多目标跟踪任务面监目标弱小，场景多样等挑战。为此，提出了一种高分辨率遥感卫星视频的多目标跟踪算法。在检测阶段，构建小目标检测器，首先在主干网络中通过Transformer捕获全局的上下文信息，然后利用注意力机制增强目标特征，最后添加了一个预测小目标的分支；在轨迹关联阶段，将检测出的小目标与已有轨迹匹配，采用关注低置信度检测的关联算法。本文选取高分辨率遥感卫星视频进行测试，测验结果表明本文提出的方法在遥感卫星视频中的多目标跟踪数据集上的MOTA指标达到63.1%，相较于基准（baseline）模型提升13.5%，能够显著提升遥感卫星视频中多目标跟踪的性能。关键词：遥感;多目标跟踪;小目标检测;注意力机制;神经网络;轨迹关联2435|5766|3<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
摘要：遥感卫星大范围区域观测在地图绘制、灾害救援等领域均具有重要作用。SAR遥感卫星具有不受云雾夜间环境影响的特点，研究SAR多星协同区域观测技术具有重要意义。针对当前缺乏SAR多星协同对复杂区域快速观测规划方法的问题，本文首先对大范围复杂区域覆盖率计算进行分析，提出了结合高斯投影、网格划分与几何运算的复杂区域覆盖率计算方法；然后对SAR条带成像模式进行覆盖分析，提出了结合角度限制和两维分解的候选区域分解方法；最后提出了结合贪婪算法初始化、精英保留策略和3次适应度函数的改进遗传算法用于区域覆盖率优化。本文选取4颗在轨SAR卫星和3个区域目标进行仿真实验，实验结果证明本文方法在北京市、天津市、上海市3个区域都能够实现优异的区域覆盖率优化，相比贪婪算法，本文方法在上述3个区域的覆盖率分别提升3.17%、2.94%、9.02%。该算法可为SAR多星协同区域观测系统的建立提供技术基础。关键词：遥感;星载SAR;多星协同;区域观测;覆盖计算;区域分解;遗传算法2185|1958|5<HTML><网络PDF> <Enhanced-PDF> <Meta-XML>更新时间：2024-07-31
卫星信息智能应用
