基于深度学习的高分遥感图像建筑物识别

该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感图像深度学习目标检测中样本库和遥感数据库的建设提供参考,为利用深度学习开展多尺度、多源高分遥感建筑物检测与识别提供支持。

遥感图像去噪方法研究综述

成像环境的复杂性导致遥感图像中含有多种类型的噪声,通过对这些噪声的去除,可以有效提高后续工作的效率和精度。近年来,针对遥感图像的去噪方法逐渐成为图像处理领域中的研究热点。在吸收国内外众多学者研究工作的基础上,对可见光遥感图像、红外遥感图像和SAR图像的去噪方法进行了系统性总结。介绍了遥感图像中噪声的主要来源及表现形式;列举了可用于遥感图像去噪方法研究的开源数据集和公开数据平台;根据处理域的不同,阐述了传统遥感图像去噪方法的优势和局限性。对基于深度学习的前沿遥感图像去噪方法进行了重点介绍,总结了其主要创新和不足之处。最后,对遥感图像去噪任务所面临的难题和未来发展方向进行了分析与展望。

用于迁移学习的飞机遥感图像数据集的建立

遥感图像目标识别是空天遥感应用领域中的一个重要研究方向,在军用、民用方面都有着深远的理论意义和巨大的应用价值。以遥感图像飞机目标的细分类研究为目的,以民用客机、直升机、初级教练机、战斗机、运输机和轰炸机这6类飞机为代表,注重于建立起用于迁移学习的各类飞机的遥感图像数据集,并介绍了图像采集、图像预处理的相关操作。该数据集的建立,为日后遥感图像飞机目标识别系统的搭建打下坚实的基础。

不同样本数据集对遥感图像超分辨率重建质量的影响

遥感图像超分辨率重建(Super-resolution reconstruction of remote sensing image)是指在同一观测区域或同一场景的背景下,利用其不同观测角度,不同观测时间或不同传感器获取多幅低分辨率图像序列从而重建出高分辨率图像的技术。在深度学习领域中,大多数文献侧重于深度学习网络框架及改进算法的研究以提升图像超分辨率重建效果。然而,样本库的数量与质量作为决定图像超分辨率重建质量优劣的重要因素之一,样本库的数量和质量对图像超分辨率重建质量之间的关系的研究也显得尤为重要。本文将运用SRCNN方法,重点针对少数据样本展开研究,基于不同样本库下少样本数据集进行遥感图像超分辨率重建,对比同源、异源及混样本数据集对遥感图像超分辨率重建质量的影响。实验结果表明,在少样本数据集下,同源重建质量大于异源重建质量且同源重建质量与数据集的空间分辨率呈正比关系,在混合样本数据集中,重建图像的质量依赖于混合数据集样本中原始数据的空间分辨率的质量。

基于深度学习的遥感图像舰船目标检测算法综述

海面舰船目标检测是遥感图像处理和模式识别领域备受关注的重点研究方向,对舰船目标的自动检测在民用和军用方面都具有重大意义。梳理和分析了典型基于深度学习的目标检测算法的优缺点,并进行了对比和总结;归纳了基于深度学习的舰船目标检测的技术现状,并从多尺度检测、多角度检测、小目标检测、模型轻量化和大幅宽遥感图像舰船目标检测等方面对技术现状进行了详细的介绍。最后,介绍了舰船目标识别算法常用的评价标准和现有的舰船图像数据集,探讨了遥感图像舰船目标检测算法现在所面临的问题和未来的发展趋势。

基于深度学习的光学遥感图像目标检测综述

目标检测是光学遥感图像解译的核心环节,广泛应用于情报侦察、土地利用、城市规划等领域。近年来,深度学习的发展成熟使光学遥感目标检测的精确度和效率得到大幅提升。本文首先综述了基于深度学习的通用目标检测算法;然后介绍了当前常用的光学遥感图像目标检测数据集并依据数据特点分析了数据集的发展趋势;接着根据遥感图像检测难点,从任意方向、多尺度、小目标、密集分布、复杂背景5个方面详细梳理了算法的优化方案;最后展望了光学遥感图像目标检测研究的发展方向。

