亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

遙感對地觀測中普遍存在多平臺、多傳感器、多角度的多源數據,為遙感場景解譯提供協同互補信息。然而,現有的場景解譯方法需要根據不同遙感場景設計訓練模型,或者對測試數據標準化以適應現有模型,訓練成本高響應周期長,已無法適應多源數據協同解譯的新階段。跨域遙感場景解譯將已訓練的老模型遷移到新的應用場景,通過模型復用以適應不同場景變化,利用已有領域的知識來解決未知領域問題。本報告以跨域遙感場景解譯為主線,綜合分析國內外文獻,結合場景識別和目標識別兩個典型任務,論述近年來的國內外研究現狀、前沿熱點和未來趨勢,梳理總結跨域解譯的常用數據集和統一的實驗設置。

隨著遙感(RS)技術的飛速發展，大量具有復雜的異質的地觀(EO)數據的出現，使得研究人員有機會以一種全新的方式處理當前的地球科學應用。近年來，隨著地觀數據的聯合利用，多模態遙感數據融合的研究取得了巨大的進展，但由于缺乏對這些強異構數據的綜合分析和解釋能力，這些已開發的傳統算法不可避免地遇到了性能瓶頸。因此，這一不可忽視的局限性進一步引發了對具有強大加工能力的替代工具的強烈需求。深度學習(Deep learning, DL)作為一項前沿技術，憑借其出色的數據表示和重構能力，在眾多計算機視覺任務中取得了顯著的突破。自然，該方法已成功應用于多模態遙感數據融合領域，與傳統方法相比有了很大的改進。本研究旨在對基于深度學習的多模態遙感數據融合進行系統的綜述。更具體地說，首先給出了關于這個主題的一些基本知識。隨后，通過文獻調研分析了該領域的發展趨勢。從擬融合數據模態的角度，綜述了多模態遙感數據融合中的一些流行子領域，即空間光譜、時空、光探測和測距光學。從融合數據模態的角度，綜述了多模態遙感數據融合的幾個子領域，即空間光譜、時空、光探測與測距-光學、合成孔徑雷達-光學、RS-地理空間大數據融合。在此基礎上，對多模態遙感數據融合技術的發展進行了有益的總結。最后，強調了剩余的挑戰和潛在的未來方向。

引言

由于RS在觀測地球環境方面的優勢，在各種EO任務中發揮著越來越重要的作用(Hong et al., 2021b; Zhang et al., 2019a)。隨著多模態RS數據的可用性不斷增加，研究人員可以方便地訪問這些數據，這適合于現有的應用。盡管有大量的多模態數據可用，但每個模態幾乎不能捕捉到一個或幾個特定的屬性，因此不能完全描述觀測到的場景，這對后續應用造成了很大的限制。自然，多模態遙感數據融合是突破單模態數據困境的一條可行途徑。通過整合從多模態數據中提取的互補信息，可以在許多任務中做出更穩健可靠的決策，如變化檢測、LULC分類等。與多源、多時相遙感不同，“模態”一詞一直缺乏明確、統一的定義。

基于深度學習的多模態遙感數據融合

本文在前人研究(G′omez-Chova et al., 2015; Dalla Mura et al., 2015)。遙感數據的主要特征有兩個主要因素，即傳感器的技術規格和實際采集條件。具體來說，前者決定了產品的內部特征，如成像機理和空間、光譜、輻射、時間等領域的分辨率。后者控制外部屬性，如采集時間、觀測角度、安裝平臺等。因此，上述因素有助于描述所捕獲的場景，可以被描述為“模態”。顯然，多模態遙感數據融合包括多源數據融合和多時數據融合。

一些典型的RS模態包括Pan、MS、HS、LiDAR、SAR、紅外、夜間燈光和衛星視頻數據。最近，GBD作為RS家族的新成員，在EO任務中受到越來越多的關注。為了整合這些模態提供的互補信息，傳統方法已經被深入研究，基于領域特定知識設計手工特征和利用粗糙融合策略，這不可避免地削弱了融合性能，特別是對于異構數據(Hong et al., 2021a)。隨著人工智能的發展，數字學習通過自適應的自動實現特征提取和融合，在為輸入和輸出數據之間的復雜關系建模方面顯示出巨大的潛力。因此，本文將重點介紹在每個融合子領域提出的方法，并簡要介紹每個模態和相關任務。 目前，有一些關于多模態數據融合的文獻綜述，根據不同的模態融合，綜述如表2所示。現有文獻對多模態遙感數據融合的發展方向關注較少，或只涉及少數子領域，缺乏對這一主題的全面、系統的描述。本研究的目的是全面回顧基于數據挖掘的多模態遙感數據融合研究的熱點領域，進一步推動和促進這一新興領域的相關研究。第二節收集和分析了與本課題相關的文獻，第三節闡述了多模態RS數據融合的代表性子領域。在第四節中，給出了一些有用的教程、數據集和代碼。最后，第五節提供了關于挑戰和前景的評論。為方便讀者，表1列出了本文使用的主要縮寫。

本文將現有的融合方法分為兩大類，即同質融合和異質融合。同質融合包括pansharpening、HS pansharpening、HS- ms和時空融合，異構融合包括HS-optical融合、SAR-optical融合和RS-GBD融合。由于上述子領域的發展差異很大，因此采用不同的標準來引入每個子領域，如圖5所示。為了方便讀者，我們還在每個方向列出了一些經典文獻。

日益增多的多模態遙感數據對地觀任務既是挑戰，也是機遇。近年來，雙方共同利用優勢互補的特點，取得了重大突破。特別是與人工智能相關的技術，由于其在特征提取方面的優勢，已經顯示出其相對于傳統方法的優勢。在上述遙感大數據和前沿工具的推動下，基于深度學習的遙感多模態數據融合成為遙感領域的一個重要課題。因此，本文對這一快速發展的研究領域進行了全面的介紹，包括文獻分析、系統總結了遙感融合研究的幾個主要子領域、現有的研究資源，并對未來的發展進行了展望。具體來說，我們重點研究了第二部分，即不同融合子領域中基于深度學習的方法，并從使用的模型、任務和數據類型等方面進行了詳細的研究。最后，令人鼓舞的是，近年來DL已經應用到多模態遙感數據融合的各個領域，并取得了巨大而有前景的成果，這為研究者今后進行深入研究提供了更多的信心。