首页期刊导航|遥感学报
期刊信息/Journal information
遥感学报
遥感学报

顾行发

双月刊

1007-4619

jrs@irsa.ac.cn

010-64806643

100101

北京市安外大屯路中国科学院遥感应用研究所

遥感学报/Journal Journal of Remote SensingCSCD北大核心CSTPCDEI
查看更多>>本刊为专业性学术刊物。反映遥感领域的科研与技术应用成果。包括航天航空、农业、林业、资源开发、环境监测和保护、区域和工程地质勘探和评价、找矿、灾害监测和评估等领域的应用，以及地理信息系统、遥感、GIS及空间定位系统的综合应用等方面。读者对象为遥感及相关学科的科研人员及高等院校师生。
正式出版
收录年代

    多层级几何—语义融合的图神经网络地表异常检测框架

    高智胡傲涵陈泊安路遥...
    1760-1770页
    查看更多>>摘要：近年来突发性地表异常ESA(Earth Surface Anomalies)事件频发且呈上升趋势,给人类的生命、财产安全带来了巨大威胁,如何及时准确地发现地表异常事件对后续救援与灾害响应具有重要意义.一些研究人员利用卫星影像开展大尺度地表异常发现与监测,并开发、运用了先进的深度学习方法.然而,由于标签数据不足和卫星影像中几何、语义信息十分复杂,现阶段的地表异常检测方法的表现往往不能达到很好的效果.针对上述问题,本文提出了一个多层级几何—语义融合的图神经网络GNN(Graph Neural Network)框架,以实现高精度地表异常快速发现.具体而言,本文提出的方法先利用两个不同的分支从输入的卫星影像中提取不同层级的地理实体并构建图表示,然后通过分配矩阵实现图的联合表达.此后,构建了分层图注意力网络GAT(Graph Attention Network),基于图节点信息传递、聚合与注意力机制从图中进一步挖掘卫星影像中复杂的几何、语义信息,用于准确地检测地表异常.考虑到现有大规模多类地表异常检测基准数据集的缺乏,我们基于现有公开可分发数据集构建了 ESAD数据集,用于基于单张卫星影像的地表异常检测任务.大量实验表明,提出的方法在地表异常检测任务中取得了优异的性能,在准确率、召回率与推理时间方面优于许多基线方法,可精确、有效地开展地表异常检测任务.

    遥感地表异常多层级融合图神经网络快速检测注意力机制灾害响应卫星影像

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于实例对比学习的遥感建筑物变化检测域适应算法

    张奇路遥王飞张雪涛...
    1771-1788页
    查看更多>>摘要：建筑物变化检测是遥感影像智能解译中的重要研究方向.针对建筑物变化检测的跨域变化检测算法中存在的像素级对比学习噪声过大和目标域样本利用不充分等问题,本文提出了实例级对比学习域适应变化检测算法ICDA-CD.首先,使用区域级域混合替代实例级域混合,以实现源域和目标域图像的有效混合;然后,利用实例级对比学习,降低伪标签噪声的影响.具体来说,在编码器中,拉开变化实例区域双时相特征距离,并在解码器中,拉近各个变化实例特征之间的距离,这可以显著提升模型对源域和目标域特征表示的一致性;最后,在损失计算部分使用伪标签质量估计,使得低置信度区域的像素也可以参与训练,提高了目标域样本的利用率.将本文方法与DACS、DAFormer、和HRDA等3种目前先进的算法进行实验对比.结果表明本文所提出来的方法在LEVIR-CD域迁移至S2Looking以及S2Looking域迁移至LEVIR-CD时F1分数分别达到了 43.91％和74.75％,优于几种先进的算法.

    遥感图像建筑物变化检测对比学习域适应深度学习伪标签

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    从光学到SAR:基于多级跨模态对齐的SAR图像舰船检测算法

    何佳月宿南徐从安尹璐...
    1789-1801页
    查看更多>>摘要：合成孔径雷达(SAR)舰船检测是近年来的研究热点.然而,与光学图像不同,SAR成像的特点会导致不直观的特征表示.此外,由于SAR图像数据量不足,现有的基于大量标记SAR图像的方法可能难以达到较好的检测效果.为了解决这些问题,本文提出了一种基于多级跨模态对齐的SAR图像舰船检测算法MCMA-Net(Multi-level Cross-Modality Alignment Network),通过将光学模态中丰富的知识迁移到SAR模态来增强SAR图像的特征表示.该算法首先设计了一个基于邻域—全局注意力的特征交互网络NGAN(Neighborhood-Global Attention Network),通过对骨干网络的浅层特征采用邻域注意力机制进行局部交互、对深层特征采取全局自注意力机制进行全局上下文交互,在兼顾全局上下文建模能力的同时,提升局部特征的编码能力,使得网络在不同层级更合理的关注相应的信息,从而能够促进后续的多级别模态对齐.其次,本文设计了一个多级模态对齐模块MLMA(Multi-level Modality Alignment),通过从局部级别到全局级别再到实例级别的对两种模态不同隐含空间中的特征进行对齐,促进模型有效地学习模态不变特征,缓解了光学图像和SAR图像之间的模态鸿沟,实现了从光学模态到SAR模态的知识传输.大量的实验证明我们的算法优于现阶段的检测算法,取得了最好的实验结果.

