科创中国

随着中国航天事业的快速发展，我国的高分辨率对地观测系统重大专项取得突破性进展，推动中国高分遥感卫星技术跨上新的台阶。当前，高分遥感数据量呈爆炸式增长，然而遥感图像解译方法目前主要依赖人工判读和半自动化软件解译，这使得遥感应用无法从根本上脱离其劳动密集型的“传统”。多源遥感数据量的激增、遥感数据分析市场的巨大前景和传统遥感技术的瓶颈三者之间的沟壑急需一种全新的高效、精准、便捷的技术手段来填平。

此外，城市信息化进程的快速推进，利用遥感技术、AI技术、大数据、云平台等打造数字中国、智慧城市，已发展为遥感技术新的应用方向。如何对大量的遥感图像进行处理并获取有效信息，成为遥感领域的关键。在遥感领域中，遥感图像的有效分割是遥感技术研究的基础，也是热点问题，对遥感技术的发展至关重要。

该成果提出了一种基于渐进监督的视觉注意网络，并将其应用于遥感影像目标提取中，将为基于遥感影像数据的新城区规划、生态环境保护以及土地利用监测等领域，从遥感与信息科学交叉的角度提供必要的理论支持与技术保障，为提升人民生活水平与发展城市社会经济提供可持续发展的科技支撑，能取得较好的社会经济效益。

该成果为一项发明专利。本发明提出了一种基于渐进监督的遥感影像居民区提取方法，旨在将弱监督方法生成的包含大量有用信息但同时含有一定噪声的伪标签显著图作为像素级标注，端到端地刻画由输入影像到像素级显著图的映射关系。本发明所提方法有效结合了强、弱监督学习的各自优势，同时缓解了显著性分析方法对于标注精度、算法时间及模型存储空间的依赖，从而大幅提升了模型的测试效率。

该成果的主要创新为：1）提出了一种结合强、弱监督的显著性分析方法，将弱监督方法生成的伪标签显著图作为强、弱监督之间的纽带，从而实现低标注成本下遥感影像目标的快速提取；2）设计了一种新的自纠错反馈卷积神经网络，引入层间连接优化网络结构设计，同时未引入池化层，实现轻量模型下全分辨率的显著性分析；3）提出了一种结合课程学习与降噪损失函数的训练策略，通过构造混淆热图衡量各个像素置信度，设计降噪损失函数完成训练像素的筛选与样本质量的提升，结合课程学习策略逐渐提升任务的难度，实现对于伪标签显著图降噪纠错，大幅提升了模型精度。

该成果主要解决的问题有：1）减少弱监督模型的后处理步骤，提高目标提取效率；2）减弱模型对标注精度的依赖，提高目标提取精度；3）使用图像级标注，降低人工成本。