李維 劉勛 張維暢 阮寧娟

深度學(xué)習(xí)在天基智能光學(xué)遙感中的應(yīng)用

李維 劉勛 張維暢 阮寧娟

（北京空間機(jī)電研究所，北京 100094）

面對(duì)觀測(cè)任務(wù)復(fù)雜化、觀測(cè)目標(biāo)多樣化的趨勢(shì)，亟需發(fā)展觀測(cè)水平更高、成像效能更優(yōu)的空間光學(xué)遙感技術(shù)，而深度學(xué)習(xí)作為人工智能領(lǐng)域的研究熱點(diǎn)，其在事件決策、圖像處理等方面能力優(yōu)越，已經(jīng)被用于各類(lèi)應(yīng)用場(chǎng)景。文章從空間光學(xué)遙感技術(shù)目前存在的主要問(wèn)題入手，說(shuō)明深度學(xué)習(xí)在天基光學(xué)遙感中應(yīng)用的必要性，提出深度學(xué)習(xí)的應(yīng)用設(shè)想，特別結(jié)合深度學(xué)習(xí)的能力優(yōu)勢(shì)，重點(diǎn)介紹深度學(xué)習(xí)在天基智能遙感中的創(chuàng)新應(yīng)用及相關(guān)技術(shù)的研究進(jìn)展，最后對(duì)天基智能遙感技術(shù)未來(lái)的發(fā)展趨勢(shì)進(jìn)行了展望。

智能技術(shù) 深度學(xué)習(xí) 虛擬樣本 自動(dòng)生成 全光學(xué) 航天遙感

0 引言

航天光學(xué)遙感技術(shù)發(fā)展迅速，近幾年取得了令人矚目的成就。隨著遙感數(shù)據(jù)量的不斷增加及遙感觀測(cè)任務(wù)復(fù)雜度的顯著提高，應(yīng)用人工智能技術(shù)賦能空間光學(xué)遙感技術(shù)成為航天領(lǐng)域的研究熱點(diǎn)。國(guó)內(nèi)外研究人員先后開(kāi)展了光學(xué)遙感影像智能化處理、遙感目標(biāo)分類(lèi)識(shí)別與信息提取等工作，并針對(duì)智能光學(xué)遙感的在軌實(shí)現(xiàn)與應(yīng)用進(jìn)行了逐步研究。本文面向在軌應(yīng)用，在梳理天基遙感對(duì)人工智能的需求基礎(chǔ)上，提出深度學(xué)習(xí)技術(shù)在天基遙感中的應(yīng)用設(shè)想，詳細(xì)介紹了虛擬樣本自動(dòng)生成技術(shù)、在軌像質(zhì)狀態(tài)智能監(jiān)測(cè)補(bǔ)償技術(shù)與全光學(xué)深度神經(jīng)網(wǎng)絡(luò)智能遙感探測(cè)技術(shù)，為天基智能遙感技術(shù)的發(fā)展與實(shí)現(xiàn)提供了創(chuàng)新技術(shù)途徑。

1 天基遙感對(duì)深度學(xué)習(xí)的需求

空間光學(xué)遙感技術(shù)在國(guó)民經(jīng)濟(jì)建設(shè)中發(fā)揮著重要作用。在新型對(duì)地觀測(cè)衛(wèi)星不斷涌現(xiàn)的同時(shí)，以應(yīng)用為導(dǎo)向，天地一體化理念在遙感衛(wèi)星系統(tǒng)的設(shè)計(jì)和制造中得到了充分體現(xiàn)[1]?？臻g光學(xué)遙感技術(shù)在努力追求更高空間分辨率、更高光譜分辨率和更高時(shí)間分辨率的同時(shí)，亦在向著更強(qiáng)的遙感數(shù)據(jù)獲取能力、更快速的遙感數(shù)據(jù)應(yīng)用能力的趨勢(shì)發(fā)展，這些都標(biāo)志著空間光學(xué)遙感即將迎來(lái)“數(shù)據(jù)爆炸”時(shí)代[2]。在這種形勢(shì)下，亟需思考空間光學(xué)遙感技術(shù)的創(chuàng)新發(fā)展路徑，逐步提升智能化水平。

第一，實(shí)現(xiàn)空間光學(xué)遙感系統(tǒng)智能建造與快速重構(gòu)。面向大型精密光機(jī)結(jié)構(gòu)在軌建造與維護(hù)任務(wù)，需要利用多類(lèi)、多臺(tái)空間機(jī)械臂或機(jī)器人在軌協(xié)同工作，完成超大口徑空間光學(xué)遙感系統(tǒng)的在軌建造及后續(xù)維護(hù)；而在軌建造與維護(hù)面臨的空間環(huán)境復(fù)雜，不確定因素多，這使得該項(xiàng)技術(shù)的實(shí)現(xiàn)難度大、風(fēng)險(xiǎn)高，需要建造與維護(hù)系統(tǒng)在復(fù)雜空間環(huán)境場(chǎng)景下具備精確感知、自主決策、協(xié)同控制與執(zhí)行的功能，能夠?qū)崿F(xiàn)對(duì)多種大型復(fù)雜精密結(jié)構(gòu)的智能裝配、智能制造和智能診斷[3]。

