遙感圖像處理中的深度學習專題 《中國科學:信息科學》英文版

2020-12-02 騰訊網

SCIENCE CHINA

InformationSciences

Vol. 63 Number 4

專題簡介

深度學習是一種非常適用於大數據應用的新興技術. 在對地觀測領域, 由大量在軌衛星獲取的海量遙感數據, 使其成為數據驅動應用的典範. 過去幾年來, 遙感圖像處理相關的深度學習研究快速增長, 包括高光譜遙感圖像、合成孔徑雷達(SAR)圖像等處理、分類、參數反演及目標檢測識別. 除了遙感數據的高解析度、高維度和大尺寸之外, 該領域還存在一些特殊的挑戰, 如不同傳感器及其不同工作模式的複雜性和特殊性, 隱含在遙感數據中的獨特物理屬性, 信息反演的物理原理等. 為了促進這一領域的研究,SCIENCE CHINA Information Sciences在2020年63卷第4期組織出版了「Special Focus on Deep Learning in Remote Sensing Image Processing"(遙感圖像處理中的深度學習專題), 介紹了相關研究進展. 專題共收錄了7篇文章.

高空間解析度和高時間解析度是遙感圖像不可兼得的一對矛盾, 時空融合技術將高時間解析度、低空間解析度的數據和高空間解析度、低時間解析度的數據融合, 得到高時空解析度的圖像. Li等人的評述「Spatio-temporal fusion for remote sensing data: an overview and new benchmark"提供了一組標準數據集, 並回顧了該領域的部分代表性技術, 對比了它們在標準數據集上的性能.

Li等人的論文「A new sensor bias-driven spatio-temporal fusion model based on convolutional neural networks"提出了一種針對不同傳感器之間的空時融合方法, 解決傳統方法中不同傳感器之間的光譜和空間失真問題.

深度學習在SAR遙感領域應用的一個主要制約因素在於訓練樣本少, Hou等人的論文「FUSAR-Ship: building a high-resolution SAR-AIS matchup dataset of Gaofen-3 for ship detection and recognition"構建了我國高分三號雷達衛星的船隻檢測與識別FUSAR-Ship數據集, 採用126景高解析度高分三號SAR圖像與對應的船隻自動識別系統AIS真值數據進行匹配, 獲得6000多張帶船隻信息標註的SAR圖像切片數據集, 可為SAR船隻檢測識別算法的研究提供測試驗證數據.

雷達遙感還促進了大尺度動物遷飛監測等生態研究. Cui等人論文的「Deep-learning-based extraction of the animal migration patterns from weather radar images"採用卷積神經網絡對天氣雷達數據進行分類和分割以提取生物信息, 通過對大量天氣雷達數據的分析, 部分揭示了空中生物遷飛強度和速度等生態規律.

He等人的論文「Hybrid first and second order attention Unet for building segmentation in remote sensing images"研究了光學遙感影像中建築物與分割的問題, 提出了混合一階二階注意的卷積網絡方法, 能利用不同通道之間的內積特徵, 並在三組測試數據集上進行了性能驗證.

高光譜圖像樣本不足的問題限制了高光譜圖像分類的效果. Liu等人的論文「Cascade conditional generative adversarial nets for spatial-spectral hyperspectral sample generation"提出了一種級聯網絡C2GAN，從高光譜圖像中生成包含詳細空間光譜信息的樣本, 以補充訓練樣本。

衛星視頻處理是一個新興課題, Gu等人的論文「Deep feature extraction and motion representation for satellite video scene classification" 提出一種兩階段衛星視頻分類方法, 分別提取圖像空域特徵和目標時域運動特徵, 將兩者融合在吉林一號等衛星視頻數據中以實現8種場景的分類.

