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

doi:10.13474/j.cnki.11-2246.2021.340

Abstract

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

CLC Number:

P237

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.

References

[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.