人工智能深度学习遥感影像语义分割

Posted 2021-10-30 渔牧村风

随着空间科学的发展,遥感技术得到越来越广泛的应用,而遥感图像具有信息量大,数据维数多的特点,因此怎样充分利用这些数据已成为亟待解决的问题.人工智能技术特别是深度学习技术的快速发展，也已经成为测绘遥感学科发展的重要驱动力量。随着国内外卫星商业化的发展，以及无人机的普及，遥感数据量快速增长，空间分辨率、时间分辨率、光谱分辨率得到不断提升。目前遥感数据呈现出高中低分辨率、多光谱、高光谱、SAR、街景及LiDAR激光点云等多源数据共存的情况，为遥感监测及其他多领域应用提供了基本数据保障。但同时对遥感目标的快速、准确、自动化识别带来了新的研究课题与挑战。在遥感目标识别中融入人工智能技术是当今的一个研究热点，也是未来的发展趋势

                       人工智能深度学习遥感影像语义分割专题.

主要内容
上午 深度学习发展历史
深度学习具体能解决什么问题
深度学习基本算子、基本架构
深度学习框架介绍
tensorflow
pytorch
PaddlePaddle
其他国产深度学习框架
深度学习基础理论

FCN网络架构
下午 Pytorch架构介绍
Pytorch使用基本教程
Pytorch搭建基本网络架构
Pytorch搭建全卷积神经网络分类
案例：
基于pytorch的FCN遥感影像分类入门、详解、答疑。
深度学习基础理论

FCN网络架构

主要内容
上午 语义分割介绍
语义分割适应的应用场景
通用编码-解码架构深入讲解
Unet网络介绍、特点、应用领域与缺点讲解

案例：
使用Unet语义分割进行遥感影像像素级分类

Unet网络架构

DeeplabV3+网络架构

改进空间金字塔池化网络
下午 深入了解语义分割网络，搭建Deeplab v3+网络等
Deeplab的发展历程
空洞空间金字塔池化架构讲解
相关改进多尺度语义分割网络介绍。

案例：
使用Deeplab v3与Unet进行遥感图像语义分割，并对比分析差异，
深入讲解差异的原因。
DeeplabV3+网络架构

改进空间金字塔池化网络
深入理解语义分割样本构建过程
利用python与GDAL从源码实现语义分割样本批量导出
语义分割样本增强及相关方法讲解
案例：
教你如何从头到尾制作自己的数据集（释放源码讲解）
深度学习样本制作
深度学习样本制作

高精度道路网络自动提取
下午 利用深度语义分割技术进行高精度道路网络提取
案例：高分辨率遥感影像道路提取
高精度道路网络自动提取
主要内容
上午 了解深度学习进行遥感图像变化检测
讲解相关变化检测网络架构
语义分割网络进行变化检测
使用孪生网络进行变化检测

案例1：基于语义分割网络的高分辨率遥感影像建筑物变化检测
案例2：基于孪生网络的高分辨率遥感影像建筑物变化检测
高分辨率遥感影像建筑物变化检测

超大影像变化检测
矢量边界平滑处理

下午 变化检测结果优化与后处理操作
面向实际工程化的变化检测架构讲解
超大影像分块处理
边缘效果去除处理
栅格与矢量转换、变化图斑边界平滑与小面积去除处理
案例：超大遥感影像变化检测应用示例

主要内容
上午 多任务网络架构讲解
2.多任务网络与单一任务网络架构的差异、优势点讲解

案例：基于多任务网络架构的高分辨率 遥感影像建筑物提取与建筑物变化监测 时相1

时相2

下午 1.Transform讲解
2.基于Transform架构进行变化检测
2.1swinTransform讲解
2.2Segform架构讲解
案例：基于transform架构的高分辨率遥感影像变化监测应用示例
Transfrom架构变化监测

文章内容与课外扩展：人工智能深度学习遥感影像语义分割
合作联系人：