VALSE

VALSE 首页 活动通知 查看内容

VALSE Webinar 20240703-18期 总第353期 遥感图像解译

2024-6-27 18:24| 发布者: 程一-计算所| 查看: 1932| 评论: 0

摘要: 报告嘉宾:贺威 (武汉大学)报告题目:弱监督高分辨率土地覆盖制图研究报告嘉宾:邓良剑 (电子科技大学)报告题目:Recent Advances in Lightweight Learning for Remote Sensing PansharpeningPanel议题:1.遥感是地 ...

报告嘉宾:贺威 (武汉大学)

报告题目:弱监督高分辨率土地覆盖制图研究


报告嘉宾:邓良剑 (电子科技大学)

报告题目:Recent Advances in Lightweight Learning for Remote Sensing Pansharpening


Panel议题:

1. 遥感是地学和信息科学的交叉学科,这两个学科在研究遥感时的区别和联系是什么? 

2. 遥感图像处理与自然图像处理相比,其独特性或研究难点是什么?

3. 大模型时代遥感图像解译方向的发展趋势是什么?有哪些潜在研究方向?

4. 将遥感图像处理算法部署在星上的难点和挑战是什么?

5. 在卫星互联网的背景下,遥感图像解译研究的发展趋势是什么?

 

Panel嘉宾:

贺威 (武汉大学)、邓良剑 (电子科技大学)、谢卫莹 (西安电子科技大学)、姚靖 (中国科学院空天技术研究院)


*欢迎大家在下方留言提出主题相关问题,主持人和panel嘉宾会从中选择若干热度高的问题加入panel议题!


报告嘉宾:贺威 (武汉大学)

报告时间:2024年7月3日 (星期三)晚上20:00 (北京时间)

报告题目:弱监督高分辨率土地覆盖制图研究


报告人简介:

贺威,男,武汉大学教授、博导,日本理化研究所访问科学家,国家级青年人才,武汉大学测绘遥感信息工程国家重点实验室主任助理,国际电气与电子工程师协会 (IEEE)Senior Member。主要从事高分辨率遥感信息智能处理方向的研究工作。已在国内外学术期刊和会议发表/录用论文70余篇,包括IEEE TPAMI、IEEE TIP、IEEE TGRS等SCI论文60余篇,CVPR、ECCV等计算机会议论文7篇,合作出版学术专著1部。研究成果先后荣获日本RIKEN研究激励奖、日本遥感协会最佳论文奖、第九届高校GIS论坛优秀教学成果奖、IEEE国际地球学科与遥感协会2014最佳青年论文奖和IEEE国际地球科学与遥感协会数据融合竞赛2024年双赛道冠军等。荣获IEEE TGRS 2023年最佳审稿人。担任IEEE TPAMI、RSE、IEEE TGRS、CVPR、ICML、ICLR等60余个国际SCI期刊/会议的审稿员。

 

个人主页:

https://prowdiy.github.io/weihe.github.io/   


报告摘要:

作为遥感对地观测研究的核心任务之一,土地覆盖制图是国家地理信息资源建设的重要一环,同时也可为生态、环境、农业和双碳等多学科研究提供共性基础底图。针对大范围高分辨率土地覆盖制图中高精度训练样本缺乏的关键难题,我们基于所提出的初代弱监督制图框架,于2023年绘制了中国首幅国家尺度1米分辨率土地覆盖图。为了进一步解决大范围制图中地物复杂多样,区域迁移性要求高等实际问题,我们提出仅利用历史低分辨率标签进行监督的改进版大范围高分辨率土地覆盖制图框架Paraformer,所提出框架利用弱监督策略挖掘带噪粗标签中的可靠监督信息,结合并行的CNN和Transformer分支,提取遥感影像中的高分辨率细节纹理与全局多样地貌特征,实现高效的大范围高分辨率土地覆盖制图。该方法摆脱了高分辨率土地覆盖制图任务对大规模人工手动标注训练集的依赖,大幅减少了大范围高分辨率土地覆盖制图的人力与时间成本。

 

参考文献:

[1] Breaking the resolution barrier: A low-to-high network for large-scale high-resolution land-cover mapping using low-resolution labels. Li, Z., Zhang, H., Lu, F., Xue, R., Yang, G. and Zhang, L., ISPRS Journal of Photogrammetry and Remote Sensing, 2022.