相關焦點

  • 領域大數據知識圖譜專題 《中國科學:信息科學》
    為推動領域大數據知識圖譜的研究，交流相關研究進展與成果，《中國科學: 信息科學》在2020年第50卷第7期組織出版「領域大數據知識圖譜專題」，經過嚴格的同行評議, 專題共收錄 7 篇文章, 主題涵蓋推薦系統、科技知識圖譜、事理認知圖譜、人物關係圖譜、地理知識圖譜、篇章事件連通圖、旅遊知識圖譜等方面的內容。
  • 量子信息專題 |《中國科學:信息科學》英文版
    它以快速飛行的光子作為信息傳輸的量子比特, 用物質粒子的量子特性作為信息操控的量子比特，展現了獨特而強大的信息處理功能, 在提高運算速度、確保信息安全、增大信息容量和提高測量精度等方面預示了可突破傳統經典信息系統極限的誘人前景.
  • 《中國科學:信息科學》
    大數據分析旨在從海量數據中提煉知識價值, 涉及機器學習、可視分析、數據挖掘、知識處理等多個研究領域, 而大數據的高維、多源、不確定、領域化等特性給現有分析體系帶來嚴峻挑戰.為及時反映國內大數據分析方面的最新發展,《中國科學: 信息科學》特組織本期「大數據分析專題」, 邀請國家重點研發計劃項目「大數據分析的基礎理論和技術方法」團隊成員介紹相關研究進展, 並邀請國內同行專家評審, 最終有7篇論文入選本期專題.
  • 【期刊速遞】高光譜遙感圖像處理與信息提取直播預告
    高光譜圖像處理與信息提取技術是高光譜遙感領域的核心研究內容之一。隨著智能化信息分析和高性能硬體處理技術的發展，高光譜遙感衛星系統也將步入智能化時代。如何利用人工智慧等最新成果，發展高光譜圖像處理與信息提取的高性能實時處理技術？如何發揮高光譜遙感的優勢和特點，發展新理論和新方法？
  • 《中國科學:信息科學》英文版
    是量子物理與傳統信息科學交叉結合而衍生的一門新興學科分支。它以快速飛行的光子作為信息傳輸的量子比特, 用物質粒子的量子特性作為信息操控的量子比特，展現了獨特而強大的信息處理功能, 在提高運算速度、確保信息安全、增大信息容量和提高測量精度等方面預示了可突破傳統經典信息系統極限的誘人前景.
  • 用深度學習理解遙感圖像,識別效率提升90倍 | PaddlePaddle出品
    可以用深度學習。現在， 遙感所是這樣做的：針對一個地方構建樣本庫，然後基於樣本庫中的圖像訓練深度學習模型。第二年，這一地方的環境和氣候發生變化，只需要把新的圖像加進樣本庫，然後重新把模型訓練一遍就可以了。同時，這樣也能夠減少對人的依賴，模型的調整不再受限於專家經驗，而是依靠數據的變化。
  • 圖像處理與深度信息識別:不同空間頻譜信息在深度知覺加工中的作用
    人們可以通過各種線索來識別空間中的深度信息。如上圖所示，即使對於2D圖像，我們依然可以使用包括透視、紋理梯度變化、遮蔽等一系列線索來評估圖像中各個位置的相對深度。然而一個更深入的問題在於，我們是如何使用這些信息的？
  • 區塊鏈應用中的安全與隱私專題 《中國科學:信息科學》英文版
    和傳統中心化結構相比, 區塊鏈技術不依賴於某個特定的中心節點, 系統中的每個區塊鏈節點分別獨立存儲數據和處理數據, 有效避免了單點失敗的問題. 然而, 為了達到公開驗證, 區塊鏈中所有的交易記錄 (數據) 必須公開, 這將導致隱私洩露問題. 當區塊中交易信息是敏感信息時, 比如個人健康記錄、銀行帳號信息或者是軍事相關的數據, 將對個人安全和國家安全造成嚴重威脅.
  • 《中國科學: 信息科學》(英文版) 2017年第9期概覽
    ↑點擊上方「中國科學信息科學」, 及時獲取期刊動態!
  • 《中國科學》《科學通報》70周年訪談
    2020年是《中國科學》和《科學通報》創刊70周年，我們特別策劃了「我與《中國科學》/《科學通報》」系列訪談，邀請曾經關心指導或親身參與「兩刊」編輯出版工作的管理者、科學家、作者和讀者等回顧期刊發展歷史，同時展望未來，提出期望和要求。
  • 關於MATLAB 圖像處理與深度學習的作用分析和介紹
