凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。     

基于深度学习的遥感图像目标检测方法及系统设计

为解决传统的目标检测算法难以满足遥感图像数据爆发式增长需求这一问题，文章提出基于深度学习的遥感图像目标检测系统软件。首先，为给深度学习网络训练提供高质量的样本数据，在GIS平台上实现了样本标注功能和数据集兼容性转换功能，并提供图像预处理方法对样本进行扩充；其次，针对遥感图像场景分类与遥感图像特定目标检测，应用深度学习技术，分别实现了模型训练、迁移学习、目标检测等功能；最后，采用了形态学处理、矢量化、直角化约束等方法，对遥感图像场景分类的效果进行改善。实验结果表明，文章的遥感图像目标检测系统在遥感图像场景分类方面取得了85%的分类精度，在特定目标检测方面取得了95%的检测精度，明显优于传统的遥感图像处理方法。该系统软件满足目标检测应用需求，能够为遥感影像分类、信息提取、变化检测等任务提供技术支持。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

星地协同光学遥感影像目标识别技术验证研究

为了提高光学遥感卫星信息处理的时效性,文章提出了星地协同光学遥感影像在轨目标智能识别技术框架。将基于遥感大数据的深度学习、神经网络模型训练等数据量大、运算量大、计算复杂、要求较高的处理任务部署在地面服务器,将深度学习训练得到的模型进行压缩并上注至卫星,卫星在轨利用轻量化模型对影像进行推理计算,最后把目标识别结果下传至用户。为了对所提出的技术框架进行验证,在高性能服务器和嵌入式开发板上进行了验证试验,利用YOLO-v5算法和DIOR遥感数据集进行了测试,结果表明:在模拟星载计算环境下,处理100km~2范围1m分辨率遥感影像耗时17.74s,平均精确度(Mean Average Precision,mAP)为87.2%。文章提出的星地协同智能目标识别技术框架实时性和精度上能够满足应用需求,具备一定的可行性,可以进一步开展在轨验证试验。     

微纳卫星光学有效载荷的发展机遇与挑战

目前,微纳卫星已成为航天活动的热点领域之一,向着高性能、智能化、网络化方向发展,在航天创新发展中的作用越来越突出。微纳光学载荷要求具有体积小、质量轻、成本低等特点,各类新型微纳光学载荷技术不断发展,提供了新的解决方案。文章介绍了光学遥感微纳卫星的整体技术发展情况,结合低成本商业遥感等应用方向,分析了微纳卫星光学有效载荷的发展趋势和新型微纳卫星载荷发展面临的机遇与挑战,提出了微纳光学载荷的设计理念和关键技术,论证了在轨深度数据处理对微纳卫星星座的重要意义。文章为研制成本低、分辨率高和机动性能力强的微纳型遥感卫星提供技术基础,并提出了中国光学遥感微纳卫星的后续发展建议。     

基于注意力机制特征重建网络的舰船目标检测

深度学习为遥感领域诸多应用提供了重要的技术支撑,光学遥感图像的舰船目标检测对国防侦察和预警具有重要意义。真实场景中的舰船往往呈不同方向任意排列,且小目标的占比大,经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检。为此,本文设计了基于注意力机制特征重建网络的舰船目标检测算法。首先,通过引入注意力机制对多尺度特征融合网络模型进行训练,以高召回率产生水平锚框;然后,旋转锚框以缓解密集排列目标引起的噪声问题,并利用特征重建模块来缓解特征不对齐的问题,实现模型精炼。在HRSC2016和DOTA数据集上的测试结果表明:舰船目标检测平均精度分别达到90.20和87.52,相比经典的深度学习目标检测算法得到了有效提升,并在模拟星载嵌入式智能图像处理平台上验证了算法在轨应用的可行性。     

一种基于在轨深度学习的压缩率确定方法

如何对遥感图像中的重要目标进行精确的识别分类，是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题，但其学习模型有大量参数需要确定，会消耗大量计算和存储资源，不利于在轨实现。模型压缩是降低资源需求的有效方法，但会导致分类准确率降低。剪枝是模型压缩的主要方法之一，目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失，如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法，可以据此确定相应的压缩率，并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线，且均方根误差最大为1.09，平均值为0.51，拟合效果较好，可据此针对不同的应用条件与需求确定相应的模型压缩率。     

光学遥感图像目标检测技术综述

目标检测是光学遥感图像分析的重要内容,是将图像数据转化为应用成果的关键一环。文章重点针对光学遥感图像中常见的飞机、舰船等目标,对目标检测技术进行了系统总结,并对未来重点发展方向进行了展望。重点论述的内容包括目标检测方法、目标检测性能评价准则和数据集,其中对于目标检测方法,从候选区域选择、特征学习、分类和后处理等四个方面进行了详细介绍。期望这些技术成果的总结分析和展望对目标检测技术的应用提供一定的借鉴和参考。     

