城市遙感信息智能提取地理空間GIS講座課件

城市遙感信息智能提取主要內(nèi)容一、城市遙感信息智能提取需求二、城市遙感信息智能提取關(guān)鍵技術(shù)難題三、城市房屋信息遙感提取四、城市丌透水面信息遙感提取五、城市綠地信息遙感提取六、城市時(shí)敏目標(biāo)信息遙感提取城市遙感以城市為研究對(duì)象，利用遙感手段對(duì)城市環(huán)境從格局、要素、功能、演變等方面進(jìn)行全面描述和監(jiān)測(cè)，為城市環(huán)境評(píng)價(jià)、觃劃、模擬、預(yù)測(cè)等提供信息源和信息獲取技術(shù)手段單時(shí)相遙感數(shù)據(jù)：城市信息提取多時(shí)相遙感數(shù)據(jù)：城市變化信息提取時(shí)間系列遙感數(shù)據(jù)：城市動(dòng)態(tài)信息監(jiān)測(cè)遙感大數(shù)據(jù)：智慧城市挖掘分析遙感大數(shù)據(jù)作為一種信息豐富、覆蓋面廣、經(jīng)濟(jì)、便捷的空間數(shù)據(jù)載體，可利用的遙感大數(shù)據(jù)包括多平臺(tái)、多分辨率、多時(shí)相、多種傳感器、多角度特性的數(shù)據(jù)5全球測(cè)圖復(fù)雜場(chǎng)景：人工提取專題要素：自動(dòng)提取主要內(nèi)容一、城市遙感信息智能提取需求二、城市遙感信息智能提取關(guān)鍵技術(shù)難題三、城市房屋信息遙感提取四、城市丌透水面信息遙感提取五、城市綠地信息遙感提取六、城市時(shí)敏目標(biāo)信息遙感提取1998年汛期的武漢1.2

城市遙感觀測(cè)對(duì)象陰影影響難題1：如何針對(duì)城市復(fù)雜場(chǎng)景構(gòu)建有效的時(shí)空譜遙感觀測(cè)模型？（1）在立體空間上多角度觀測(cè)不同高度的城市信息植被遮擋云的影響HuiLuo,LeWang,ZhenfengShaoandDerenLi.Developmentofamulti-scaleobject-basedshadow

detectionmethodforhighspatialresolutionimage,RemoteSensingLetters,2015,6:1,

59-68二、城市遙感信息智能提取關(guān)鍵技術(shù)難題難題1：如何針對(duì)城市復(fù)雜場(chǎng)景構(gòu)建有效的時(shí)空譜遙感觀測(cè)模型？（1）陰影的影響ZhenfengShao,et.al.CloudDetectionin

RemoteSensingImagesBasedonMultiscaleFeatures-ConvolutionalNeuralNetwork.IEEETRANSACTIONSONGEOSCIENCEANDREMOTESENSING,VOL.57,NO.6,JUNE

2019,4062-40769二、城市遙感信息智能提取關(guān)鍵技術(shù)難題難題1：如何針對(duì)城市復(fù)雜場(chǎng)景構(gòu)建有效的時(shí)空譜遙感觀測(cè)模型？（2）消除云的影響二、城市遙感信息智能提取關(guān)鍵技術(shù)難題作業(yè)時(shí)將車輛開(kāi)到指定區(qū)域，將無(wú)人機(jī)展開(kāi)升空，采集過(guò)程中因?yàn)榈孛嫖矬w遮擋導(dǎo)致車輛無(wú)法采集的地方，可用無(wú)人機(jī)從空中進(jìn)行同步采集，達(dá)到面向城市（鎮(zhèn)）三維無(wú)縫全息時(shí)空信息精準(zhǔn)快速獲取的能力難題1：城市復(fù)雜場(chǎng)景構(gòu)建有效的時(shí)空譜遙感觀測(cè)模型？（3）植被遮擋無(wú)人機(jī)與移動(dòng)測(cè)量車組網(wǎng)集群系統(tǒng)：無(wú)人機(jī)放在車輛后備廂中，車內(nèi)配備了兩臺(tái)高性能計(jì)算機(jī)，一臺(tái)用于實(shí)時(shí)監(jiān)控?zé)o人機(jī)數(shù)據(jù)，另一臺(tái)用于實(shí)時(shí)監(jiān)控車載采集數(shù)據(jù)。ZhenfengShao,JiajunCai,2018.RemoteSensingImageFusionwithDeepConvolutionalNeuralNetwork.IEEEJSTARS，11(5):

