从遥感影像中对指定地物进行识别,并进行空间统计和分析,以从影像中获取兴趣目标的信息,一直是 GIS 和 RS 领域所关注的问题。传统方法大多以遥感地物分类技术为基础,使用不同的分类方法提取特定地物类型,但传统的分类过程存在使用门槛高、数据处理过程繁琐、识别速度慢和迁移性差等问题。深度学习算法的发展在一定程度上弥补了传统遥感影像分析方法的一些短板,提高了处理效率,同时改善了结果的准确性,为遥感影像的分析提供了较好的技术基础。
深度学习技术发展于机器学习的分类与识别任务,在地学和遥感科学研究近几年迅速成为热点。随着深度学习技术在分类和识别的发展,深度学习在目标识别和场景理解上的研究成果显著,在图像预处理、基于像素的分类、目标识别和场景理解等遥感科学的几个方面得到了应用,解决了以往难以从底层原始特征(通常是像素)抽象为具有具体含义的信息问题;另一方面,深度学习在图像预处理和像素级分类(特别是考虑大量训练集的成本时)的成果应用也得到了广泛的应用。
SuperMap 将深度学习技术和 GIS 技术相结合,简化深度学习工作流程的复杂性,降低功能使用门槛,为用户提供一系列影像分析功能。主要包括:目标检测、二元分类、地物分类、场景分类。
目前常见的相关研究案例如下,主要利用了深度学习的图像分类和检测模型。
- 遥感图像中的目标检测,土地利用数据的自动化识别与分类;
- 利用城市卫星图像结合土地利用,预测城市扩张;
- 通过影像自动更新 POI 等空间数据;