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、城市時敏目標信息遙感提取城市遙感以城市為研究對象，利用遙感手段對城市環(huán)境從格局、要素、功能、演變等方面進行全面描述和監(jiān)測，為城市環(huán)境評價、觃劃、模擬、預(yù)測等提供信息源和信息獲取技術(shù)手段單時相遙感數(shù)據(jù)：城市信息提取多時相遙感數(shù)據(jù)：城市變化信息提取時間系列遙感數(shù)據(jù)：城市動態(tài)信息監(jiān)測遙感大數(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、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、多分辨率、多時相、多種傳感器、多角度特性的數(shù)據(jù)5全球測圖復(fù)雜場景：人工提取專題要素：自動提取主要內(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、城市時敏目標信息遙感提取1998年汛期的武漢1.2

城市遙感觀測對象陰影影響難題1：如何針對城市復(fù)雜場景構(gòu)建有效的時空譜遙感觀測模型？（1）在立體空間上多角度觀測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：如何針對城市復(fù)雜場景構(gòu)建有效的時空譜遙感觀測模型？（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：如何針對城市復(fù)雜場景構(gòu)建有效的時空譜遙感觀測模型？（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)時將車輛開到指定區(qū)域，將無人機展開升空，采集過程中因為地面物體遮擋導(dǎo)致車輛無法采集的地方，可用無人機從空中進行同步采集，達到面向城市（鎮(zhèn)）三維無縫全息時空信息精準快速獲取的能力難題1：城市復(fù)雜場景構(gòu)建有效的時空譜遙感觀測模型？（3）植被遮擋無人機與移動測量車組網(wǎng)集群系統(tǒng)：無人機放在車輛后備廂中，車內(nèi)配備了兩臺高性能計算機，一臺用于實時監(jiān)控無人機數(shù)據(jù)，另一臺用于實時監(jiān)控車載采集數(shù)據(jù)。ZhenfengShao,JiajunCai,2018.RemoteSensingImageFusionwithDeepConvolutionalNeuralNetwork.IEEEJSTARS，11(5):

1656–1669.設(shè)計了兩個深度不同的支線網(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)來提取更高層次的非線性特征，并通過學(xué)習低空間分辨率與高空間分辨率多光譜圖像間殘差來解決最終的融合問題二、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)習的雙支結(jié)構(gòu)影像融合深度網(wǎng)絡(luò)模型美國發(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)難題時空融合模型：提出了多顆衛(wèi)星多個時相的遙感影像時空融合模型ZhenfengShao,et.al.Deeplearning-basedfusionofLandsat-8andSentinel-2imagesforaharmonizedsurfacereflectanceproduct.RemoteSensingofEnvironment,2019,235,

111425在融合過程中，能夠?qū)W習到地表覆蓋變化，并在結(jié)果中做出準確預(yù)測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）高分一號高分二號資源一號資源三號天繪衛(wèi)星航空影像難題2：如何提高城市信息自動化提取水平？江西省基于多源遙感影像的不透水面提取車輛檢測船只檢測接力跟蹤監(jiān)測需要研究城市丌同場景和對象的檢測不動態(tài)監(jiān)測行人檢測難題3：如何提取城市的快速變化信息（包括時敏目標）針對人、車、船和拋物的檢測，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、城市時敏目標信息遙感提取人工設(shè)計特征提取方法邊緣檢測建筑物提取指數(shù)提取特征+機器學(xué)習影像影像影像邊緣檢測計算指數(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地觀測系統(tǒng)重大科技專項“重點目標影像分析算法研究”由于太陽光線被遮擋航空、遙感影像上有陰影深度學(xué)習方法17優(yōu)點：不需要人工設(shè)計特征，直接實現(xiàn)端到端的建筑物提取基于深度學(xué)習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題結(jié)果原始影像真值問題結(jié)果產(chǎn)生問題的原因只通過少量的池化操作來擴大感受野，感受野并不足以包含整個建筑物與周圍背景只通過單一階段的網(wǎng)絡(luò)直接得到預(yù)測結(jié)果，不能對預(yù)測結(jié)果進行進一步修正基于深度學(xué)習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)對預(yù)測結(jié)果進行了進一步修正，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確的問題，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、城市時敏目標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、屋頂?shù)取Ｋ?、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，時隔37年中國重啟中央城市工作會議習總書記提出治理城市病國務(wù)院辦公廳國辦發(fā)（〔2015〕75號）《關(guān)于推進海綿城市建設(shè)的指導(dǎo)意見》最大限度地減少城市開發(fā)建設(shè)對生態(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%以上達到目標到2030年，城市建成區(qū)80%以上達到目標因此，需要開展丌透水面提取和監(jiān)測四、城市丌透水面信息遙感提取美國現(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)品美國未來：2年2米需要提取和監(jiān)測不透水面的分布并監(jiān)測起變化，支撐城市的可持續(xù)發(fā)展國內(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)計特征，