1656–1669.設(shè)計(jì)了兩個(gè)深度不同的支線網(wǎng)絡(luò)，用于提取多光譜圖像和全色圖像特征，引入更深層的結(jié)構(gòu)來(lái)提取更高層次的非線性特征，并通過(guò)學(xué)習(xí)低空間分辨率與高空間分辨率多光譜圖像間殘差來(lái)解決最終的融合問(wèn)題二、城市遙感信息智能提取關(guān)鍵技術(shù)難題空譜融合模型：顧及殘差學(xué)習(xí)的雙支結(jié)構(gòu)影像融合深度網(wǎng)絡(luò)模型美國(guó)發(fā)明專利：Method

and

system

for

reconstructing

super-resolution

image空間分辨率從30米到10米；時(shí)間分辨率：從5天到2天二、城市遙感信息智能提取關(guān)鍵技術(shù)難題時(shí)空融合模型：提出了多顆衛(wèi)星多個(gè)時(shí)相的遙感影像時(shí)空融合模型ZhenfengShao,et.al.Deeplearning-basedfusionofLandsat-8andSentinel-2imagesforaharmonizedsurfacereflectanceproduct.RemoteSensingofEnvironment,2019,235,

111425在融合過(guò)程中，能夠?qū)W習(xí)到地表覆蓋變化，并在結(jié)果中做出準(zhǔn)確預(yù)測(cè)13汛1998年期的武漢多傳感器影像色調(diào)和尺度差異二、城市遙感信息智能提取關(guān)鍵技術(shù)難題（1）高分一號(hào)高分二號(hào)資源一號(hào)資源三號(hào)天繪衛(wèi)星航空影像難題2：如何提高城市信息自動(dòng)化提取水平？江西省基于多源遙感影像的不透水面提取車輛檢測(cè)船只檢測(cè)接力跟蹤監(jiān)測(cè)需要研究城市丌同場(chǎng)景和對(duì)象的檢測(cè)不動(dòng)態(tài)監(jiān)測(cè)行人檢測(cè)難題3：如何提取城市的快速變化信息（包括時(shí)敏目標(biāo)）針對(duì)人、車、船和拋物的檢測(cè)，并提供跟蹤技術(shù)解決方案二、城市遙感信息智能提取關(guān)鍵技術(shù)難題主要內(nèi)容一、城市遙感信息智能提取需求二、城市遙感信息智能提取關(guān)鍵技術(shù)難題三、城市房屋信息遙感提取四、城市丌透水面信息遙感提取五、城市綠地信息遙感提取六、城市時(shí)敏目標(biāo)信息遙感提取人工設(shè)計(jì)特征提取方法邊緣檢測(cè)建筑物提取指數(shù)提取特征+機(jī)器學(xué)習(xí)影像影像影像邊緣檢測(cè)計(jì)算指數(shù)提取特征形狀約束閾值分割分類器結(jié)果結(jié)果結(jié)果三、房屋和道路信息遙感提取高分辨率對(duì)地觀測(cè)系統(tǒng)重大科技專項(xiàng)“重點(diǎn)目標(biāo)影像分析算法研究”由于太陽(yáng)光線被遮擋航空、遙感影像上有陰影深度學(xué)習(xí)方法17優(yōu)點(diǎn)：不需要人工設(shè)計(jì)特征，直接實(shí)現(xiàn)端到端的建筑物提取基于深度學(xué)習(xí)的高分遙感影像房屋提取三、房屋和道路信息遙感提取18由于影像上同一建筑物的色調(diào)和紋理不同，導(dǎo)致建筑物的提取結(jié)果出現(xiàn)部分缺失對(duì)于形狀較為復(fù)雜的建筑物的邊緣提取結(jié)果還不精確原始影像真值問(wèn)題結(jié)果原始影像真值問(wèn)題結(jié)果產(chǎn)生問(wèn)題的原因只通過(guò)少量的池化操作來(lái)擴(kuò)大感受野，感受野并不足以包含整個(gè)建筑物與周圍背景只通過(guò)單一階段的網(wǎng)絡(luò)直接得到預(yù)測(cè)結(jié)果，不能對(duì)預(yù)測(cè)結(jié)果進(jìn)行進(jìn)一步修正基于深度學(xué)習(xí)的高分遙感影像房屋、道路提取三、房屋和道路信息遙感提取設(shè)計(jì)了基于建筑物殘差修正網(wǎng)絡(luò)的建筑物提取方法引入空洞卷積串聯(lián)結(jié)構(gòu)在不損失圖像分辨率的情況下有效增加了感受野，提取到更全局更豐富的信息殘差修正結(jié)構(gòu)對(duì)預(yù)測(cè)結(jié)果進(jìn)行了進(jìn)一步修正，得到更加精確的結(jié)果與U-Net相比，極大減少了網(wǎng)絡(luò)參數(shù)基于深度學(xué)習(xí)的高分遙感影像房屋、道路提取能有效地解決建筑物提取不完整以及形狀復(fù)雜的建筑物邊緣提取不準(zhǔn)確的問(wèn)題，并得到更高的提取精度19Shao,Z.;Tang,P.;Wang,Z.;Saleem,N.;Yam,S.;Sommai,C.BRRNet:AFullyConvolutionalNeuralNetwork

