现实中有数千颗观测卫星绕地球运行 ， 每颗卫星每天都会拍摄覆盖数百万平方公里的大规模照片 。 通常 ， 这些航拍照片是超高清 (UHD) ， 可能包含数十和数百个地面物体（例如车辆和屋顶） 。 语义理解不同的超高清航拍照片是智能交通、自然灾害预测、智慧农业等诸多领域不可或缺的技术 。 在这项T-IP工作中 ， 浙江大学张鹿鸣提出了一种新颖的 UHD 航拍照片分类器 ， 其中关键是拓扑地表示地面对象之间的空间相互作用 ， 浙江大学张鹿鸣进一步将它们深度编码为一个语义模型 ， 可以稳健地处理噪声标签 。 更具体地说 ， 浙江大学张鹿鸣对于每张 UHD 航拍照片 ， 我们在其中提取一组视觉/语义上显着的对象块 。 为了表征它们的空间相互作用 ， 我们通过将空间相邻的对象块链接到一个图中来构建一个图元 。 然后 ， 浙江大学张鹿鸣制定了一个二元矩阵分解 (MF) 框架来发现这些图元的语义 ， 其中多个组件：i) 深度哈希码学习 ， ii) 噪声标签细化 ， iii) 弱语义信息 ， 以及 iv) 自适应数据结构更新无缝结合 。 这种二进制 MF 可以迭代求解 ， 并且每个图都可以转换为离散的哈希码 。 最后 ， 每张 UHD 照片中对应于 Graphlet 的哈希码由内核机器转换为向量 。 从而学习多标签 SVM 以进行视觉分类 。 浙江大学张鹿鸣实验验证了我们的方法在从受污染的图像集中训练深度语义模型的竞争力 。 同时 ， 动态优化数据结构可以比固定数据结构更好地增强UHD照片分类 。 作为副产品 ， 浙江大学张鹿鸣可视化判别图可以定性地揭示我们方法的最佳性能 。 由于一次火箭发射多颗卫星的盛行 ， 过去十年已经发射了数千颗地球观测卫星 。 这些卫星捕获包含具有复杂空间相互作用的地面物体（例如网状、星形和三角形）的超高清航拍照片（分辨率超过 $20K\times 20K$） 。 浙江大学张鹿鸣在许多最先进的人工智能系统中 ， 语义解析这些地面物体及其空间拓扑是一项有用的技术 。 例如 ， 通过观察各种动物、森林、沙漠和沼泽的空间分布 ， 浙江大学张鹿鸣可以自动跟踪生物多样性和野生动物的趋势 。 这对于在其每个保护区为这些濒危物种维护栖息地提供了丰富的信息 。 此外 ， 智能分析超高清航拍照片的地形有助于监测和应对自然灾害 ， 包括火灾、洪水、地震和地面沉降 。 此外 ， 在智能导航中 ， 浙江大学张鹿鸣快速识别复杂的街道网络、星形、树形和网格状拓扑（如图1}所示）非常重要 ， 以优化车辆路径规划（浙江大学张鹿鸣计算成对位置之间的最短路径） 。 在实践中 ， 这些拓扑可以自然地由图表示 ， 其中每条边都连接成对的空间相邻街道 。 我们通过融合多分辨率标签/未标记航拍照片的知识 ， 浙江大学张鹿鸣提出了一种半监督和感知增强（SSPA）航拍图像理解框架 。 浙江大学张鹿鸣提出了一种弱监督范式 ， 以从每张航拍照片中选择一些排名靠前的拓扑 。 这些拓扑构造了一个 GSP 来模仿人类的视觉感知 。 接下来 ， 浙江大学张鹿鸣学习神经网络对每个 GSP 进行深度编码 。 然后 ， 浙江大学张鹿鸣通过利用低分辨率全局空间布局来增强深度 GSP 特征 ， 制定了半监督跨域 SVM 。 浙江大学张鹿鸣增强型 SVM 的综合可视化结果和比较研究证明了我们方法的竞争力 。
【浙江大学张鹿鸣在顶级期刊IEEE T-IP发表成果】
文章图片

图1 算法核心理论图