AI+遥感
遥感技术已在军事国防、环境监测、地质灾害检测和城市规划等领域展现重要的应用价值。伴随着人工智能技术近年来的蓬勃发展，将人工智能赋能遥感技术，贯穿遥感数据采集、处理分析到应用的全链路，实现人工智能与遥感技术的颠覆性深度融合，可大幅提高遥感解译的效率和精度，促进遥感技术应用的变革性发展。“AI+遥感”专刊就该领域的前沿热点问题进行探讨，本专栏14篇创新性研究成果包括综述、研究论文、数据集论文等供您赏析!
主题关键词： 深度学习遥感图像遥感目标检测注意力机制有向目标检测U-Net高程高分影像高光谱图像
- 论文汇编
- 摘要：近年来，随着深度学习等人工智能技术在光学遥感目标检测领域中的快速发展，大量相关研究算法不断涌现，逐渐形成了一种基于数据驱动的光学遥感图像目标检测新范式。高质量的遥感数据成为了此类范式算法研究的前置条件和必要储备，遥感数据的重要性日益凸显。迄今为止，国内外各大研究机构已相继发布了数量众多且规模不一的光学遥感图像目标检测数据集，为基于深度学习的遥感图像目标检测算法的发展奠定了研究基础。然而，当前尚未有相关学者对已发布的光学遥感图像检测数据集进行全面的归纳整理与分析，针对此问题，本文全面调研领域文献，对2008年—2023年期间已发布的公开光学遥感图像检测数据集进行整合分析，并依据不同的数据标注方式进行划分，对其中的11个典型数据集进行了全面阐述，以表格的形式对所有的数据集信息进行归纳总结，同时采用3种分析方式去描述数据集的发展情况，即：元数据分析，从数量分布、地域分布、来源分布、规模分布着手；分辨率分析，从空间分辨率与光谱分辨率着手；基本信息分析，从类别数量、图像数量、实例数量及图像宽度信息着手，有效论证了光学遥感图像目标检测数据集必然朝着高质量、大规模、多类别的方向发展。此外，针对已发布的数据集，从水平框目标检测、旋转框目标检测以及细分检测方向（小目标检测和细粒度检测）等多个角度对相关算法的应用和发展进行了概述，证实了遥感数据对目标检测算法的研究具有积极的推动作用。综上，本文将为基于深度学习的目标检测算法在遥感领域的应用提供参考。关键词：深度学习;光学遥感图像;数据源;目标检测;数据集发展7428|11031|5<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：遥感图像军用飞机目标识别是对遥感图像中的军用飞机进行定位和细粒度分类，其在侦察预警、情报分析等领域起着至关重要的作用。但是，由于数据集匮乏，遥感图像军用飞机目标识别发展相对缓慢。为推动该领域的研究进展，本文构建了公开的遥感图像军用飞机目标识别数据集MAR20（Military Aircraft Recognition）。该数据集具有以下特点：（1）MAR20是目前规模最大的遥感图像军用飞机目标识别数据集，包含3842张图像、20种军用飞机型号以及22341个实例，并且每个目标实例具有水平边界框和有向边界框两种标注方式；（2）由于所有的细粒度类别均隶属于飞机大类，因此不同型号的飞机往往具有相似的特征，导致不同型号目标具有较高的相似性；（3）由于遥感图像采集过程中受到气候、季节、光照、遮挡、乃至大气散射等因素的影响，相同型号的目标存在较大的类内差异性。最后，为建立遥感图像军用飞机目标识别基准，本文在MAR20数据集上评估了7种常用的水平框目标识别方法和8种有向框目标识别方法。关键词：军用飞机;目标识别;数据集;遥感图像;细粒度识别19865|13554|17<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：随着人工智能技术的进一步发展，深度学习方法在船舶检测领域发挥着重要作用。然而，深度学习算法出现的虚警和漏检，对船舶检测领域技术的应用存在一定的阻碍。虽然经典的深度学习方法能够有效处理单一背景的海面，但是当面对复杂背景之下的数据时，经典模型很容易得出岸上的虚警。并且在常规训练中，模型常常对一些显著特征过于关注，出现特征过拟合现象，当这些显著特征发生改变时极易出现漏检。在模型对输入进行前向传播的过程中，模型中不同网络层会对输入生成对应的映射，也就是特征图。充分利用特征图的语义信息和空间信息是一种有效减少虚警和漏检的方法。与传统模型相比，我们提出的特征图强化网络可以充分利用特征图生成自适应特征图掩码与水陆分割掩码，避免模型的特征过拟合与削弱复杂背景造成的影响，最终达到减少虚警与漏检的目的。在现有公共数据集上与算法模型的对比实验结果表明，本文所提出的方法的性能更为出色，超过了其他SOTA算法。