视觉机制驱动的高分辨率遥感影像地物识别方法

High resolution remote sensing image automatic analysis and understanding is an open scientific question faced by the international research field of remote sensing. Inspired by the mechanisms of brain cognition and visual perception, this project deeply analysis the working principle of feature learning in deep convolution network, and synthetically consider two basic scientific problem in high resolution remote sensing image geo-object recognition: vision invariance and open world assumption. For robustness and invariance of geo-object recognition, on the basis of visual loop encoding mechanism, this project draws on physiological demonstration, comparison and mechanism interpretation of high resolution remote sensing image geo-object recognition to establish multilayer feature representation model, namely inner layer encoding mechanism. According to the basic theoretical assumption of vision invariance, this project set up a deep feature transformation model under the constraint of vision invariance principle, namely interlayer transformation invariance. Aiming the closure world assumption problem in geo-object recognition, this project construct an adaptive deep convolution network to achieve the layer by layer characteristics of selectivity, adaptability and mobility. The project will build a large-scale high-resolution remote sensing image training set, on which effectiveness and practicality of the proposed theory and method in this project will be fully verified. This project can improve the ability of geo-object automatic recognition and geographic knowledge transfer, and expand the potential applications and services of remote sensing image under the Big Data environments.

针对高分辨率遥感影像自动分析与理解这一国际遥感研究领域共同面临的开放性科学问题，本项目在大脑认知原理和视觉感知机制启发下，深入分析深度卷积网络学习特征的工作原理，综合思考高分辨率遥感影像地物识别两个基本科学问题：不变性问题与开放性问题。对于地物识别的鲁棒性和不变性问题，本项目借鉴视觉回路编码机制，通过遥感影像地物识别的生理实证、对比与机理解释方法，建立高分辨率遥感影像多层次特征表达模型，即层内编码机制。并借鉴视觉不变性的基本理论假设，设计视觉不变性原则约束下的高分辨率遥感影像深度特征变换模型，即层间变换不变性。针对地物识别方法的封闭性假设问题，本项目将架构自适应深度卷积网络，达到逐层特征选择性、自适应性与迁移性。本项目将建立大规模高分辨率遥感影像训练集，充分验证上述理论和方法有效性和实用性。本项目研究可提高地物自动识别及地学知识转化能力，还能扩展大数据环境下遥感影像的潜在应用服务领域。

深度神经网络在机器视觉上不断取得突破性进展，很大程度上得益于大规模的数据集的驱动。然而，遥感影像上的地物目标的类型与特征丰富多样，且存在数据量不均衡的问题。项目主要围绕如何借鉴人类视觉机制构建深度神经网络模型从大量高分辨率遥感影像中有效识别地物这一目标，开展了深度学习原理研究、遥感数据集构建、深度神经网络模型建模等方面的工作。项目分别在数据建库、场景识别、目标检测、语义分割、影像理解等方面均取得了一些成果。比如，众源数据辅助的超大规模高分辨率卫星影像训练集构建方法；深度卷积网络在高分影像制图中的选择性与不变性探究；研制基于注意机制的遥感影像目标识别方法；共享多尺度对抗特征的高分辨率遥感影像语义分割；结合图像语义与超像素池化的建筑物弱监督分割；深度挖掘遥感影像地物空间关系特征；消息传递驱动的遥感影像多目标空间关系三元组表示。整个项目的研究成果，均是参与项目的研究者的合作与分工中取得的。虽然本项目成员未实施预计的出国计划，但多次参加了国内的学术交流。本项目已经取得的成果主要包括培养了6名硕士生顺利毕业，发表7篇高水平论文，授权了5项发明专利。本项目的部分成果应用到一些具体的生产任务中，并与一些企业开展了业务合作并立项。随着这些项目开展，所研制的算法切实在合作方的业务中进行了使用，算法性能在推广过程中得到进一步的提升。