[2] SinoLC-1: The first 1-meter resolution national-scale land-cover map of China created with the deep learning framework and open-access data. Li, Z., He, W., Cheng, M., Hu, J., Yang, G. and Zhang, H., Earth System Science Data, 2023.

[3] Learning without Exact Guidance: Updating Large-scale High-resolution Land Cover Maps from Low-resolution Historical Labels. Li, Z., He, W., Li, J., Lu, F. and Zhang, H., IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2014.


报告嘉宾:邓良剑 (电子科技大学)

报告时间:2024年7月3日 (星期三)晚上20:30 (北京时间)

报告题目:Recent Advances in Lightweight Learning for Remote Sensing Pansharpening


报告人简介:

电子科技大学数学科学学院研究员、博导、校百人。长期从事应用数学和人工智能领域的交叉研究,主要研究方向为:图像融合、机器学习、变分图像建模和算法等。分别于2010年和2016年获得电子科技大学理学学士和理学博士学位。曾作为联合培养博士生在美国凯斯西储大学学习一年,赴香港浸会大学进行博士后研究工作一年。曾在对方资助下短期访问剑桥大学牛顿数学科学研究所、香港浸会大学。主持国家自然科学基金项目2项、省部级项目1项,作为研究骨干参与国家重点研发等国家级项目多项。近五年,以第一或通讯作者身份在SIAM J. Imag. Sci.、Int. J. Comput. Vis.、Info. Fusion、IEEE汇刊发表期刊论文30余篇,在CCF-A类学术会议(ICML/NeurIPS/CVPR/ICCV/ACMMM/AAAI/IJCAI)发表论文10余篇。曾获四川省数学会应用数学一等奖 (独立)等奖励。担任多个SCI期刊编委/客座编辑。主持/参与多个省级/校级教改项目,指导多名本科生在上述期刊和会议第一作者发表学术论文。

 

个人主页:

https://liangjiandeng.github.io/

 

报告摘要:

The problem of remote sensing image pansharpening is a fundamental issue in the interpretation of remote sensing images. It primarily involves the effective fusion of high-resolution panchromatic images with low-resolution multispectral images to ultimately obtain multispectral images with high spatial resolution. Currently, deep learning methods trained on big data offer excellent approaches to pansharpening, but they often result in a large quantity of network parameters and computational load. This report mainly introduces two lightweight learning strategies, grounded in a thorough analysis of the mathematical principles of convolutional neural networks. The first strategy involves proposing two novel types of lightweight convolution, namely the spanned convolution (SpanConv) and the Gaussian perturbed convolution (LGPConv). The second strategy achieves rapid online training and inference through a simple zero-shot semi-supervised learning method. These related methods have been validated on multiple datasets for remote sensing image pansharpening and are believed to be extendable to other image tasks.

 

参考文献:

[1] SpanConv: A New Convolution via Spanning Kernel Space for Lightweight Pansharpening;Zhi-Xuan Chen, Cheng Jin, Tian-Jing Zhang, Xiao Wu, Liang-Jian Deng*;International Joint Conferences on Artificial Intelligence (IJCAI), 2022.

[2] LGPConv: Learnable Gaussian Perturbation Convolution for Lightweight Pansharpening;Chen-Yu Zhao, TianJing Zhang, Ran Ran, Zhi-Xuan Chen, Liang-Jian Deng*; International Joint Conference on Artificial Intelligence (IJCAI), 2023.

[3] Zero-shot Semi-supervised Learning for Pansharpening;Qi Cao, Liang-Jian Deng*, Wu Wang, Junming Hou, Gemine Vivone;Information Fusion, 2024.


