arxiv.org 关于Remote Sensing 中 Deep learning 的一篇Survey， 这样的文章我连续看了好几篇。

  • 文章不算参考文献30页， 摘要提个了点很有意思。

    Whereas remote sensing (RS) possesses a number of unique challenges, primarily related to sensors and applications, inevitably RS draws from many of the same theories as CV; e.g., statistics, fusion, and machine learning, to name a few.

  • 说RS很多的问题注重和传感器和应用。但是和机器视觉（CV）所采用的研究理论基础是相同的：统计，数据融合，机器学习等等。

    CV相关

  • 文章首先从CV相关的研究入手，对比了深度学习和浅层学习（shallow learning），然后介绍了解码器，CNN,DBN,RNN，DeconvNet，然后从GPU, DLNN, 打数据和相关工具介绍了深度学习如何实现和火起来。文章提到，因为GPU的特性，GPU加速已经测得在8.5到9之间，甚至更高。 CNN卷积，积分和激活计算操作可轻松移植到GPU中。

    RS 和 DL

  • 接下来是正菜。也就是RS中的DL
  • 文章总结了一个表格，总结了目前已经开展过的RS中的deep learning 的应用。包括研究领域，传感器类型，数据集。还做了一个标记集，标记这些研究都采用哪些类型，包括（光谱，空间，时间/多时间，HSI/多光谱，超光谱，航空照片/航拍数据包括卫星数据，RGB彩色图像）。具体查看 这里

    分类（Classification）

  • 由于我比较关关心cnn，有一篇还是很有意思，面对样本较少并且是光谱数据时候，采用了双cnn联合学习，transfer learning(TL) 来解决样本较少的问题:用一个低分辨率或者中分辨率训练好的模型坐TL,最后结果连接岛到三层全连接（FC）,用softmax 最终生成类标签。和我前段时间一直在尝试用general model训练好的模型做TL增加了一个spatial的cnn，很有意思。文献：J. Yang, Y. Zhao, J. Cheung, et al., “Hyperspectral Image Classification Using Two-Channel
    Deep Convolutional Neural Network,” in 2016 IEEE Geoscience and Remote Sensing Sym-posium (IGARSS), 5079–5082 (2016).）

    3D 分析部分

  • CNN 加一个LSTM 已经成为了一个比较常见的方法。同样通过根据RS数据的特点，通过旋转等手段增加train samples 也成为了一个必然的过程。

Segmentation，物体识别和追踪

  • 这部分有还是建立在VHR(超高分辨率)图像上，无论是多光谱还是RGB和CV没有多大的差异。

天气预报

  • 这块也是我关注的重点，仍旧是CNN结合LSTM 比较有意思，有一个预测降水的研究就是用FC和LSTM。
  • 台风这块也很有趣，因为NOAA有很详尽的台风追逐数据，用CNN去识别VHR的云变化，然后融合检测数据追逐台风和预测。

自动标记和目标检测

  • 这里基本就是transfer learning 的天下，得益于CV。识别植物这样的任务训练模型难度大大降低。数据本身和训练效率是反而比参数更需要考虑。

图像增加（Image Enhancement）语义标签（Semantic Labeling）

  • 因为不太关注，这几块感兴趣大家可以自己查看

变化检测

  • 这个是在目标检测的基础下，加入时序是一个自然的拓展。

降维

  • 我没想到会把这个单独列出来，但是想想也很有趣，对于对光谱，例如文章举例的降192根据相关性分组然后每个组用一个cnn输出在连接两个FC做分类，解决HSI数据高维度的问题。

待续