遥感边缘智能技术研究进展及挑战

发布时间：2021-05-23 18:37

　　随着航空航天、遥感和通信等技术的快速发展,5G等高效通信技术的革新,遥感边缘智能（edge intelligence）成为当下备受关注的研究课题。遥感边缘智能技术通过将遥感数据处理与分析技术前置实现,在近数据源的位置进行高效地遥感信息分析和决策,在卫星在轨处理解译、无人机动态实时跟踪、大规模城市环境重建和无人驾驶识别规划等应用场景中起着至关重要的作用。本文对边缘智能在遥感数据解译中的研究现状进行了归纳总结,介绍了目前遥感智能算法模型在边缘设备进行部署应用中面临的主要问题,即数据样本的限制、计算资源的限制以及灾难性遗忘问题等。针对问题具体阐述了解决思路和主要技术途径,包括小样本情况下的泛化学习方法,详细介绍了样本生成和知识复用两种解决思路;轻量化模型的设计与训练,分析了模型剪枝和量化等方法以及基于知识蒸馏的训练框架;面向多任务的持续学习方法,对比了样本数据重现和模型结构扩展两种原理。同时,还结合了典型的遥感边缘智能应用,对代表性算法的优势和不足进行了深层剖析。最后介绍了遥感边缘智能面临的挑战,以及未来技术的主要发展方向。 

【文章来源】：中国图象图形学报. 2020,25(09)北大核心CSCD

【文章页数】：20 页

【文章目录】：
0 引言
1 小样本情况下的泛化学习
    1.1 样本生成
        1.1.1 基于仿真技术的样本生成方法
        1.1.2 基于深度生成模型的样本生成方法
    1.2 知识复用
        1.2.1 迁移学习
        1.2.2 度量学习
        1.2.3 元学习
2 轻量化模型设计与训练
    2.1 轻量化模型设计
        2.1.1 轻量化模型
            2.1.1. 1 卷积计算单元轻量化设计方法
            2.1.1. 2 模型轻量化人工设计方法
            2.1.1. 3 模型轻量化自动设计方法
        2.1.2 模型剪枝
        2.1.3 模型量化
    2.2 轻量化模型训练
        2.2.1 传统方法
        2.2.2 知识蒸馏
3 面向多任务的持续学习
    3.1 基于样本数据重现的方法
    3.2 基于模型结构扩展的方法
4 展望与挑战
5 结语


【参考文献】：
期刊论文
[1]基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 王生生,王萌,王光耀.  东北大学学报(自然科学版). 2019(02)
[2]结合对抗网络与辅助任务的遥感影像无监督域适应方法[J]. 许夙晖,慕晓冬,张雄美,柴栋.  测绘学报. 2017(12)



本文编号：3202792