遥感影像人工智能数据集联邦共享技术研究

遥感影像目标识别算法升级需要大规模、高品质人工智能数据集支持。目前,各遥感影像数据集大多以孤岛形式保存在不同机构或同一机构的不同部门,由于数据安全保密相关规定,各数据节点间无法汇聚数据,造成严重的数据孤岛问题。数据孤岛问题导致可用于模型训练的遥感数据严重缺乏,影响遥感影像智能识别算法性能提升。为解决数据孤岛问题,文章从数据孤岛构建、联邦数据管控、联邦项目管控及联邦安全四个方面研究联邦数据治理技术,在数据不出孤岛的前提下,实现模型侧到多个数据侧的学习模式,达到数据可用不可出的效果。实验结果表明：虽然联邦数据治理技术因为数据加密传输,会增加模型训练时间,但是随着数据孤岛的增多,在测试精度上可以逐渐逼近数据汇聚模式,大幅改善数据孤岛问题。     

遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

融合ASPP与双注意力机制的建筑物提取模型

精准高效地从高分辨率遥感影像中提取建筑物信息对国土规划和地图制图意义重大,近年来基于卷积神经网络进行建筑物信息提取已经取得了很大的进展,然而在处理高分辨率遥感影像时仍存在影像的高级语义特征利用不够充分,难以获得细节丰富高精度分割影像的问题。文章针对以上问题提出了一种用于建筑物自动提取的深度学习网络结构空洞空间与通道感知网络(Atrous Space and Channel Perception Network,ASCP-Net）。该模型将空洞空间金子塔池化（Atrous Spatial Pyramid Pooling, ASPP）和空间与通道注意力（Spatial and Channel Attention, SCA）模块融入到编码器-解码器结构中,通过ASPP模块来捕获和聚合多尺度上下文信息,采用SCA模块选择性增强特定位置和通道中更有用的信息,并将高低层特征信息输入解码网络完成建筑物信息的高效提取。在WHU建筑数据集（WHU Building Dataset）上进行实验,结果表明：文章提出的方法总体精度和F1评分分别达到了97.4%和94.6%,相比其他模型能够获得更清晰的建筑物边...     

用小卫星进行遥感

本文介绍遥感领域中采用小卫星的某些设计问题。着重论述可以提高当前小卫星技术水平的几个领域。规划的目标是,用成本低廉,方法可靠的新型遥感器来获取遥感数据,从而完成21世纪的主要航天任务。     

融合空洞空间金字塔池化和注意力的轻量化遥感影像道路提取

针对高分辨率遥感影像中道路形状结构错综复杂,出现窄小型道路提取错误或漏分的问题,提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先,在原始高分辨率网络（HRNet）基础上,通过引入空洞空间金字塔池化模块,实现多尺度道路信息融合;再引入挤压激励通道注意力机制,增强网络特征表征质量;最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化,以降低模型计算复杂度。在公开数据集上进行了模型性能测试,实验结果表明,文章所提算法的准确率、精确率、召回率、F1分数和平均交并比,相比原始HRNet分别提升了5.35%、2.15%、4.1%、3.15%和14.34%,且减少了36.1%的参数数量;相比其他网络,该算法突出了细小道路的特征,道路预测结果连续性、完整性好,并且模型小易于部署在实时检测设备中,有效改善了道路提取任务中错分和缺失的情况,是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。     

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。     

环境减灾-1A、1B卫星在干旱监测中的应用研究及实现

"环境与灾害监测预报小卫星星座"(以下简称环境减灾星座)是我国首个以防灾减灾和环境监测为应用目的的小卫星星座,应用环境减灾星座构建干旱遥感监测体系具有重要的现实意义.文章基于HJ-1A、1B卫星遥感器数据,分析其适用的干旱遥感监测模型,并在此基础上选择辽宁省阜新市作为研究区,实现了基于HJ-1B卫星宽覆盖多光谱CCD相机数据的垂直干旱指数监测模型.结果表明,利用环境减灾星座数据可以有效地实现干旱遥感监测.     

基于融合伽马变换全卷积神经网络的火星地貌分割方法

为了让火星巡视器在有限的寿命内能获得更多的科学产出,需要提高巡视器在火星表面的自主通过能力,而火星表面地貌类型是评估巡视器可通过性的重要信息。因此,提出了融合伽马变换的全卷积神经网络(FCN)火星表面地貌分割算法。首先,考虑对巡视器通过性的影响,确认地貌分类的类型,基于好奇号拍摄的火星地表图像Mars32K数据库,构建地貌分割数据集;其次,使用自适应伽马变换(AGT)对灰度单一的火星图像进行预处理,减弱了光照等因素干扰;最后,利用数据集训练一个FCN,以实现对火星表面地貌的分割预测。仿真结果表明:网络测试准确率达到83.03%,地形分割预测结果可靠,验证了方法的可行性。     

可变空间分辨率光学遥感

空间分辨率是光学遥感主要的目标识别手段，是遥感数据用户追求的重要技术指标，不同的遥感任务要求不同的空间分辨率，对于多任务遥感来说，获得多分辨率具有很高的应用价值。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。     

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明：改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。     