关键词：遥感成像;人工智能;船舶目标检测;神经网络;特征图;网络强化;旋转目标检测;抑制过拟合2581|1657|0<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：为了提高遥感图像目标检测的效率及精度，本文提出了一种基于改进CenterNet的遥感图像目标检测方法。基于CenterNet的检测框架，该方法能够降低目标检测所需要的步骤，减少对锚框的依赖。而在CenterNet的基础上，所提方法通过采用带有转置卷积的ResNet作为骨干网络，降低了骨干网络的参数数量；然后针对训练用的热力图标签，提出了针对中心点设计的高斯核适用范围边长的计算方法；最后利用注意力机制，提高所提取特征中目标区域特征的有效性。在公开的高分辨率遥感图像上的实验结果表明，3种改进措施将目标检测的精度提高了4.0%，与此同时所需的检测时间降低为原来的31.9%。与其他对比方法相比，所提方法在精度和速度上均有一定的优势，表明所提方法在遥感图像目标检测中具有一定的实用性。关键词：遥感图像;目标检测;深度学习;CenterNet;注意力机制1876|2380|6<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：遥感图像有向目标检测是一项非常有挑战性的任务，受到了广泛的关注。随着深度学习的迅速发展，基于卷积神经网络（CNN）和自注意力网络（Transformer）的神经网络在有向目标检测方面取得了显著成果。然而，对于遥感图像中的有向目标，仍然存在对边界信息和显著特征信息的关注不足的问题。其中，不同方向目标的边界信息有限且难以提取，而显著特征的全局依赖关系相对稀疏。因此，本文提出了基于特征重组和自注意力的遥感图像有向目标检测方法。该方法主要包括空间通道重组的回归分支和自注意力分类分支。其中，回归分支通过在通道维度中重组空间信息，更加关注边界敏感信息，以实现对定位框的精确定位。分类分支依据带有位置信息的自注意力捕获目标根本判别性的特征，并增强特征的全局依赖性，从而实现准确分类。通过广泛的实验验证，证明了所提出模型的有效性和鲁棒性。在公开数据集DOTA、HRSC2016和SODA-A上表现优秀。关键词：遥感图像;有向目标检测;检测头;特征重组;自注意力780|2787|5<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：遥感图像有向目标检测是遥感图像解译中的一项基础任务，在许多领域有着广泛的应用。由于遥感图像目标尺度差异性大、方向任意且紧密排列，传统目标检测所使用的水平框无法准确的定位目标。因此，遥感图像有向目标检测成为目前遥感领域的研究热点。受益于深度学习的发展，遥感图像有向目标检测取得了突破性进展，但是大多数方法仅在检测头部加入角度预测参数，在训练过程中没有充分利用角度信息和语义信息。本文提出了一种多元信息监督的遥感图像有向目标检测方法。首先，在感兴趣区域提取阶段利用角度信息监督网络学习目标方向，从而使网络第一阶段生成更加贴近遥感图像目标的有向候选区域。其次，为了充分利用图像语义信息，本文在网络第二阶段增加语义分支，并使用图像语义标签进行监督学习。本文以Faster R-CNN OBB为基准，在DOTA数据集上验证所提方法的有效性。本文方法相比基准，平均精度（mAP）提升了2.8%，最终的检测精度（mAP）达到74.6%。关键词：目标检测;有向目标检测;区域建议提取;多元信息;遥感图像1475|2635|3<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：海雾是海上一种常见的天气现象，它使能见度降低，给海上交通和作业带来极大威胁。传统的卫星遥感海雾监测算法在准确率、可移植性及自动化程度等方面都有待改善。本文在注意力机制下，利用卫星遥感云图，提出一种多尺度特征融合生成对抗网络的白天海雾监测方法。该方法引入通道注意力机制，通过学习不同输入通道的权重，提升了网络对于重要通道云图的关注度；在此基础上，采用多尺度特征融合以获取海雾的多尺度信息，使提取的特征能兼顾海雾的整体及细节特性；为了进一步提高算法对于对海雾边缘的界定能力，本文引入对抗网络对海雾监测的生成网络进行监督，从而得到更精细的海雾区域。在测试云图的海雾监测实验中，命中率（POD）、临界成功指数（CSI）及误报率（FAR）分别为90.5%、81.28%和10.86%，均优于传统海雾监测方法以及其他基于深度学习的方法，这表明本文方法可以有效提升海雾监测的精度，研究成果对于海上船只航行、渔业生产、国防军事等具有重要意义。关键词：海雾监测;卫星遥感;注意力机制;生成对抗网络;多尺度特征融合2062|3714|1<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：高光谱异常检测旨在识别与周围像素具有显著光谱差异的像素，由于不需要先验光谱信息的特点，其在军事和民用领域发挥重要价值。