深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

doi:10.13474/j.cnki.11-2246.2021.340

测绘通报 ›› 2021, Vol. 0 ›› Issue (11): 65-69,75.doi: 10.13474/j.cnki.11-2246.2021.340

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

孙玉梅¹, 刘昱豪², 边占新¹, 孙亮¹, 陈敬周¹

1. 石家庄铁路职业技术学院, 河北石家庄 050018;
2. 中科北纬(北京)科技有限公司, 北京 100043

收稿日期:2021-05-19 修回日期:2021-09-20 出版日期:2021-11-25 发布日期:2021-12-02
通讯作者: 边占新。E-mail:bian0080@sina.com
作者简介:孙玉梅(1975-),女,博士,副教授,主要研究方向为空间大数据分析、遥感图像处理、人工智能。E-mail:sunyumei2008@126.com

Research and implementation of remote sensing intelligent vision platform based on deep learning PaddlePaddle framework

SUN Yumei¹, LIU Yuhao², BIAN Zhanxin¹, SUN Liang¹, CHEN Jingzhou¹

1. Department of Surveying and Mapping Engineering, Shijiazhuang Institute of Railway Technology, Shijiazhuang 050018, China;
2. North Latitude(Beijing) Technology Co., Ltd., Beijing 100043, China

Received:2021-05-19 Revised:2021-09-20 Online:2021-11-25 Published:2021-12-02

摘要/Abstract

摘要： 百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台，能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet，开发设计了遥感智能视觉平台，实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%，实现了快速有效的遥感图像智能处理。

关键词: 深度学习, PaddlePaddle, 算法模型, 遥感图像, 智能处理

Abstract: The remote sensing intelligent vision platform supported by Baidu deep learning PaddlePaddle framework is researched and implemented. It can use deep learning technology to realize intelligent modeling, training and interpretation of remote sensing images.Through the deep analysis of the deep learning algorithm model DeepLabV3+, U²-Net and RetionaNet of PaddleSeg image segmentation model library, the remote sensing intelligent vision platform is developed and designed, which realizes the professional functions of parcel segmentation, change detection and oblique frame detection of remote sensing image. The results show that:the total area of the spot extracted by the remote sensing intelligent vision platform is 80% of the visual interpretation, the proportion of effective spot is 76%, and the proportion of error spot is 18%, which realizes the fast and effective remote sensing image intelligent processing.

Key words: deep learning, PaddlePaddle, algorithm model, remote sensing image, intelligent processing

中图分类号:

P237

孙玉梅, 刘昱豪, 边占新, 孙亮, 陈敬周. 深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现[J]. 测绘通报, 2021, 0(11): 65-69,75.

SUN Yumei, LIU Yuhao, BIAN Zhanxin, SUN Liang, CHEN Jingzhou. Research and implementation of remote sensing intelligent vision platform based on deep learning PaddlePaddle framework[J]. Bulletin of Surveying and Mapping, 2021, 0(11): 65-69,75.