基于YOLOv5s的遥感图像的车辆小目标检测

由于YOLOv5s检测效果好、计算复杂度低而被广泛应用于各类目标检测任务,但是其过大的下采样步长导致对卫星遥感图像中的车辆小目标检测难以获得满意的结果。为了提升对小目标检测的性能,基于YOLOv5s采取降低下采样步长的策略以保护车辆小目标的纹理和几何特性,同时在检测头前插入注意力机制模块以抑制复杂背景对目标的干扰。在0.5 m/pixel分辨率的自建数据集上进行测试,提出的SA-YOLOv5s对车辆目标检测的AP、Recall、Precision值分别达到90.1%、89%和87.3%,与YOLOv5s相比分别提升了16.4、6和5个百分点,表现出良好的检测性能。

基于改进DCGAN算法的遥感数据集增广方法

遥感数据集规模是深度学习目标检测算法性能的关键,如何利用少量数据生成大量标注图像成为当前的研究热点。针对这一问题,结合二次掩模技术,提出一种基于改进DCGAN算法的遥感数据集增广方法,自定义目标个数与位置,实现图像与标签的扩增,解决了基于GAN图像增广算法中无对应标签生成的问题。同时,针对DCGAN算法生成图像质量不高的问题,提出多尺度特征融合技术,优化DCGAN算法,提升图像质量。实验表明,在MNIST和PlANE两种数据集上,改进DCGAN算法生成的图像质量与图像多样性均优于DCGAN算法;在利用Tiny-YoloV2算法设计的验证实验中发现,所提算法增广的数据集,检测AP值高达85.45%,相对未增广算法与传统增广方法,AP值分别提高了16.05%和2.88%,验证了算法的有效性。

改进的DeeplabV3Plus高分辨率遥感影像土地覆盖分类

高分辨率遥感图像中提取的土地覆盖信息在城市规划建设和土地利用等领域具有巨大的价值,但由于土地覆盖类型复杂、光谱差异性较小等因素,目前对土地覆盖类别进行高质量的语义分割仍然受到一定限制。因此,针对该问题提出了一种新颖的全连接网络MFC-Net,该模型采用全新的基于点积注意力的空洞空间金字塔池化模块(DPA-ASPP),提高了聚合上下文信息方面的能力及效率。更进一步的,针对不同尺度的特征提出了注意力增强融合模块(AEFM)来增强特征表示,改善不同形状和大小地物的分割效果。该模型充分利用了高分辨率遥感影像中丰富的上下文信息及多尺度信息,在LoveDA大型遥感图像数据集上取得了优于当前主流模型的分割结果(84.26%MPA和69.67%MIOU)。

光学遥感图像海面船舶目标检测技术进展

海面船舶目标检测一直是遥感图像处理、模式识别与计算机视觉等领域的研究热点,船舶作为海上运输载体和重要军事目标,对其进行自动检测在军用与民用领域有着广阔的应用前景和重要现实意义。本文梳理了用于海面船舶目标检测的光学成像卫星的发展情况,分析了光学遥感成像船舶目标的物理特性和特征,归纳了国内外该领域海面船舶检测技术研究现状,围绕构建相关目标检测模型和架构的相关理论与关键技术进行了分析、比较和总结,探讨了当前光学遥感图像船舶目标检测方法面临的问题与挑战以及未来的发展趋势。

一种改进FCN的输电线路航拍图像语义分割方法

针对输电线路航拍图像中存在的背景复杂,绝缘子外观多样,导/地线相对细小,关键目标间相互遮挡等难点问题,传统的分割方法中人工选取特征对多类目标分割普适性较低,分割效果相对较差等不足,提出了一种改进全卷积网络的输电线路航拍图像语义分割方法。首先构建了输电线路航拍可见光图像语义分割数据集,训练深度网络达到对关键部件分割的目的;其次在全卷积网络语义分割方法的基础上,改进深度网络,在网络提取的深度特征上采样阶段采用多尺度的膨胀卷积;最后加入概率图模型条件随机场进一步优化分割效果。实验结果表明,所提方法平均像素分类精确度提高了2.43%,均交并比提高了3.53%,实现了输电线路航拍图像绝缘子、线路金具、导/地线、杆塔关键部件端到端的自动化分割。