forAutomaticBuildingExtractionFromHigh-ResolutionRemoteSensingImages.RemoteSens.2020,12,

1050.20原始影像真值BRRNet的方法SegNetBayesian- RefineNet PSPNet DeepLabv3+SegNet基于深度學(xué)習(xí)的高分遙感影像房屋、道路提取主要內(nèi)容一、城市遙感信息智能提取需求二、城市遙感信息智能提取關(guān)鍵技術(shù)難題三、城市房屋信息遙感提取四、城市丌透水面信息遙感提取五、城市綠地信息遙感提取六、城市時(shí)敏目標(biāo)信息遙感提取什么是城市不透水面？城市中自然的或者人工的阻止地表水滲透到地下的地表覆蓋物，如由水泥混凝土、玻璃、瀝青、塑料、瓦片、金屬等材料建成的道路、停車場(chǎng)、屋頂?shù)?。四、城市丌透水面信息遙感提取丌透水面的變化從根本上改變了降水的再分配，從而影響城市水文環(huán)境(Arnoldetal.,

1996)全球丌透水面空間分布影響城市生態(tài)環(huán)境模型新農(nóng)村建設(shè)小城鎮(zhèn)建設(shè)大都市建設(shè)四、城市丌透水面信息遙感提取城市病呼喚海綿城市2015年12月22日，時(shí)隔37年中國(guó)重啟中央城市工作會(huì)議習(xí)總書(shū)記提出治理城市病國(guó)務(wù)院辦公廳國(guó)辦發(fā)（〔2015〕75號(hào)）《關(guān)于推進(jìn)海綿城市建設(shè)的指導(dǎo)意見(jiàn)》最大限度地減少城市開(kāi)發(fā)建設(shè)對(duì)生態(tài)環(huán)境的影響，將70%的降雨就地消納和利用（丌透水面比例需要下降）到2020年，城市建成區(qū)20%以上達(dá)到目標(biāo)到2030年，城市建成區(qū)80%以上達(dá)到目標(biāo)因此，需要開(kāi)展丌透水面提取和監(jiān)測(cè)四、城市丌透水面信息遙感提取美國(guó)現(xiàn)狀：30米產(chǎn)品清華大學(xué)宮鵬老師：30米、10米產(chǎn)品空天院劉良云老師：30米產(chǎn)品區(qū)域和全球研究很好的產(chǎn)品美國(guó)未來(lái)：2年2米需要提取和監(jiān)測(cè)不透水面的分布并監(jiān)測(cè)起變化，支撐城市的可持續(xù)發(fā)展國(guó)內(nèi)外現(xiàn)狀四、城市丌透水面信息遙感提取基于CNN的多尺度特征提取概率圖模型全局優(yōu)化...卷積池化空洞卷積反池化概率圖優(yōu)化2、提出了基于深度學(xué)習(xí)的不透水面提取新方法難題2：高分影像內(nèi)容復(fù)雜，傳統(tǒng)分類和提取方法是人工設(shè)計(jì)特征，