Panel 嘉宾:谢卫莹 (西安电子科技大学)


嘉宾简介:

谢卫莹,西安电子科技大学,教授、博导,国家优秀青年科学基金获得者,IEEE Senior Member。主持国家自然科学基金、科技委领域基金、ZF项目、博士后特别资助等多项项目。发表IEEE Trans.系列中科院一区TOP期刊及CCF A类会议论文50篇,其中ESI高被引论文7篇,热点论文2篇,h指数为34。获陕西省自然科学优秀学术论文奖、"天智杯"人工智能挑战赛全国冠军及100万项目奖励、"互联网+"大赛全国金奖、"强芯健魂,铸基智能"计算平台挑战赛369万项目奖励。以第一发明人获授权国家发明专利10件已完成转化应用。入选全球前2%顶尖科学家榜单、全国优秀创新创业导师、中国科协青年人才托举工程、中国科协优秀中外青年交流计划。

个人主页:

https://web.xidian.edu.cn/wyxie/


Panel 嘉宾:姚靖 (中国科学院空天信息创新研究院)


嘉宾简介:

中国科学院空天信息创新研究院助理研究员。2019年至2020年赴德国慕尼黑工业大学访问研究。主要研究方向包括高光谱遥感,多模态图像处理与智能解译等。在IEEE Trans、ECCV等领域内国际重要期刊及会议发表学术论文40余篇,其中,以第一或通讯作者身份入选ESI高被引论文6篇、热点论文1篇。曾获IEEE TGRS最佳审稿人、IEEE JSTARS最佳审稿人、WHISPERS杰出论文奖等。


个人主页:

https://scholar.google.com/citations?user=1SHd5ygAAAAJ&hl=zh-CN


主持人:曹相湧 (西安交通大学)


主持人简介:

曹相湧,西安交通大学,副教授、博导,哥伦比亚大学访问学者,主要从事底层图像处理、遥感图像解译、生成式大模型等方向研究。已在IJCV, SIAM J. Image Sciences, TIP, CVPR, ICCV等国际顶级期刊和会议发表论文50余篇,第一作者ESI高被引论文3篇,主持国家自然科学面上基金、青年基金、参与重大、面上、JG等项目,开发了首个多条件可控生成式遥感图像大模型CRS-Diff,所开源的OpenCD等相关的遥感图像变化检测github项目获1.3k star,研究成果获CVPR2024土地覆盖制图小样本挑战赛亚军,ISPRS多模态遥感应用算法智能解译大赛高光谱图像变化检测赛道季军,研究成果也落地于大唐华银、平高集团、比亚迪等公司,指导学生获美国大学生数学建模最高奖,担任IJCAI 2019高级程序委员会委员,PRCV 2023领域主席,Valse第七届执行委员会AC,中国图像图形学会遥感专委会委员。



特别鸣谢本次Webinar主要组织者:

主办AC:曹相湧 (西安交通大学)

协办AC:傅雪阳 (中国科学技术大学)


活动参与方式

1、VALSE每周举行的Webinar活动依托B站直播平台进行,欢迎在B站搜索VALSE_Webinar关注我们!

直播地址:

https://live.bilibili.com/22300737;

历史视频观看地址:

https://space.bilibili.com/562085182/ 


2、VALSE Webinar活动通常每周三晚上20:00进行,但偶尔会因为讲者时区问题略有调整,为方便您参加活动,请关注VALSE微信公众号:valse_wechat 或加入VALSE QQ T群,群号:863867505);


*注:申请加入VALSE QQ群时需验证姓名、单位和身份缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M。


3、VALSE微信公众号一般会在每周四发布下一周Webinar报告的通知。


4、您也可以通过访问VALSE主页:http://valser.org/ 直接查看Webinar活动信息。Webinar报告的PPT(经讲者允许后),会在VALSE官网每期报告通知的最下方更新。


小黑屋|手机版|Archiver|Vision And Learning SEminar

GMT+8, 2024-10-31 14:19 , Processed in 0.014236 second(s), 14 queries .

Powered by Discuz! X3.4

Copyright © 2001-2020, Tencent Cloud.

返回顶部