国外地球同步轨道遥感卫星发展初步研究

地球同步轨道遥感卫星因具备高时效性及持续探测能力等优势,已成为当前国际遥感卫星领域一个重要的发展方向。文章围绕地球同步轨道遥感卫星,重点针对光学、微波、电子侦察等国际地球同步轨道遥感卫星及卫星平台发展动态、发展趋势开展了调研与分析,梳理出国际发展情况对中国地球同步轨道遥感卫星领域发展的启示。文章从地球同步轨道遥感卫星领域发展战略的高度,进一步提出支撑该领域发展需重点突破的关键技术。     

遥感影像弱小目标智能解译算法研究

随着遥感技术的快速发展,光学遥感影像弱小目标智能解译成为遥感信息处理的研究热点之一。遥感影像的地物目标常具有尺度小、种类多、数量大、部分重点小目标移动速度快的特点,易受到复杂背景环境及噪声影响,使得提取遥感影像弱小目标的信息面临着巨大的挑战。早期智能解译算法中的弱小目标分割、检测及跟踪等算法研究,多依赖模板匹配及先验知识,此类算法需耗费大量资源、算力及专家知识成本,存在着计算量大、泛化能力差的问题。近年来,随着深度学习等人工智能技术的快速发展,在海量遥感数据中准确获取弱小目标的信息,通过结合深度学习算法可对弱小目标的特征进行快速提取,以提供高效、准确的解译信息。本文综述了遥感影像弱小目标智能解译算法研究进展,包括基于传统图像处理方法的弱小目标分割、检测和跟踪算法,以及基于深度学习等典型相关算法。通过分析这些方法的优点与局限性,对于提高相关目标的信息获取能力、提升观测的态势感知水平以及未来应用等方面具有重要意义。     

星上遥感影像在轨处理进展研究

从星地数传、高时敏任务等对星上遥感影像在轨处理的需求出发,本文对美国、欧洲以及国内主要的星上遥感影像在轨处理进展进行了研究;以此为基础,结合星上遥感影像在轨处理框架与深度学习等智能处理技术,分析了高性能星上智能处理平台构建、基于深度学习的遥感影像在轨智能处理、多源遥感影像数据在轨融合处理、星地协同数据处理及在轨更新等星上遥感影像在轨处理关键技术;最后,对星上遥感影像在轨处理未来发展趋势进行了总结,为进一步提升遥感卫星在轨应用效能提供参考。     

提高光学遥感卫星图像几何精度总体设计分析

针对如何提高我国光学遥感卫星图像几何定位精度问题,从影响几何成像质量的关键要素——内外方位元素出发,介绍地面几何处理方法,并基于多颗卫星研制、地面量测试验及在轨验证情况,对高分辨率光学遥感卫星和多线阵观测卫星的几何精度的星-地全链路影响误差项进行对比分析,通过理论分析找出了约束我国高分辨率遥感卫星几何精度的关键问题,最后探讨了如何通过星上设计配合地面处理提高高分辨率遥感卫星的几何精度。     

星载云检测算法的FPGA实现

对于光学遥感卫星而言,云的存在遮挡了地物,对卫星图像数据获取的质量造成了很大影响。对云进行实时有效的检测,可以把云图识别并分离出来,根据卫星的不同需求进行分类处理。一方面,为了减轻卫星数据传输通道的压力,云图可以不对地面传输;另一方面可以对云图进行高倍数压缩,由此节省出来的数据量可以给非云图像提供更高的压缩质量。提出的一种云检测FPGA实现方法,检测效果良好,厚云检测率达到97%,目前已成功应用于多颗卫星。     

基于条件生成对抗模型的遥感卫星影像重建技术研究

为了快速侦察未知区域的地貌信息，遥感卫星可对特定区域进行扫描以获取遥感卫星影像。当卫星经过国外未知区域时，部分卫星无法针对某特定区域进行长时间的驻留扫描，本文提出一种基于条件生成对抗网络模型（Conditional Generative Adversarial Network，CGAN）进行网络训练，前期将某方法获取的区域轮廓地形信息作为CGAN网络的生成网络和鉴别网络中的条件约束信息，通过网络生成器与判别器在训练过程中互相博弈产生特定的输出集，有效地实现由单张电子轮廓图像到对应卫星遥感图像的端到端的非线性映射。本文通过原真实卫星遥感图像与生成卫星遥感图像进行四种对比误差计算，平均误差、均方误差与结构相似度均高于99%，峰值信噪比高于30 dB，生成的图像与原图像之间具备高相似度，实现了在获取坐标定位轮廓信息的先验条件下，对特定区域进行遥感卫星影像内容重建技术。     

中国航天光学遥感技术成就与展望

文章介绍了中国已发射的航天光学遥感卫星及研制成功的航天光学遥感器,展示了中国在航天光学遥感领域取得的巨大成就,并对航天光学遥感系列卫星技术的后续发展进行了展望.     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

我国卫星光学遥感技术的成就与新世纪展望

介绍我国已发射的光学型对地观测卫星和研制成功的航天光学遥感器 ,展示中国在卫星遥感领域取得的成就 ,并展望新世纪卫星光学遥感技术的发展