新闻网讯（通讯员遥感轩）长久以来，遥感应用日新月异，遥感产业蓬勃发展，但在进行遥感智能解译应用开发时，专家们常被通用深度学习框架“小幅面、少量类型、尺度有限、通道有限”的特点所局限，因此对具备“大幅面、多种类型、尺度变化大、通道多样”特点的遥感专用框架的渴求日渐强烈。
武汉大学在国家自然科学基金委重大研究计划集成项目的支持下，与华为MindSpore框架团队共同研发了全球首个遥感影像智能解译专用深度学习框架武汉.LuoJiaNET和业界最大遥感影像样本库LuoJiaSET，近日在华为昇思社区上线。
据悉，在中国科学院院士龚健雅教授指导下，项目组建了以胡翔云教授为项目负责人，张觅副研究员、姜良存副研究员分别为LuojiaNET和LuoJiaSET总体技术负责人的核心研究团队，并汇集了遥感信息工程学院、测绘遥感信息工程国家重点实验室、计算机学院的中青年学术骨干。武汉.LuoJiaNET提供了一套新的深度学习框架和遥感场景分类、目标检测、地物分类、变化检测、多视角三维重建等五大类基础遥感应用模型，LuoJiaSET提供了可扩展的遥感解译大规模样本集，可以为遥感应用开发提供国产化、自主可控“全栈式”便捷工具。
1.“全栈式”深度学习架构
针对遥感影像“场景-目标-像素”多层级任务的应用需求，从底层架构开始，以计算流图（图）为中心，兼顾遥感探测机理模型（模）和地学知识图谱（谱）的特性，并与全场景AI框架昇思MindSpore深度融合，最终形成“图-模-谱”融合的遥感影像智能解译专用框架——LuoJiaNET。
2.多维遥感特性设计
遥感专用框架LuoJiaNET还充分考虑到了多维时空谱的特性，在满足高效灵活的内存自动扩展、尺度与通道的自适应优选等要求上，完成了符合遥感特性的多维度应用设计，可支持CPU/GPU/NPU等多种硬件设备。例如在大幅面处理上，使用算子等价分解的分布式计算方式，对整张大幅遥感影像进行直接处理；又如在进行通道选择时，使用数据通道自适应优选模块，对高光谱遥感影像直接完成分类；再如经大量实验表明，在植被指数、干旱指数、建筑物指数、地形指数等多个遥感经验知识模型的引导下，深度网络的分类性能可得到较为明显的提升。
大幅面处理结果示例
通道选择结果示例
3.建立统一的分类体系
从现状出发，针对现有样本库普遍存在的“分类体系不统一、传感器种类单一、模型泛化能力弱”等问题，LuoJiaSET是满足OGC标准的业界最大遥感影像样本数据集。
武汉.LuoJiaSET对不同的遥感任务建立统一分类体系，形成样本要素的采集要求、内容和流程规范，可支持多级别、多类型遥感影像样本库的采集、制作、管理、共享、应用，大幅提升影像标注效率。
>>>相关测试使用链接入口指引
LuoJiaSET服务平台（可游客身份访问）：
LuoJiaNET服务平台（注册账号后可访问）：
LuoJiaNET源码，可通过如下网址访问：
https://github.com/WHULuoJiaTeam/luojianet
https://gitlab.com/whuluojiateam/luojianet
https://bitbucket.org/luojiateam/luojianet
https://try.gitea.io/LuoJiaTeam/luojianet
以上内容由大学时代综合整理自互联网，实际情况请以官方资料为准。
|
 |
