基于样本生成与可伸缩网络连续学习的遥感目标细粒度识别

With the rapid advances in high-resolution remote sensing image object detection technique, model-level fine-grained object recognition has shown a significant rise in its status in both civil needs and military value. However, fine-grained recognition involves greater sample scarcity and class imbalance issues, considering the limited resolution of remote sensing images, hinders the straightforward application of common recognition methods. In this proposal, we aim to address the problems of sample scarcity and class-imbalance by proposing a novel scalable network structure with continual learning ability. Under this structure, samples with high fidelity are generated by the spatial embedding of background-invariance object features; generated sample-based online training set optimization and fast-convergence scalable network construction are achieved through training process modeling and mixture-style networking structure. This project will provide an effective solution for model-level object recognition in high-resolution remote sensing images, which is of both highly theoretical and applicable values.

随着高分辨率遥感影像目标检测手段的飞速发展，型号级细粒度目标识别技术的民用需求和军事价值日渐显著。但由于细粒度识别背景下的类内样本稀缺和类间样本量比例失衡，且遥感影像分辨率有限，严重制约了一般性识别算法的性能。本项目针对样本稀缺和不均衡问题，提出一种具有可伸缩框架结构、连续增量式学习优化的识别网络模型，通过背景不变性目标特征嵌入，实现高拟真度目标样本生成；通过训练参数时序信号建模和混合式网络结构改造，完成基于生成样本的在线训练集优化和快速收敛可伸缩网络构建。本项目为高分辨率遥感影像中型号级目标识别提供了技术途径，具有重要的科学研究意义和应用价值。

近年来，随着遥感技术不断发展，基于遥感的重点目标的侦察与监测已经成为实现资源测绘、战略预警、态势感知等重要战略能力的基础。.对此，本项目针对典型遥感应用中所存在的目标时空稀疏、尺度小、型号多种类复杂等特点，以及由此带来的深度学习模型构建中训练样本不足、特征训练困难、模型迭代成本高等问题，重点对高拟真度样本生成、小样本分类识别、可扩展式细粒度目标识别等关键问题展开研究，并结合一些典型的遥感影像智能识别应用场景，展开了以下研究：.（1）基于目标前景不变原理的样本扩展技术研究，借鉴近些年出现的背景替换、场景拼接、成像风格变换等方法，并通过结合自监督学习原理中的互信息概念，构建了生成样本有效性评价与筛选指标；.（2）针对遥感视频车辆检测与多时相红外遥感山火检测应用，对其中所存在的目标稀疏、尺度小特征学习困难等问题，充分利用具体应用场景中的地物类别分布特点、目标形态特征与运动规律，将时空规律先验知识与深度学习分类识别方法合理结合，有效提高了车辆与火点的识别准确率；.（3）为缓解小样本目标检测中的样本稀缺问题，针对该应用中目标数量不断积累增多的特点，提出了基于GRU模型的持续元学习算法框架，使得模型可以随着训练输入样本量的增加而持续更新，极大降低了模型更新的成本；.（4）为有效提升样本稀少情况下的模型训练效率，提出了基于原型学习原理的小样本检测器模型，并结合样本生成与互信息生成样本效能评价指标，在原型图模型算法基础上实现了可伸缩、低类别偏执的目标检测算法框架；.（5）本项目还在研究期间构建了具有多人协同功能的在线标注系统，并在系统中集成了基于主动学习算法框架和小样本目标检测识别算法的自动标注功能模块，能够极大地提高细粒度型号级样本的标注效率。.本项目的研究成果对实现典型重要目标的快速遥感侦察、态势动态感知具有重要的技术借鉴意义和参考价值，期间研发的在线样本标注系统的功能设计模式具有显著的技术借鉴意义。