tensorflow 目标分割_梧桐会直播报告 | 高分辨率遥感图像目标检测和场景分类研究进展...

深度学习技术驱动的高分辨率遥感图像目标检测和场景分类的研究还面临哪些挑战和难点问题？领域内有哪些常用的公开数据集？该领域的典型应用与最新研究进展有哪些？未来的发展趋势如何？

2020年6月7日，西北工业大学程塨研究员用90分钟的时间为遥粉们奉上了一场精彩的前沿进展报告以及互动问答。应遥粉们的要求现奉上当日直播的大礼包~~~

温馨提示：

1. 错过直播不要紧，请看完整视频回放，文末附回放链接;

2. 117页信息量超足的PPT，请加文末小编微信领取;

3. 互动问答精选，专家为您详解;

4. 直播现场幸运观众，文末揭晓。

《遥感学报》梧桐会直播预告：2020年6月17日晚上19:30-21:00，《热带地理》执行主编李小玲老师，结合多年地图编辑审核经验，带来报告“科技期刊论文投稿过程中地图插图的规范使用”。

嘉宾介绍

程塨，西北工业大学研究员，博士生导师。主要从事高分辨率遥感图像理解、计算机视觉等领域的研究工作。

E-mail:gcheng@nwpu.edu.cn

讲座回看方式：

知网回放:http://k.cnki.net/CLectureLive/Index/5646

B站回放:https://b23.tv/9Rgv25

互动问答

Q1

语义分割与遥感影像分割有什么异同？

A1：我个人认为，语义分割和遥感影像分割的侧重点不同。首先，语义分割在CV领域的叫法比较普遍，它将属于同一目标的图像部分聚集在一起，主要是像素级别的分割。遥感影像分割主要包括像素级和对象级。多光谱图像/光学遥感图像的像素级分割，其实也叫做语义分割，这个和CV领域的语义分割并没有什么本质差异。高光谱遥感图像的像素级分割，现在更多的叫法是高光谱图像分类，尽管它也是一个分割问题。另外还有一些基于对象的遥感影像分割，主要是OBIA这一类方法，先做超像素分割或者不同尺度的分割，然后再对每个对象进行分类。

Q2

遥感影像变化检测和目标检测的异同，是否可以将目标检测应用到变化检测？

A2：遥感影像变化检测和目标检测的差异还是比较大的，它们属于两个不同的任务。首先，遥感影像变化检测要求输入的是多时相图像，是不同时间获取的遥感影像对。而目标检测就不一样了，是对单幅遥感图像中感兴趣的物体进行定位和分类，这是二者最本质的区别。变化检测的主要方法有基于特征的、基于像素级的、还有基于对象的，所以很难直接将目标检测的方法应用到变化检测任务中。

Q3

现在有很多目标检测网络，有哪些适合在遥感图像领域应用，老师您比较看好哪些网络的发展前景？

A3：早期的深度学习遥感图像目标方法很多是直接从CV移植过来的，尤其是水平框目标检测，而有向目标检测，大多是借鉴场景文字检测方面的研究。但是，遥感图像目标检测存在很多它自身的难点问题，如目标方向的不确定性、目标尺度的大差异性、目标的密集排列、弱监督目标实例的初始化等，所以未来的研究工作还是要考虑如何针对这些难点问题，设计更加适合遥感图像特性的目标函数、网络结构或模型等。

Q4

深度学习目标检测是否可以应用于云的检测？可以的话，如何利用深度学习进行检测并进一步去除薄云？

A4：如果说用深度学习检测云的话，就涉及到两个问题，一个是数据库，另外一个就是算法。关于数据库，我不清楚目前有没有这方面大规模的数据库。算法方面肯定要针对云的特性进行设计，毕竟云不像常规的刚性目标，如汽车、飞机、舰船等，相对形变较小，而云就不一样了，它的形状千变万化。关于去除薄云的问题，我感觉可以借鉴CV中图像去雾、去雨的方法，也可以借鉴遮挡目标复原的一些思路。

Q5

目标检测是否需要用到深度学习框架，如tensorflow？目标检测是否能够实现同时对多种目标检测，而不仅仅是单一目标检测？

A5：现在性能优异的目标检测方法，基本都是基于深度学习实现的，经典的深度学习框架有tensorflow、caffe、mxnet、pytorch等。具体到目标检测可以使用mmdetection、detetron等，现在几乎所有的深度学习目标检测方法都能够实现多类目标的同时检测。

Q6

深度学习在遥感图像处理的应用很火，出现了很多学习框架，如tensorflow，pytorch等，这些我们都要学会吗？

A6：深度学习发展的过程中，先后出现过几款经典的深度学习框架，如caffe、tensorflow、mxnet、pytorch等。现在主要流行的框架包括tensorflow和pytorch，tensorflow部署灵活，在工业界更受欢迎，而pytorch在学术领域和开源社区比较活跃一些，很多论文的开源项目都是基于pytorch的。所以，可以根据自己的需求学习一款主流的框架就可以。

Q7

ssd、yolo、faster-rcnn这些常见的用于自然图像目标检测的网络，运用于遥感图像的难点在哪？需要向哪些方向的修改(例如小目标检测)?