NOAA/AVHRR陕西局地数据集的生成及应用

本文介绍了利用国家卫星气象中心“极轨气象卫星资料接收处理系统”的标准局地数据集生成ＮＯＡＡ／ＡＶＨＲＲ陕西省局地数据集的方法。并示例介绍了该数据集在制作陕西省ＮＯＡＡ／ＡＶＨＲＲ假彩色合成遥感影像中的应用。

基于遥感图像的多模态小目标检测

由于遥感图像目标往往较小且容易受光线、天气等因素的影响,所以单一模态下基于深度学习的遥感图像目标检测的准确度较低。然而,不同模态间的图像信息可以相互增强提高目标检测的性能。因此,基于RGB和红外图像,提出了一种适用于遥感图像多模态小目标检测的平衡多模态深度模型。相比简单地相加、点乘和拼接的方式融合2个模态的特征信息,设计了一种平衡多模态特征的方法增强目标特征,以弥补单一模态信息不足的缺点。首先分别对RGB和红外图像进行浅层特征提取;其次,融合2个模态的特征信息并进行深层的特征提取;然后,基于YOLOv4方法,构建了多模态小目标检测模型。最后,基于VEDAI数据集,在遥感图像多模态小目标检测实验结果中验证了该方法的有效性。

MAR20:遥感图像军用飞机目标识别数据集

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。

光学遥感图像目标检测数据集综述

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。

基于卷积神经网络的光学遥感图像内容检索

分析了基于底层特征提取的图像检测方法的不足,提出了一种基于卷积神经网络的光学遥感图像内容检索方法。首先使用卷积神经网络对训练样本RSSCN7-master遥感图像数据集进行训练,从样本中提取图片特征,构建图片特征库,然后借助Sofemax分类器进行特征图的分类,以达到精确分类的目的,提高模型的准确度。然后借助样本图或者实际光学遥感影像图对生成的模型进行检测,取得了不错的实验结果,测试准确率较高。实验表明该方法在光学遥感图像内容检索上的有效性,具有较高的检索准确度。

利用杆塔作观测点的环境数据自动远方监测系统

日本关西电力公司最近开发出利用输电杆塔作为观测点的环境数据自动监视系统,即用安装在输电杆塔上的自动监视装置观测气象、噪音、日照及放射量等环境信息,数据由远方监视系统送至监控中心并存储到数据库,编辑后通过因特网向社会公布.系统原理如图1所示.

深度学习结合超分辨率重建技术的电力终端设备识别系统

为了提高无线专网电力终端设备布设、故障处理的效率,设计一种基于深度学习结合超分辨率重建技术的电力终端设备识别系统。该系统利用超分辨率重建技术和Overlap切分法,改善识别大尺寸遥感图像时产生的漏检问题。加入由空间到深度(Space-to-Depth,SPD)层和非Stride卷积Conv层组成的SPD-Conv模块优化YOLOv5算法,以增强小目标检测的效果,并在自建的输电杆塔遥感图像数据集进行训练。实验结果表明,该系统对于单个设备的识别速度可达到毫秒级,mAP指标为0.833,能够有效提高电力终端设备检测的效率。

以“不变特征点集”为控制数据集的遥感图像自动化处理框架

全球变化研究需要将多种传感器光谱波长接近的图像波段一起使用,以满足遥感应用对时间分辨率和区域覆盖的要求,这给遥感图像处理提出了新要求,涉及多传感器多时相数据几何定位一致性问题、辐射归一化问题及地类属性标识一致性问题以及高度自动化处理的问题。针对上述几方面问题,提出了一个基于"不变特征点集"IFPs(Invariant Feature Points set)作为控制数据集的区域级遥感图像自动化处理框架,将图像的几何空间、辐射值空间和类别属性值空间的时空对齐问题纳入到统一框架,提供了一种间接快速处理的手段和理念,并对构建IFPs的关键技术进行了综述。

城市扩展动态变化的遥感研究

利用多时相ＴＭ 图像，提取城市扩展信息，使得以遥感手段监测与研究城市发展变化的趋势成为可能。本文采用不同时相的ＴＭ 数据作为一个混合数据集进行变换处理，使得城市扩展的“变化”信息作为一种特定信息充分体现出来。由于成像条件、环境条件等因素不同，用直方图匹配调整方法，提高不同时期原始ＴＭ 数据的“可比性”。为进一步取得定量化结果。