数据驱动的海量遥感影像高效信息挖掘

Aiming at the demand of the significant research plan in space information network, following the development trend of the automatic and real-time spatial information processing ,this program begin from the correlation of the project from massive remote sensing data and the redundancy of data space, and will do research on efficient information mining problems of mass remote sense images by using the method of data driven. Firstly,starting from the low-level features of remote sensing image, combined with the sparse characteristics of remote sensing,and aiming at the semantic information mining problems of remote sensing images , we propose a hierarchical semantic mining model of remote sensing images by adopting the method of deep learning , in order to reveal the cognitive principle of remote sensing image from the observed data to the semantic scene; Secondly, based on semantic description, in view of the needs of remote sensing image scene updating and potential requirements of the on-boarding processing, we propose an efficient information mining model of "retrieval - quick match - scene semantic transfer ", by taking the scene information mining of incremental data into account. This study can provide efficient data mining algorithms support for high resolution earth observation environment, as well as the samples for dynamic study of remote sensing image information mining and on-orbit processing algorithm to provide sample.

针对空间信息网络重大研究计划的需求，紧跟空间信息处理自动化和实时化的发展趋势，本项目从海量遥感数据的相关性和数据空间的冗余性入手，利用数据驱动的方法，研究海量遥感的高效信息挖掘问题。首先，从遥感影像的低层特征入手，结合遥感的稀疏特性，针对遥感影像的语义挖掘问题，采用基于深度学习的方法，建立遥感影像的语义层次挖掘模型，揭示遥感影像从观测数据到场景语义的认知规律；其次，在语义描述基础上，针对遥感影像场景更新的实际和在轨处理的潜在需要，建立 “高效检索-快速匹配-场景语义迁移”的信息挖掘模型，实现顾及增量数据的场景信息挖掘。 本项目的研究成果能为高分辨率对地观测环境下的高效数据挖掘提供理论和算法支持，同时有望为动态的遥感影像信息挖掘和在轨遥感应用算法的研究提供算法和技术支撑。

海量高分辨率遥感影像场景语义挖掘是遥感信息处理的重要任务。项目组自获得国家自然科学基金资助后，严格按照拟定的进度安排开展研究，并取得多项研究成果。项目组收集并整理了面向高分辨率遥感影像场景分类的目前国际上规模最大的场景数据集，该数据集一方面可作为场景分类算法的基准测试平台，另一方面还可用于训练适合遥感场景解译需求的深度神经网络模型；提出了基于主动学习技术的半监督遥感影像场景自动标注方法，使用少量的弱监督信息来完成大量未标注高分辨率遥感影像标注工作，降低标注工作的专业门限和工作量；提出了基于多特征融合的高分辨率遥感影像场景特征表示方法，对遥感影像的光谱、纹理、颜色和结构等底层特征有效地融合；系统地分析了在基于特征编码的场景分类框架下，不同的低层特征采样方式对分类结果产生的影响；提出了在少量标记样本下遥感影像高层特征学习方法，从半监督学习的角度出发，仅仅利用少量的标记样本数据，将场景影像映射到一个由弱训练集组成的集成空间上，从而获取高层次的具有较强场景表达能力的特征；提出了基于谱聚类非监督特征学习的场景局部特征提取方法，使非监督特征学习过程中的训练和编码均在局部场景低维流形中执行，得到描述能力更强的场景局部特征；提出了基于快速二值编码的遥感影像场景特征表示方法，采用二值化编码的方式将场景局部特征提取和特征编码这两个步骤联合起来，高效地提取场景特征；提出了基于深度卷积神经网络的遥感影像场景特征表示方法，将在大规模自然光学图像数据中训练出的深度卷积神经网络迁移到遥感场景数据中，并针对神经网络中卷积层和全连接层的响应特征，提出了两种不同的网络迁移策略，获得具有很强区分能力和表示能力的场景表达。本项目完成了规定的研究内容，最终实现了海量遥感影像不同层次的高效信息挖掘，为遥感影像的智能化信息处理提供了算法和技术支撑。