卫星遥感信息应用展望

本文在对空间遥感技术对人类社会发展中所起的重要作用进行论述了基础上，根据空间遥感应用的需要，对于遥感卫星及星载遥感探测器的发展趋势进行了分析，并对卫星遥感应用领域中技术发展的共性问题进行了探讨。     

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。     

国外遥感政策对发展我国商业卫星遥感的启示

2011年7月,印度政府发布了其新版遥感数据政策,即《2011年遥感数据政策》(RSDP2011),取代《2001年遥感数据政策》,以对其国内外获取、分发卫星遥感数据进行恰当的、更好地管理。美国政府也曾于2003年5月颁布了《美国商业遥感政策》,以取代1994年3月颁布的关于外国获取空间遥感能力的23号总统决策令(PDD-23)。欧洲、俄罗斯、日本等航天大国也在相关的国家法令和政策中对遥感数据的分发、获取和应用给予了规范。分析各国遥感数据政策的特点和作用,对于我国卫星遥感的商业化发展将提供有益借鉴与参考。     

基于深度监督的TransUNet可见光卫星图像分割

随着人造卫星技术的不断发展,给民用探测带来了诸多便利的同时,也带来了越来越多的挑战。精确定位卫星的重要部件,对故障卫星和太空垃圾的准确抓捕和维修至关重要。文章提出基于深度监督的TransUNet(Deep Supervised TransUNet:DSTransUNet)对卫星目标、星体和太阳翼进行像素级的识别与分割。通过对TransUNet解码过程中多层神经网络特征图进行深度监督,提高可见光卫星图像的分割精度,并进一步通过仿真方法构建卫星部件图像数据集,使用交叉验证的方法对DSTransUNet及7种现有神经网络深度学习方法的分割精度进行了评估。文章提出的方法对卫星星体的分割准确率达到90.51%±6.86%,对卫星太阳翼的分割准确率达到91.63%±13.07%,对宇宙背景的分割准确率达到97.43%±2.85%,对数据集的总体像素分割准确率达到了97.08%±3.37%,其分割性能优于其他神经网络模型。     

新型卫星遥感数据的应用现状

随着卫星遥感技术的快速发展,出现了不少新型传感器,获取了大量新型遥感数据。这些数据源以传统遥感信息源不具有的优势在国民经济各领域取得了许多良好的应用效果。本文从多光谱遥感、高空间分辨率遥感、高光谱遥感、雷达遥感等四个方面总结了当前新型遥感数据的应用情况,并对未来发展作了简要思考。     

关于遥感图像品质的若干问题

遥感图像是遥感数据获取系统的输出,遥感图像的品质表现为遥感图像在完成遥感任务中的应用价值。文章对遥感图像品质的概念和表征予以介绍,对遥感图像品质的影响因素和提高遥感图像品质的有关问题,包括遥感数据获取系统的性能、成像条件和运行状态等加以说明,对如何提高遥感图像品质提出了若干建议。     

未来中国卫星遥感器的发展分析

介绍了国外对地观测系统的发展历程和趋势,重点研究和归纳了中国的气象、海洋、农业、灾害、资源、环境等重大发展问题对空间遥感的需求。在此基础上,提出了中国未来空间遥感器的发展建议,可为中国对地观测卫星技术的发展提供参考。     

基于环境减灾二号A/B卫星HSI数据的太湖叶绿素遥感监测研究

叶绿素a(Chl-a)是湖泊富营养化和初级生产力评价的关键指标。在传统地面观测受限于时空尺度的问题下,高光谱遥感为光学特性复杂的内陆湖泊监测提供了新的思路。文章针对环境减灾二号A/B卫星高光谱成像仪(HJ-2A/B HSI)数据的湖泊叶绿素定量监测能力问题,选择太湖为研究区域,结合地面同步观测数据和准同步的哨兵-2(Sentinel-2)卫星多光谱(MSI)数据,系统评估了HJ-2A/B HSI数据的遥感反射率数据质量,构建了太湖叶绿素HJ-2A/B HSI遥感反演模型。模型的平均绝对百分比误差(MAPE)为37.5%,均方根误差(RMSE)为0.0078 mg/L,HJ-2A/B HSI与Sentinel-2 MSI影像提取的叶绿素浓度整体空间趋势基本一致。结果表明：HJ-2 HSI可为内陆湖泊叶绿素及其它水质参数的遥感定量监测提供有效的数据支撑,并仍可在辐射数据质量、大气校正等方面进行进一步的优化,以满足水环境遥感业务化监测的应用需求。     

CBERS—1卫星图像在黄河三角洲可持续发展中的应用研究

文章对我国的CBERS－1卫星遥感图像－1999年12月22日的黄河口零级数据进行了处理分析，并从图像空间分辨率、几何分辨率、地物识别能力等方面进行了图像质量评价。与同月份的LandsatTM图像对比，CBERS－1卫星图像具有更高的空间分辨率，更容易反映地物的细节，同时也指出了它的一些不足。在原有遥感地学智能图解系统的基础上，针对CBERS－1卫星的图像特征，开发了CBERS－1卫星数据预处理模块。该模块能快速处理零级图像，得到噪声小、清晰度高的CBERS－1卫星图像2级产品，便于开展遥感应用研究。