策略具有局限性，自動(dòng)化程度低，丌具有普適性挑戰(zhàn)：如何實(shí)現(xiàn)自適應(yīng)的特征學(xué)習(xí)，提高自動(dòng)化提取精度四、城市丌透水面信息遙感提取加載數(shù)據(jù)影像分割多尺度影像對(duì)象集大尺度影像對(duì)象集小尺度影像對(duì)象集場(chǎng)景類別特征選擇場(chǎng)景類別特征描述場(chǎng)景分類地物類別特征描述地物分類小尺度影像對(duì)象集場(chǎng)景1下的地物分類地物類別特征選擇地物類別特征描述地物分類小尺度影像對(duì)象集場(chǎng)景2下的地物分類地物類別特征選擇地物類別特征描述 地物分類小尺度影像對(duì)象集場(chǎng)景n下的地物分類地物類別特征選擇地物類別特征描述地物分類小尺度影像對(duì)象集??地物類別特征選擇場(chǎng)景分類多尺度分割不透水地物合并不透水面提取結(jié)果不同場(chǎng)景下的地物分類271、完成了全國(guó)2米分辨率不透水面遙感提取，國(guó)情專題內(nèi)容EnvironmentofRemoteSensing 2019四、城市丌透水面信息遙感提取1987-2017武漢市30年不透水占比與地表徑流關(guān)系DischargeBMPsLIDPre-urbanTimePost-urban對(duì)于22個(gè)流域，每個(gè)流域的總不透水面占比與徑流量成正比ZhenfengShao,et.al.Remotesensingmonitoringofmulti-scalewatershedsimpermeabilityforurbanhydrologicalevaluation.RemoteSensingofEnvironment,2019,232,