    圖中的紅色數字均由算法生成。接下來我們將介紹如何創建該算法，並說明為何深度學習和圖像處理對於對象檢測和圖像分類同樣十分有用。 圖像處理與深度學習 我們重點介紹兩種技術： 圖像處理 按像素級別變換或者修改圖像。比如，過濾、模糊、去模糊和邊緣檢測等； 深度學習 通過學習樣本圖像自動識別圖像特點。近幾年，深度學習已經徹底改變了圖像處理領域。
  • 2020年「農業遙感與表型信息獲取分析」專題文章全在這了
    本文的第1部分概述了遙感傳感器的類型和三個主要的遙感平臺（即衛星、有人駕駛飛機和無人駕駛飛機系統）。接下來的兩個部分重點介紹用於精準農業的有人機載成像系統，包括由安裝在農用飛機上的消費級相機組成的系統，並詳細描述了部分定製和商用機載成像系統，包括多光譜相機、高光譜相機和熱成像相機。第4部分提供了五個應用實例，說明如何將不同類型的遙感圖像用於精準農業應用中的作物生長評估和作物病蟲害管理。
  • 「悟空」衛星首個觀測結果英文專題出版 |《中國科學: 物理學 力學 天文學》英文版
    2017年11月，我國暗物質粒子探測衛星「悟空」（Dark Matter Particle Explorer，DAMPE）發布了首個科學成果
  • 深度學習與圖像識別 圖像檢測
    CNN等為什麼對圖像領域更加有效，因為其不但關注了全局特徵，更是利用了圖像識別領域非常重要的局部特徵，應該是將局部特徵抽取的算法融入到了神經網絡中。圖像本身的局部數據存在關聯性，而這種局部關聯性的特徵是其他算法無法提取的。深度學習很重要的是對全局和局部特徵的綜合把握（2）深度學習不是一個黑箱系統。
  • 讀懂地球:遙感大數據驅動下的地球系統科學研究—新聞—科學網
    張兵解釋，當今地球系統科學研究中涉及的大氣、海洋、陸地、生態等要素的大尺度觀測幾乎都離不開遙感技術，多譜段、多尺度、多角度、多時相的遙感數據結合機器學習手段，使得遙感信息提取技術從統計模型、物理模型逐漸進入到數據模型階段，也就是遙感大數據時代。
  • 深度學習下的醫學圖像分析(四)
    對與深度學習相關的醫療保障工作而言，2017年的「Nvidia GTC大會」絕對是一個絕佳的信息來源。在大會上，有諸如Ian GoodFellow和Jeremy Howard的深度學習專家分享了他們對深度學習的見解；還有一些頂級醫學院（例如西奈山醫學院、紐約大學醫學院、麻省綜合醫院等）和Kaggle在大會上介紹他們的建模戰略。
  • 遙感技術的發展史,中國衛星遙感技術的發展現狀
    3、數據處理系統 遙感數據處理是在計算機系統支持下，依賴於一定的圖像處理設備對地面接收到的遙感圖像信息進行加工以獲取反映地物性質和狀態的信息的各種技術方法的統稱。它包括圖像校正、圖像變換、圖像增強、圖像解譯四部分。 遙感圖像處理的核心是幾何糾正。遙感圖像經過深加工會得到4D產品和城市三維圖，為生產實踐提供信息服務。
  • 前沿研究丨深度學習在醫學超聲圖像分析中的應用
    深度學習是機器學習的一個分支，也是一種表徵學習方法，能夠直接處理原始數據（如超聲圖像），並從中自動學習到中層與高層抽象特徵。它有潛力進行各種超聲圖像任務的自動分析，如病變/結節分類、組織分割與目標檢測等。
  • 《中國科學: 物理學 力學 天文學》(中英文版)2018年度優秀約稿及審稿人獎評選揭曉
    優秀約稿專家：蔡榮根、吳嶽良、周宇峰 | 中科院理論所, 中科院大學英文2018年第10期, SCPMA出版「悟空」首個觀測結果英文專題聞海虎、袁輝球、馮世平 | 南京大學, 浙江大學, 北京師範大學英文2018年第12期, 2018壓軸專題|過渡金屬化合物中的超導電性和磁性王磊、王曉軍、邱志平 | 北京航空航天大學
  • 圖像識別中的深度學習【香港中文大學王曉剛】
    深度學習是近十年來人工智慧領域取得的重要突破。它在語音識別、自然語言處理、計算機視覺、圖像與視頻分析、多媒體等諸多領域的應用取得了巨大成功。現有的深度學習模型屬於神經網絡。神經網絡的起源可追溯到20世紀40年代，曾經在八九十年代流行。神經網絡試圖通過模擬大腦認知的機理解決各種機器學習問題。