    遥感SAR目标检测跨模态特征对齐注意力机制

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向遥感图像目标感知的群目标检测框架

    张鸿伟金磊邹学超方宇强...
    1802-1811页
    查看更多>>摘要：光学遥感是航天侦察和地质勘测中的常用技术,拍摄得到的可见光图像能够提供非常丰富的信息,在目标监视、态势预判等方面都具有重要应用.近年来以轮船、飞机等物体检测为代表的光学遥感图像目标感知取得了显著进展,但对于目标尺度变化大,目标数量多而小的遥感图像目标感知场景中还存在巨大技术挑战,也就是在当前的光学遥感图像目标感知场景存在很多目标小并且多目标集中的情况,容易导致误检和漏检.为了解决现有遥感图像目标检测算法不同目标独立检测的内在低效性,本文提出了一种新的检测框架,即群目标检测,以期通过检测群目标的状态信息来缓解单一目标感知信息不足、可靠性差等问题,进而得到更为可靠的多目标检测结果.本文首先对群目标的概念进行定义,然后基于该定义提出了一种群目标自动化标注方案,在公开数据集上对原有标签进行分析,无需任何手动标注,就能得到含有群目标标注的注释信息.基于群目标自动化标注,本文提出了群目标检测算法,即在检测群目标的同时,利用群目标的空间约束提升单一目标检测结果.实验证明,与近年来的遥感图像检测算法相比,本文提出的群目标检测在最热门的大型遥感目标检测数据集DOTA上验证时,性能最佳.

    遥感图像目标检测边界框群目标自动化标注DOTA目标感知多目标

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    面向小目标检测的卫星视频跟踪算法

    崔浩文许楚杰郑向涛卢孝强...
    1812-1821页
    查看更多>>摘要：遥感卫星的多目标跟踪任务面监目标弱小,场景多样等挑战.为此,提出了一种高分辨率遥感卫星视频的多目标跟踪算法.在检测阶段,构建小目标检测器,首先在主干网络中通过Transformer捕获全局的上下文信息,然后利用注意力机制增强目标特征,最后添加了一个预测小目标的分支;在轨迹关联阶段,将检测出的小目标与已有轨迹匹配,采用关注低置信度检测的关联算法.本文选取高分辨率遥感卫星视频进行测试,测验结果表明本文提出的方法在遥感卫星视频中的多目标跟踪数据集上的MOTA指标达到63.1％,相较于基准(baseline)模型提升13.5％,能够显著提升遥感卫星视频中多目标跟踪的性能.

    遥感多目标跟踪小目标检测注意力机制神经网络轨迹关联

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于改进遗传算法的SAR多星协同复杂区域观测规划

    石鑫邢孟道张金松刘会涛...
    1822-1834页
    查看更多>>摘要：遥感卫星大范围区域观测在地图绘制、灾害救援等领域均具有重要作用.SAR遥感卫星具有不受云雾夜间环境影响的特点,研究SAR多星协同区域观测技术具有重要意义.针对当前缺乏SAR多星协同对复杂区域快速观测规划方法的问题,本文首先对大范围复杂区域覆盖率计算进行分析,提出了结合高斯投影、网格划分与几何运算的复杂区域覆盖率计算方法;然后对SAR条带成像模式进行覆盖分析,提出了结合角度限制和两维分解的候选区域分解方法;最后提出了结合贪婪算法初始化、精英保留策略和3次适应度函数的改进遗传算法用于区域覆盖率优化.本文选取4颗在轨SAR卫星和3个区域目标进行仿真实验,实验结果证明本文方法在北京市、天津市、上海市3个区域都能够实现优异的区域覆盖率优化,相比贪婪算法,本文方法在上述3个区域的覆盖率分别提升3.17％、2.94％、9.02％.该算法可为SAR多星协同区域观测系统的建立提供技术基础.

    遥感星载SAR多星协同区域观测覆盖计算区域分解遗传算法

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    高分二号卫星获取的可可西里羌塘自然保护区西侧光学遥感影像

    封4页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    信息动态

    封2,前插1页
      原文链接:
    • NETL
    • NSTL
    • 万方数据