策略具有局限性，自動化程度低，丌具有普適性挑戰(zhàn)：如何實現(xiàn)自適應(yīng)的特征學(xué)習，提高自動化提取精度四、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象集大尺度影像對象集小尺度影像對象集場景類別特征選擇場景類別特征描述場景分類地物類別特征描述地物分類小尺度影像對象集場景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象集場景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象集場景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象集??地物類別特征選擇場景分類多尺度分割不透水地物合并不透水面提取結(jié)果不同場景下的地物分類271、完成了全國2米分辨率不透水面遙感提取，國情專題內(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對于22個流域，每個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，當不透水面占比達到20%時，流量是不透水面占比4%時的兩倍以上。這意味著在相同的排水系統(tǒng)下，有必要在較短的時間內(nèi)排放更多的水，而且進入流域下游的水量必然會在大小和持續(xù)時間上發(fā)生變化，且較早的達到洪峰。城市化程度越高，曲線越陡，變化越大，總徑流量越大，出現(xiàn)洪峰流量的時間越早同一降雨事件下不同城市化程度的連續(xù)徑流過程四、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參加2020年聯(lián)合國教科文組織智慧城市論壇特邀報告濟南名泉豹突泉四、城市丌透水面信息遙感提取重點滲漏帶、直接補給區(qū)和間接補給區(qū)正在牽頭編寫自然資源部行業(yè)標準：《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，幵完成了草案目前已召開3次標準編寫會議本月提交征求意見稿四、城市丌透水面信息遙感提取測繪遙感信息工程國家重點實驗 室中科院夏軍院士在2018年海綿城市國際論壇特邀報告中評價:該成果是解決城市水安全預(yù)警不城市水問題監(jiān)測的有效方法。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)澇同時幵發(fā)的水災(zāi)；海水倒灌，水污染嚴重重大基金項目：長江中下游典型城市水問題成因不調(diào)控機理長江城市群水問題：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、城市時敏目標信息遙感提取36（1）作為“橫琴新區(qū)低碳生態(tài)城市智能監(jiān)測與管理平臺”的重要組成部分基于衛(wèi)星-無人機-地面多平臺遙感，通過深度學(xué)習等技術(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)庫可為開展基于遙感技術(shù)的時間序列低碳生態(tài)城市監(jiān)測和評估提供技術(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)采集遙感估測方法傳統(tǒng)測量方法建立樣地實測數(shù)據(jù)與遙感特征變量之間的關(guān)系模型結(jié)合機載LiDAR數(shù)據(jù)與衛(wèi)星遙感數(shù)據(jù)進行區(qū)域尺度的植被參數(shù)估測五、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)采集需進行野外調(diào)查試驗，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（植株樹高、胸徑1019條記錄）需進行野外調(diào)查試驗，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點云數(shù)據(jù)無人機航飛及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)測五、城市綠地和耕地信息遙感提取年份森林碳儲量（萬噸）草地碳儲量（萬噸）橫琴植被總碳儲量（萬噸）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、隨機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)控視頻實時監(jiān)控視頻數(shù)據(jù)真實、高清、實時地物內(nèi)容豐富，但不帶有地理坐標現(xiàn)勢性強，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，可直接量測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、可量測現(xiàn)勢性相對弱帶有空間坐標五、城市綠地信息遙感提取信息領(lǐng)域是在視頻里面做標記，沒有坐標的概念，每個攝像頭都需要大量的標記聯(lián)合GIS數(shù)據(jù)與實時監(jiān)控視頻的綠地動態(tài)監(jiān)管45（1）視頻圖像映射到衛(wèi)星影像優(yōu)點：監(jiān)控視頻圖像含有2D坐標信息缺點：視頻監(jiān)控圖像幾何形態(tài)發(fā)生變化，與人類視覺直觀感受有差異五、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：嵌入監(jiān)控視頻圖像，符合人眼直觀感受缺點：沒有充分利用2D地理坐標五、城市綠地信息遙感提取需求：把真實坐標嵌入到視頻里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)域基于自動匹配算法的規(guī)頻監(jiān)控區(qū)域動態(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、城市時敏目標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、珠海一號）移動執(zhí)法車視頻數(shù)據(jù)采集系統(tǒng)基于無人機的航空視頻數(shù)據(jù)采集系統(tǒng)技術(shù)上實現(xiàn)了天空地多平臺規(guī)頻的城市時敏目標檢測和跟蹤六、城市時敏目標信息遙感提取52環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建(借鑒人臉、車數(shù)據(jù)庫）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）對船只的丌同船體部位進行標記（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、城市時敏目標信息遙感提取53丌同船體部位環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建大數(shù)據(jù)挖掘樣本庫構(gòu)建54丌同尺度環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建大數(shù)據(jù)挖掘樣本庫構(gòu)建55丌同規(guī)角環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建大數(shù)據(jù)挖掘樣本庫構(gòu)建56丌同光照環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建大數(shù)據(jù)挖掘樣本庫構(gòu)建57丌同背景環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建大數(shù)據(jù)挖掘樣本庫構(gòu)建58丌同遮擋程度環(huán)島電子圍網(wǎng)船只大數(shù)據(jù)樣本庫構(gòu)建大數(shù)據(jù)挖掘樣本庫構(gòu)建構(gòu)建了開源的目標標注樣本庫，幵實現(xiàn)了船只目標檢測ZhenfengShao,WenjingWu,ZhongyuanWang,WanDu,andChengyuanLi.SeaShips:ALarge-ScalePreciselyAnnotatedDatasetforShipDetection.IEEETransactionson

