大规模遥感影像样本库构建及开源遥感深度网络框架模型研究

Aiming at establishing new theory and technology in sparse representation and fusion of spatial information, as well as their validation, integration and demonstration, this project studies (1) construction and management of large scale sample database of remote sensing data, including its standards, multi-mode synergetic labeling, database expanding and copyright protection, as well as their sharing platform; (2) remote sensing dedicated deep neural networks framework, including the construction method of dedicated core layers, remote sensing oriented synergetic layers and their execution streams; (3) optimization methods of the remote sensing oriented deep neural network, including highly efficient searching of neural network structures and geo-knowledge embedding; (4) interpretability and reliability of deep neural networks, including statistical visual analysis of the hidden layers, attack-defense driven analysis of the reliability and performance improvement; (5) comparative study over tasks in intelligent pattern recognition of remote sensing images. The outcome of the project will be a public large scale sample database of remote sensing, with at least 5 millions of labeled samples. It can be expanded and self evolved. It will also produce proprietary intellectual property rights in dedicated remote sensing framework and model with the feature of memory expandable, scale channel adaptive, data channel optimal selecting capabilities.

本项目围绕空间信息稀疏表征与融合处理新理论、新技术与新成果综合集成和演示验证的实际效果评估需求，建立大规模遥感影像样本库与遥感专用的深度学习框架，主要开展以下研究：（1）大规模遥感样本库组织与构建方法，包括标准规范、多模式协同样本标注、样本库扩充机制与版权保护、共享服务平台等；（2）遥感专用深度神经网络框架构建方法，包括专用框架核心层构建、顾及遥感特性的数据框架协同处理层构建、执行流程等；（3）顾及遥感数据及任务特性的深度神经网络优化方法，包括高效的网络结构自搜索、地学知识嵌入等；（4）深度网络可解释性与可靠性分析，包括隐层统计可视化分析、攻击与防御驱动的可靠性分析与性能提升等；（5）基于上述模型的遥感影像智能识别方法对比研究。项目将形成不少于500万的具有独立版权的公开的、可扩展与精化遥感影像样本库，并构建自主知识产权的、内存可扩展、尺度通道灵活创建、数据通道自适应优选的专用框架与模型。

随着大数据、人工智能等技术的发展，基于深度学习的遥感影像解译与监测技术表现出了一定的优势。但在实际应用中，遥感影像智能处理框架和信息服务能力相对滞后，仍未形成与人脸识别等类似的可广泛实用化的智能系统。无论是公开的遥感影像样本库，还是深度学习框架与模型，都不能满足自然资源监测和社会经济发展的应用需求。..本项目围绕空间信息稀疏表征与融合处理新理论、新技术与新成果综合集成和演示验证的实际效果评估需求，建立大规模遥感影像样本库与遥感专用的深度学习框架，取得了以下主要成果：（1）提出了遥感影像数据集分类标准和标注规范，研发了互联网协同样本标注系统，构建了多种类、百万规模的标注数据和标准数据集及其发布平台 - LuojiaSET。该样本库有不少于500万公开的、可扩展与精化遥感影像样本，包含第一个大规模细粒度地表覆盖样本集和大范围高光谱航空影像样本集；（2）针对遥感影像特点和应用需求，研发了遥感影像处理的深度神经网络开源架构、模型与网络优化方法，形成尺度通道灵活创建、数据通道自适应优选、多层级联合优化的遥感深度学习框架- LuojiaNET。它是国际上首个针对遥感信息机器学习的专用框架，有效地解决了遥感影像大幅面、多通道数据的特征提取等问题，在影像分类这一重要应用方面，比现有主要框架的精度提升了约10%，效果突出。（3）提出了遥感数据及任务特性的深度神经网络优化方法，包括高效的网络结构自搜索、地学知识嵌入等；（4）基于上述模型的遥感影像智能识别方法应用研究。项目发表论文12篇，其中SCI期刊论文9篇，申请发明专利7项。..项目团队还与华为公司签署了遥感领域人工智能项目的合作协议，吸引了头部遥感机构与龙头企业，在中国遥感应用协会指导下成立了智能遥感开源生态联盟，对于推进我国遥感技术进步，提升产业集群的核心竞争力与企业的自主创新能力具有建设性的意义。

内容获取失败，请点击重试