111338入選ESI

高被引論文28四、城市丌透水面信息遙感提取29在9:00—12:00之間每5min建模一次。結(jié)果表明，當(dāng)不透水面占比達(dá)到20%時(shí)，流量是不透水面占比4%時(shí)的兩倍以上。這意味著在相同的排水系統(tǒng)下，有必要在較短的時(shí)間內(nèi)排放更多的水，而且進(jìn)入流域下游的水量必然會(huì)在大小和持續(xù)時(shí)間上發(fā)生變化，且較早的達(dá)到洪峰。城市化程度越高，曲線越陡，變化越大，總徑流量越大，出現(xiàn)洪峰流量的時(shí)間越早同一降雨事件下不同城市化程度的連續(xù)徑流過(guò)程四、城市丌透水面信息遙感提取按12類提取下墊面按3類提取下墊面武漢市高分影像按6類提取下墊面四、城市丌透水面信息遙感提取四、城市丌透水面信息遙感提取年汛期的武1998年汛期的武漢漢成果受邀請(qǐng)參加2020年聯(lián)合國(guó)教科文組織智慧城市論壇特邀報(bào)告濟(jì)南名泉豹突泉四、城市丌透水面信息遙感提取重點(diǎn)滲漏帶、直接補(bǔ)給區(qū)和間接補(bǔ)給區(qū)正在牽頭編寫(xiě)自然資源部行業(yè)標(biāo)準(zhǔn)：《城市丌透水面數(shù)據(jù)觃范》《丌透水面提取技術(shù)觃程》2019年立項(xiàng)，幵完成了草案目前已召開(kāi)3次標(biāo)準(zhǔn)編寫(xiě)會(huì)議本月提交征求意見(jiàn)稿四、城市丌透水面信息遙感提取測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn) 室中科院夏軍院士在2018年海綿城市國(guó)際論壇特邀報(bào)告中評(píng)價(jià):該成果是解決城市水安全預(yù)警不城市水問(wèn)題監(jiān)測(cè)的有效方法。上游城市群：高山、峽谷地帶，城市分散，洪水災(zāi)害地域、時(shí)域差異明顯，山洪、滑坡泥石流頻發(fā)中游城市群：平原河網(wǎng)區(qū)，城市及人口密集；外江水位多高于城市地心，排水困難；洪澇頻繁、水污染嚴(yán)重下游城市群：河網(wǎng)稠密，人口密集；常出現(xiàn)外洪、內(nèi)澇或外洪內(nèi)澇同時(shí)幵發(fā)的水災(zāi)；海水倒灌，水污染嚴(yán)重重大基金項(xiàng)目：長(zhǎng)江中下游典型城市水問(wèn)題成因不調(diào)控機(jī)理長(zhǎng)江城市群水問(wèn)題：主要內(nèi)容一、城市遙感信息智能提取需求二、城市遙感信息智能提取關(guān)鍵技術(shù)難題三、城市房屋信息遙感提取四、城市丌透水面信息遙感提取五、城市綠地信息遙感提取六、城市時(shí)敏目標(biāo)信息遙感提取36（1）作為“橫琴新區(qū)低碳生態(tài)城市智能監(jiān)測(cè)與管理平臺(tái)”的重要組成部分基于衛(wèi)星-無(wú)人機(jī)-地面多平臺(tái)遙感，通過(guò)深度學(xué)習(xí)等技術(shù)手段，可獲得橫琴新區(qū)地上生物量本底數(shù)據(jù)，建立本底數(shù)據(jù)庫(kù)可為開(kāi)展基于遙感技術(shù)的時(shí)間序列低碳生態(tài)城市監(jiān)測(cè)和評(píng)估提供技術(shù)手段城市綠地和生物量遙感信息提取五、城市綠地信息遙感提取地上生物量參數(shù)采集遙感估測(cè)方法傳統(tǒng)測(cè)量方法建立樣地實(shí)測(cè)數(shù)據(jù)與遙感特征變量之間的關(guān)系模型結(jié)合機(jī)載LiDAR數(shù)據(jù)與衛(wèi)星遙感數(shù)據(jù)進(jìn)行區(qū)域尺度的植被參數(shù)估測(cè)五、城市綠地信息遙感提取38地上生物量參數(shù)采集38（1）樣區(qū)生物量地面參數(shù)采集需進(jìn)行野外調(diào)查試驗(yàn)，采集生物量真值估算所需的植被結(jié)構(gòu)參數(shù)信息39地上生物量參數(shù)采集39（2）樣區(qū)生物量地面參數(shù)采集（植株樹(shù)高、胸徑1019條記錄）需進(jìn)行野外調(diào)查試驗(yàn)，采集生物量真值估算所需的植被結(jié)構(gòu)參數(shù)信息。LAI草地生物量反演40地上生物量參數(shù)采集4040LiDAR點(diǎn)云數(shù)據(jù)無(wú)人機(jī)航飛及LiDAR變量提取主要飛行范圍約20平方公里航線設(shè)計(jì)飛行區(qū)域粵港澳大灣區(qū)橫琴新區(qū)2009年到2018年生態(tài)島遙感監(jiān)測(cè)五、城市綠地和耕地信息遙感提取年份綠地率綠地面積（平方公里）200962.61%66.65201055.57%59.16201151.90%55.25201252.75%56.15201351.77%55.11201451.42%54.74201554.60%58.13201650.68%53.96201759.63%63.48201860.90%64.8370.00%60.00%50.00%40.00%30.00%20.00%10.00%0.00%2008201020122014201620182020橫琴新區(qū)2009-2018綠地率變化橫琴新區(qū)2009年到2018年生態(tài)島遙感監(jiān)測(cè)五、城市綠地和耕地信息遙感提取年份森林碳儲(chǔ)量（萬(wàn)噸）草地碳儲(chǔ)量（萬(wàn)噸）橫琴植被總碳儲(chǔ)量（萬(wàn)噸）200918.8886.25625.144201018.4115.67124.082201118.245.97124.211201217.0634.05521.118201317.9192.97520.894201418.0131.93619.949201521.5983.71825.316201620.321.225221.5452201720.4426.19426.636201820.154.57324.723YaZhang,ZhenfengShao*.AssessingofUrbanVegetationBiomassinCombinationwithLiDARandHigh-resolutionRemoteSensingImages，InternationalJournalofRemoteSensing.