实现高光谱异常检测的一个重要手段是局部对比度计算，现有方法通常采用双窗口法进行计算，然而，窗口尺寸通常依据经验值进行手工设定，泛化能力不足。为了解决上述问题，本文提出了一种融合自适应窗口显著性检测和改进超像素分割的高光谱异常检测方法。该方法先利用对抗自编码网络对高光谱图像进行降维，以降低模型计算复杂度。其次，引入正交投影散度来改进超像素分割中的光谱距离度量方式，提升分割精度。然后，提出一种自适应窗口显著性检测算法来初步定位异常目标，该算法依据超像素分割结果来自适应确定双窗口，提高显著性检测的精度和泛化能力。最后，采用域变换递归滤波和阈值化操作对初始检测结果进行后处理，降低虚警率。消融实验表明，本文所提基于正交投影散度的改进超像素分割算法较基于传统光谱距离度量方式的算法性能更优，所提自适应窗口显著性检测算法的性能优于传统手工设定窗口尺寸的算法；与7种流行算法的主、客观对比实验表明，本文方法在总检测精度和异常—背景像素分离度上均优于流行算法。综上所述，本文所提改进超像素分割算法能提升现有高光谱图像超像素分割的效果，以此为基础所设计的自适应窗口显著性检测算法不仅能克服现有双窗口算法泛化能力不足的问题，还能获得优于流行算法的异常检测效果。关键词：异常检测;高光谱图像;正交投影散度;超像素分割;自适应窗口;显著性检测1687|1784|4<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：当前，结合遥感图像和深度学习进行单木树冠检测已经成为一种趋势。RGB图像是检测中最常用的数据类型，但由于树冠的颜色和纹理一般比较接近，在树冠密度较高的区域，仅使用RGB图像的颜色和纹理信息难以区分不同个体的树冠。对此，本研究在RGB图像的基础上，叠加了高程信息，以提高单木树冠检测的精度。实验采用彩色图像RGB图像和数字表面模型DSM（Digital Surface Model）作为数据源，并分别利用波段组合和双源检测网络模型两种方法结合RGB和DSM进行单木树冠检测。在前一种方法中，对RGB和DSM进行波段组合，生成GBD、RGD和RBD 3类图像，并使用这3类图像分别进行网络的训练和测试。在后一种方法中，将RGB和DSM输入双源检测网络模型，并得到检测结果。本文使用FPN-Faster-R-CNN和Yolov3进行实验，相比于RGB方案（仅使用地物的颜色和纹理信息进行单木树冠检测，是对照方案），FPN-Faster-R-CNN在GBD方案、RBD方案和双源检测网络方案中的平均精度分别上升了3.36%、2.45%和7.77%，在RGD方案中的平均精度下降了0.17%，Yolov3在GBD方案、RBD方案和双源检测网络方案中的平均精度分别上升了0.72%、0.14%和5.71%，在RGD方案中的平均精度下降了0.98%。在两个网络下，双源检测网络方案都在各方案中取得了最佳的检测结果。并且相对于RGB方案，双源检测网络方案在平均精度上的提升幅度随着树冠密度的上升呈现出上升的趋势。对比分析实验结果可知，在基于深度学习的城市单木树冠检测任务中，妥善结合并利用地物的颜色、纹理信息和高程信息有利于提高任务性能。关键词：遥感;单木树冠检测;深度学习;城市;高程;彩色图像;无人机2487|4470|1<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
- 摘要：以数据粒化为基础的粒计算是大数据处理领域模拟人类思考和解决大规模复杂问题的前沿方向，其通过结构化、关联化等手段提升模式挖掘与知识发现的精度与效率。为更好地实施多源多模态遥感大数据的智能处理与解译分析，获取可服务于精准应用的时空信息，本文借鉴粒计算的数据处理思维，遵照从“外在场景的视觉理解”到“内在机理的知识发现”的演进脉络，在空间、时间、属性等3个维度上剖析了遥感大数据的粒结构及其多层次、多粒度特征，并以“地理图斑”为主线发展了集成分区分层感知、时空协同反演、多粒度决策等3个基础模型的遥感粒计算方法。重点以精准农业应用需求为导向开展了实践研究，案例从多个视角阐释了粒计算契合遥感大数据智能计算的需要，验证了本文构建的理论与方法可对农业遥感多层次的复杂问题进行有序解构与逐步求解，彰显了其助益于领域化精准应用的潜在能力。关键词：遥感大数据;粒结构/粒计算;地理图斑;分区分层感知;时空协同反演;多粒度决策;精准农业应用1862|7939|5<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2024-01-22