参考文献

[1] 陈斌, 王宏志, 徐新良, 等. 深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类[J]. 测绘通报, 2019(6):29-33, 40.
[2] HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554.
[3] 石志国, 杨志勇. 深度学习降维过程中的信息损失度量研究[J]. 小型微型计算机系统, 2017, 38(7):1590-1594.
[4] 杨瑾文, 赖文奎. 深度学习算法在遥感影像分类识别中的应用现状及其发展趋势[J]. 测绘与空间地理信息, 2020, 43(4):114-117.
[5] 党宇, 张继贤, 邓喀中, 等. 基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 地球信息科学学报, 2017, 19(11):1530-1537.
[6] 龚健雅, 钟燕飞. 光学遥感影像智能化处理研究进展[J]. 遥感学报, 2016, 20(5):733-747.
[7] 金永涛, 杨秀峰, 高涛, 等. 基于面向对象与深度学习的典型地物提取[J]. 国土资源遥感, 2018, 30(1):22-29.
[8] 楚玉建, 黎武迪, 高锦辉, 等. 深度学习技术在遥感图像识别中的应用研究[J]. 电脑编程技巧与维护, 2021(4):134-136.
[9] 李海涛, 戴莉莉, 顾海燕, 等. 样本尺寸对遥感影像FCN训练模型的影响分析[J]. 测绘科学, 2019, 44(6):133-137.
[10] 张鑫禄, 张崇涛, 戴晨光, 等. 基于DeepLabv3架构的高分辨率遥感图像分类[J]. 海洋测绘, 2019, 39(2):40-44.
[11] 周培诚, 程塨, 姚西文, 等. 高分辨率遥感影像解译中的机器学习范式[J]. 遥感学报, 2021, 25(1):182-197.
[12] 张立强, 李洋, 侯正阳, 等. 深度学习与遥感数据分析[J]. 武汉大学学报(信息科学版), 2020, 45(12):1857-1864.
[13] 董志鹏, 王密, 李德仁, 等. 遥感影像目标的尺度特征卷积神经网络识别法[J]. 测绘学报, 2019, 48(10):1285-1295.
[14] 王艳, 李昂, 王晟全. 训练集对遥感图像超分辨率下自动目标识别影响的研究[J]. 重庆理工大学学报(自然科学), 2021, 35(2):136-143.
[15] 胡翔云, 巩晓雅, 张觅. 变分法遥感影像人工地物自动检测[J]. 测绘学报, 2018, 47(6):780-789.
[16] 谭振宇, 江刚武, 刘建辉. 一种结合非顶层特征图和自适应阈值的飞机目标检测算法[J]. 测绘科学技术学报, 2019, 36(4):382-387.
[17] 杨乐, 王慧, 李烁, 等. 结合DeepLabv3架构的多源数据建筑物提取方法[J]. 测绘与空间地理信息, 2020, 43(6):62-66.
[18] 李明阳, 胡显, 雷宏. 基于可变形卷积神经网络的遥感图像飞机目标检测[J]. 国外电子测量技术, 2020, 39(7):121-126.
[19] 刘思远, 程良伦. 基于深度卷积神经网络的遥感图像目标检测方法[J]. 工业控制计算机, 2020, 33(5):72-74.

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

Research and implementation of remote sensing intelligent vision platform based on deep learning PaddlePaddle framework

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[2]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[3]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[4]	张晋赫, 秦育罗, 张在岩, 宋伟东, 朱洪波. 复杂场景下农村道路裂缝分割方法[J]. 测绘通报, 2022, 0(5): 74-78,88.
[5]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[6]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[7]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[8]	孙琴琴, 蔡国印, 杨柳忠, 张宁, 杜明义. 城市尺度典型地表要素综合提取方法研究[J]. 测绘通报, 2022, 0(2): 62-66.
[9]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[10]	车子杰, 高飞, 吴兆福, 李振轩. 基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析[J]. 测绘通报, 2022, 0(1): 26-32.
[11]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[12]	淳锦, 张新长, 郭海京, 张建国, 金诗程. 基于多源信息与深度学习特征提取的人口空间抽样方法[J]. 测绘通报, 2021, 0(8): 42-47.
[13]	李梓豪, 唐超. 基于高清工业相机的盾构隧道裂缝智能识别算法分析[J]. 测绘通报, 2021, 0(8): 83-87,101.
[14]	吴永静, 吴锦超, 林超, 窦宝成, 黎珂. 基于深度学习的高分辨率遥感影像光伏用地提取[J]. 测绘通报, 2021, 0(5): 96-101.
[15]	梁哲恒, 邓鹏, 姜福泉, 盛森, 魏汝兰, 谢刚生. 基于卷积神经网络的无人机影像违章建筑检测应用[J]. 测绘通报, 2021, 0(4): 111-115.