2020.DOI：10.1080/01431161.2020.1820618分別采用最近鄰、誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BackPropagation

Neural

Networks，BPNN）、支持向量回歸機(jī)、隨機(jī)森林以及多元逐步線性回歸模型方法，構(gòu)建橫琴新區(qū)植被地上生物量反演模型44監(jiān)控視頻實(shí)時(shí)監(jiān)控視頻數(shù)據(jù)真實(shí)、高清、實(shí)時(shí)地物內(nèi)容豐富，但不帶有地理坐標(biāo)現(xiàn)勢(shì)性強(qiáng)，側(cè)視成像區(qū)域范圍數(shù)字線劃圖幾何結(jié)構(gòu)直觀顯示，但屬性隱藏帶有平面投影坐標(biāo)，可直接量測(cè)高分辨率遙感正射影像正射投影色彩紋理信息豐富、可定位、可量測(cè)現(xiàn)勢(shì)性相對(duì)弱帶有空間坐標(biāo)五、城市綠地信息遙感提取信息領(lǐng)域是在視頻里面做標(biāo)記，沒(méi)有坐標(biāo)的概念，每個(gè)攝像頭都需要大量的標(biāo)記聯(lián)合GIS數(shù)據(jù)與實(shí)時(shí)監(jiān)控視頻的綠地動(dòng)態(tài)監(jiān)管45（1）視頻圖像映射到衛(wèi)星影像優(yōu)點(diǎn)：監(jiān)控視頻圖像含有2D坐標(biāo)信息缺點(diǎn)：視頻監(jiān)控圖像幾何形態(tài)發(fā)生變化，與人類視覺(jué)直觀感受有差異五、城市綠地信息遙感提取46（2）數(shù)據(jù)映射到監(jiān)控規(guī)頻優(yōu)點(diǎn)：嵌入監(jiān)控視頻圖像，符合人眼直觀感受缺點(diǎn)：沒(méi)有充分利用2D地理坐標(biāo)五、城市綠地信息遙感提取需求：把真實(shí)坐標(biāo)嵌入到視頻里47不同視角的視頻圖像視頻圖像間匹配結(jié)果不同視角圖像上的監(jiān)控區(qū)域基于自動(dòng)匹配算法的規(guī)頻監(jiān)控區(qū)域動(dòng)態(tài)跟隨五、城市綠地信息遙感提取48五、城市綠地信息遙感提取五、城市綠地信息遙感提取ZhenfengShao,CongminLi,DerenLi,OrhanAltan,LeiZhangandLinDing.AnAccurateMatchingMethodforProjectingVectorDataintoSurveillanceVideotoMonitorandProtectCultivatedLand.ISPRSInt.J.Geo-Inf.2020,9,448.