A7：针对遥感图像目标检测存在的难点问题，如目标方向的不确定性、目标尺度的大差异性、目标的密集排列、弱监督目标实例的初始化等，设计更加适合遥感图像特性的目标函数、网络结构或模型等。关于小目标检测，可以考虑特征融合的方法、利用上下文信息、图像超分辨率等。

Q8

面对遥感图像分辨率过大，深度学习方法对显存的需求无法满足的问题，除了进行图像分割再融合检测结果，有没有更加elegant更快速的方法？比如从小尺度目标检测的优化着手，通过缩放解决类似可能？

A8：通过对图像缩放一定程度上可以提高检测效率，但是对于小尺寸的目标很容易出现漏检。可以考虑先对大幅面遥感图像中的潜在目标区域进行快速粗略定位，然后再进行精细检测识别。

Q9

请问对于少标签样本如何更好地应用深度学习算法？

A9：少标签样本分为两类，第一类是少量的标注样本和大量的未标注样本，可以考虑采用半监督学习和自监督学习相结合的方式；第二类是样本来本身的规模很小，这种情况可以采用小样本学习的思路。

10

请问anchor free在遥感目标检测领域有没有前途?

A10：目前大多数遥感图像目标检测方法，无论是两阶段的还是单阶段的，都是anchor based的。最近，在自然图像目标检测任务中，anchor free的目标检测方法受到越来越多研究人员的关注。具体到遥感领域，anchor free的目标检测方法非常适用于有向的遥感图像目标检测任务。因此，anchor free的目标检测是一个有发展前景的研究方向。此外，anchor free和anchor based的方法各有优势，未来可以将这两类方法取长补短整合成更高效、更高精度的目标检测系统。

 互动获奖名单

感谢遥粉们积极参与直播互动问答。专家从腾讯会议室、知网直播间及B站，抽取的10位幸运观众将获得《遥感学报》精美纸刊各1本。

(微信名或知网昵称)

龚一赫

杨鑫

哎呀

小小掌柜

大自然

丫丫

cronaldo7

chaser

范小萌

匡林翼

    请获奖的遥粉联系编辑提供邮寄信息   

好文速递

说好的，“高分五号卫星高光谱载荷”专刊来了！

高五专刊 丨 高分五号可见短波红外高光谱相机在轨辐射性能评估

高五专刊丨高分五号可见短波红外高光谱影像在轨几何定标及精度验证

好文推荐｜1:1 000 000中国植被图现实性更新版绘制完成

好文推荐 ｜吉林一号夜间灯光遥感影像的路灯提取与太阳能路灯应用潜力评估

《遥感学报》2020年第3期目次

好文推荐｜深度学习在环境遥感中的应用：进展与挑战

林火遥感 | 《遥感学报》最新专栏

遥感资讯

分享(七)丨 遥感数据融合数据集

分享(六)丨 语义分割数据集

分享(五)丨 变化检测数据集

分享(四)丨场景分类数据集

分享(三)丨 建筑物提取数据集

分享(二)丨LiDAR点云数据

分享(一)丨 高光谱遥感数据集

会议招聘

纳贤 | Journal of Remote Sensing招聘英文编辑

纳贤丨中国科学院空天信息创新研究院高光谱遥感方向博士后招聘

1

END

1

编辑：奔奔

审校：雪儿

指导：梧桐君

声明

欢迎转载、转发本号原创内容，转载信息请与本号联系授权，标注原作者和信息来源为《遥感学报》。

本号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及作品内容、版权和其他问题，请在20日内与本号联系，我们将在第一时间处理。《遥感学报》拥有最终解释权。

微信入群

为便于学术交流，提供优质服务，《遥感学报》建立了微信群。需要加群的小伙伴，请加小编个人微信入群，并备注：姓名+单位。营销广告者勿扰。

微推转载、合作联系：

E-mail:jrs@radi.ac.cn 或 微信后台留言。

网址：www.jors.cn

电话：010-58887052

邮箱：jrs@radi.ac.cn