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

Only

Look

Once:Unified,

Real-Time

Object

Detection》）華盛頓大學(xué)、Allen人工智能實驗室和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）該方法采用單個神經(jīng)網(wǎng)絡(luò)直接預(yù)測物品邊界和類別概率，實現(xiàn)端到端的物品檢測不跟蹤。同時，該方法檢測速非?？?，基礎(chǔ)版可以達到45幀/s的實時檢測；FastYOLO可以達到155幀/s6061YOLO速度很快，符合視頻跟蹤要求，準確率較高六、城市時敏目標信息遙感提取存在問題：YOLO下的跟蹤主要目的是檢測，對跟蹤的多目標不能區(qū)分目標，更類似快速檢測過程如右圖，針對每一幀，傳回數(shù)據(jù)為目標類別和對應(yīng)的scores，丌具有幀不幀之間的連續(xù)性，丌能做多目標跟蹤問題62六、城市時敏目標信息遙感提取針對城市不同的監(jiān)測場景和對象，分別設(shè)計并實現(xiàn)了針對人、車、船和拋物的檢測，并提供跟蹤技術(shù)解決方案車輛檢測船只檢測接力跟蹤監(jiān)測實現(xiàn)了城市丌同場景和對象的檢測不動態(tài)監(jiān)測行人檢測六、城市時敏目標信息遙感提取ZhenfengShao,JiajunCai,andZhongyuanWang.SmartMonitoringCamerasDrivenIntelligentProcessingtoBigSurveillanceVideoData.IEEETransactiononBig

Data.2018六、城市時敏目標信息遙感提取65六、城市時敏目標信息遙感提取基于全球航線，目前已標注樣本圖像100729個。（排除重復(fù)樣本近5萬個）遍歷了全球219個國家/地區(qū)（全球共233個國家/地區(qū)）的3421個港口和流域數(shù)據(jù)數(shù)據(jù)集從6類擴充到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、獨木舟和快艇提出基于深度學(xué)習和規(guī)覺注意機制的動態(tài)多目標檢測模型ZhenfengShao,LinggangWang,ZhongyuanWang*,WanDu,andWenjingWu.Saliency-AwareConvolutionNeural

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

2018六、城市時敏目標信息遙感提取2017年12月19日，

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

Trinder教授頒獎）成果2017年獲得國際學(xué)術(shù)會議最佳論文獎六、城市時敏目標信息遙感提取2019年中國地理信息科技進步一等獎2019年廣東省科技進步一等獎采用公開數(shù)據(jù)集VisDrone[1]和UAVDT[2]，數(shù)據(jù)集中影像來自多角度、多高度，大量無人機影像背景復(fù)雜，常用目標檢測方法難以取得較好的檢測結(jié)果。無人機影像目標檢測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