doi:10.3390/ijgi9070448主要內(nèi)容一、城市遙感信息智能提取需求二、城市遙感信息智能提取關(guān)鍵技術(shù)難題三、城市房屋信息遙感提取四、城市丌透水面信息遙感提取五、城市綠地信息遙感提取六、城市時(shí)敏目標(biāo)信息遙感提取天空地一體化城市視頻大數(shù)據(jù)監(jiān)控技術(shù)體系城市固定視頻數(shù)據(jù)采集系統(tǒng)基于天基視頻衛(wèi)星數(shù)據(jù)（吉林一號(hào)、珠海一號(hào)）移動(dòng)執(zhí)法車視頻數(shù)據(jù)采集系統(tǒng)基于無(wú)人機(jī)的航空視頻數(shù)據(jù)采集系統(tǒng)技術(shù)上實(shí)現(xiàn)了天空地多平臺(tái)規(guī)頻的城市時(shí)敏目標(biāo)檢測(cè)和跟蹤六、城市時(shí)敏目標(biāo)信息遙感提取52環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建(借鑒人臉、車數(shù)據(jù)庫(kù)）由于海面海洋環(huán)境復(fù)雜多變，為了保證數(shù)據(jù)集的豐富性，需要考慮的因素包括：1）涵蓋盡可能多的船只類型（intra-class

variation）2）對(duì)船只的丌同船體部位進(jìn)行標(biāo)記（hull-part

variation）3）同一船只丌同大小/尺度的數(shù)據(jù)（scale

variation）同一區(qū)域丌同方向/規(guī)角下的數(shù)據(jù)（viewpoint

variation）丌同光照下的數(shù)據(jù)（illumination

variation）丌同背景下的數(shù)據(jù)（background

clutter）陰雨霧等丌同環(huán)境下的數(shù)據(jù)（weather

variation）：陰、雨、霧、霾天氣8）水尺、房屋等其他物體的遮擋（occlusion）六、城市時(shí)敏目標(biāo)信息遙感提取53丌同船體部位環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建大數(shù)據(jù)挖掘樣本庫(kù)構(gòu)建54丌同尺度環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建大數(shù)據(jù)挖掘樣本庫(kù)構(gòu)建55丌同規(guī)角環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建大數(shù)據(jù)挖掘樣本庫(kù)構(gòu)建56丌同光照環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建大數(shù)據(jù)挖掘樣本庫(kù)構(gòu)建57丌同背景環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建大數(shù)據(jù)挖掘樣本庫(kù)構(gòu)建58丌同遮擋程度環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫(kù)構(gòu)建大數(shù)據(jù)挖掘樣本庫(kù)構(gòu)建構(gòu)建了開(kāi)源的目標(biāo)標(biāo)注樣本庫(kù)，幵實(shí)現(xiàn)了船只目標(biāo)檢測(cè)ZhenfengShao,WenjingWu,ZhongyuanWang,WanDu,andChengyuanLi.SeaShips:ALarge-ScalePreciselyAnnotatedDatasetforShipDetection.IEEETransactionson

Multimedia,2018六、城市時(shí)敏目標(biāo)信息遙感提取基于環(huán)島規(guī)頻大數(shù)據(jù)的船只檢測(cè)算法優(yōu)化六、城市時(shí)敏目標(biāo)信息遙感提?。ɑ谀繕?biāo)檢測(cè)不跟蹤領(lǐng)域最近進(jìn)展文章：《You

Only

Look

Once:Unified,

Real-Time

Object

Detection》）華盛頓大學(xué)、Allen人工智能實(shí)驗(yàn)室和Facebook人工智能研究院合著文章：《

You

Only

Look

Once:Unified,Real-Time

Object

Detection》（2016IEEE

Conference

on

Computer

Vision

and

Pattern

Recognition）該方法采用單個(gè)神經(jīng)網(wǎng)絡(luò)直接預(yù)測(cè)物品邊界和類別概率，實(shí)現(xiàn)端到端的物品檢測(cè)不跟蹤。同時(shí)，該方法檢測(cè)速非?？?，基礎(chǔ)版可以達(dá)到45幀/s的實(shí)時(shí)檢測(cè)；FastYOLO可以達(dá)到155幀/s6061YOLO速度很快，符合視頻跟蹤要求，準(zhǔn)確率較高六、城市時(shí)敏目標(biāo)信息遙感提取存在問(wèn)題：YOLO下的跟蹤主要目的是檢測(cè)，對(duì)跟蹤的多目標(biāo)不能區(qū)分目標(biāo)，更類似快速檢測(cè)過(guò)程如右圖，針對(duì)每一幀，傳回?cái)?shù)據(jù)為目標(biāo)類別和對(duì)應(yīng)的scores，丌具有幀不幀之間的連續(xù)性，丌能做多目標(biāo)跟蹤問(wèn)題62六、城市時(shí)敏目標(biāo)信息遙感提取針對(duì)城市不同的監(jiān)測(cè)場(chǎng)景和對(duì)象，分別設(shè)計(jì)并實(shí)現(xiàn)了針對(duì)人、車、船和拋物的檢測(cè)，并提供跟蹤技術(shù)解決方案車輛檢測(cè)船只檢測(cè)接力跟蹤監(jiān)測(cè)實(shí)現(xiàn)了城市丌同場(chǎng)景和對(duì)象的檢測(cè)不動(dòng)態(tài)監(jiān)測(cè)行人檢測(cè)六、城市時(shí)敏目標(biāo)信息遙感提取ZhenfengShao,JiajunCai,andZhongyuanWang.SmartMonitoringCamerasDrivenIntelligentProcessingtoBigSurveillanceVideoData.IEEETransactiononBig

Data.2018六、城市時(shí)敏目標(biāo)信息遙感提取65六、城市時(shí)敏目標(biāo)信息遙感提取基于全球航線，目前已標(biāo)注樣本圖像100729個(gè)。（排除重復(fù)樣本近5萬(wàn)個(gè)）遍歷了全球219個(gè)國(guó)家/地區(qū)（全球共233個(gè)國(guó)家/地區(qū)）的3421個(gè)港口和流域數(shù)據(jù)數(shù)據(jù)集從6類擴(kuò)充到13類船只：礦砂船、散裝貨船、集裝箱船、普通貨船、漁船、客船、帄船、駁船、戰(zhàn)艦、油船、拖船、獨(dú)木舟和快艇提出基于深度學(xué)習(xí)和規(guī)覺(jué)注意機(jī)制的動(dòng)態(tài)多目標(biāo)檢測(cè)模型ZhenfengShao,LinggangWang,ZhongyuanWang*,WanDu,andWenjingWu.Saliency-AwareConvolutionNeural

NetworkforShipDetectioninSurveillanceVideo.IEEETransactionsonCircuitsandSystemsforVideoTechnology,2019.六、城市時(shí)敏目標(biāo)信息遙感提取提出基于卷積神經(jīng)元網(wǎng)絡(luò)的場(chǎng)景融合模型，增強(qiáng)小目標(biāo)檢測(cè)ZhenfengShaoandJiajunCai.RemoteSensingImageFusionWithDeepConvolutionalNeuralNetwork.IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,

2018六、城市時(shí)敏目標(biāo)信息遙感提取2017年12月19日，

學(xué)生獲第一屆人工智能和大數(shù)據(jù)國(guó)際研討會(huì)并獲得最佳論文獎(jiǎng)，（John

Trinder教授頒獎(jiǎng)）成果2017年獲得國(guó)際學(xué)術(shù)會(huì)議最佳論文獎(jiǎng)六、城市時(shí)敏目標(biāo)信息遙感提取2019年中國(guó)地理信息科技進(jìn)步一等獎(jiǎng)2019年廣東省科技進(jìn)步一等獎(jiǎng)采用公開(kāi)數(shù)據(jù)集VisDrone[1]和UAVDT[2]，數(shù)據(jù)集中影像來(lái)自多角度、多高度，大量無(wú)人機(jī)影像背景復(fù)雜，常用目標(biāo)檢測(cè)方法難以取得較好的檢測(cè)結(jié)果。無(wú)人機(jī)影像目標(biāo)檢測(cè)Zhu,P.;Wen,L.;Du,D.;Bian,X.;Ling,H.;Hu,Q.;Nie,Q.;Cheng,H.;Liu,C.;Liu,X.;etal.Visdrone-det2018:Thevisionmeetsdroneobjectdetectioninimagechallengeresults.InProceedingsofthe