第二，提升光學(xué)遙感衛(wèi)星針對(duì)各類(lèi)目標(biāo)識(shí)別任務(wù)的自主決策調(diào)整能力?？臻g光學(xué)遙感系統(tǒng)具有既定的觀測(cè)與成像模式，衛(wèi)星在軌期間，遙感系統(tǒng)的成像譜段、分辨率、幅寬等核心指標(biāo)的變化范圍有限[4]。國(guó)土資源調(diào)查、自然災(zāi)害監(jiān)測(cè)、生態(tài)環(huán)境保護(hù)等各類(lèi)任務(wù)對(duì)衛(wèi)星數(shù)據(jù)的需求不同，現(xiàn)有遙感衛(wèi)星尚無(wú)法根據(jù)觀測(cè)對(duì)象、觀測(cè)任務(wù)和觀測(cè)區(qū)域環(huán)境的不同，在軌對(duì)載荷參數(shù)指標(biāo)做出實(shí)時(shí)優(yōu)化和針對(duì)性調(diào)整[5]。

第三，解決光學(xué)遙感數(shù)據(jù)量快速增長(zhǎng)與有效信息提取時(shí)效性較低的矛盾。相對(duì)不斷增強(qiáng)的衛(wèi)星數(shù)據(jù)獲取能力，遙感數(shù)據(jù)的處理水平還相對(duì)較低。傳統(tǒng)的“衛(wèi)星數(shù)據(jù)獲取—地面站接收處理—數(shù)據(jù)分發(fā)—專(zhuān)業(yè)應(yīng)用”的模式需要將數(shù)據(jù)快速轉(zhuǎn)換為信息，并實(shí)時(shí)或準(zhǔn)實(shí)時(shí)地發(fā)送到不同層次的最終用戶手里，無(wú)法滿足未來(lái)高機(jī)動(dòng)性、高應(yīng)急性監(jiān)測(cè)應(yīng)用對(duì)高時(shí)效性的要求[6]。因此，光學(xué)遙感數(shù)據(jù)信息的實(shí)時(shí)處理、提取并下傳，已成為未來(lái)遙感器設(shè)計(jì)的核心理念之一。

第四，增強(qiáng)空間光學(xué)遙感數(shù)據(jù)直接面向任務(wù)需求服務(wù)用戶的應(yīng)用水平。遙感衛(wèi)星空間分辨率、光譜分辨率和掃描幅寬等成像性能不斷提高，使得衛(wèi)星遙感數(shù)據(jù)量以幾何級(jí)數(shù)遞增，但是遙感數(shù)據(jù)獲取量和實(shí)際使用量之間存在巨大反差，數(shù)據(jù)使用效率較低[7]。而且，這些龐大的原始數(shù)據(jù)給衛(wèi)星數(shù)據(jù)下傳和地面處理設(shè)備帶來(lái)巨大負(fù)荷[8]。另一方面，目前尚缺乏精度更高、更符合定量化專(zhuān)業(yè)應(yīng)用要求的遙感數(shù)據(jù)，因此亟需提供面向任務(wù)需求、服務(wù)于用戶的遙感數(shù)據(jù)[9]。

由上述分析可以看出，傳統(tǒng)的空間光學(xué)遙感技術(shù)已經(jīng)難以適應(yīng)快速、準(zhǔn)確、靈活的遙感數(shù)據(jù)獲取和信息產(chǎn)品生產(chǎn)的需求，需要發(fā)展具有工作成像模式優(yōu)化、信息生產(chǎn)和發(fā)送能力快速的智能空間光學(xué)遙感技術(shù)，將遙感衛(wèi)星系統(tǒng)設(shè)計(jì)和地面信息處理的發(fā)展統(tǒng)籌考慮，這是該領(lǐng)域技術(shù)發(fā)展的一個(gè)重要前沿方向；同時(shí)結(jié)合用戶需求與應(yīng)用場(chǎng)景，不斷提供圖像品質(zhì)更優(yōu)、數(shù)據(jù)穩(wěn)定性更強(qiáng)、時(shí)效性更快的光學(xué)遙感影像數(shù)據(jù)。

隨著引領(lǐng)第三次人工智能熱潮的深度學(xué)習(xí)技術(shù)的出現(xiàn)，其在各領(lǐng)域展現(xiàn)了良好的應(yīng)用前景，特別是與大數(shù)據(jù)、圖像相關(guān)聯(lián)的技術(shù)領(lǐng)域，深度學(xué)習(xí)技術(shù)賦能效果顯著。深度學(xué)習(xí)是一種有多層表示的特征學(xué)習(xí)方法，通過(guò)許多模型對(duì)于原始數(shù)據(jù)進(jìn)行非線性變換，從而將其轉(zhuǎn)換為一個(gè)對(duì)于源數(shù)據(jù)的深層次表達(dá)。深度學(xué)習(xí)中的轉(zhuǎn)換足夠多，就可以學(xué)習(xí)處理非常復(fù)雜的函數(shù)。深度學(xué)習(xí)是人工智能研究的核心問(wèn)題，是使得計(jì)算具備智能化的根本途徑，同時(shí)也是人工智能理論研究和實(shí)際應(yīng)用的重要手段。近幾年，大數(shù)據(jù)、云計(jì)算等信息技術(shù)給人工智能發(fā)展帶來(lái)了新的機(jī)遇，而人工智能的發(fā)展也給新一代信息技術(shù)與工業(yè)各領(lǐng)域滲透融合提供了新的動(dòng)力。因此，深度學(xué)習(xí)技術(shù)與航天光學(xué)遙感技術(shù)的結(jié)合是必然趨勢(shì)，這將極大推動(dòng)空間光學(xué)遙感技術(shù)的成像與自主處理能力，并全面提升空間光學(xué)遙感載荷的性能。

2 深度學(xué)習(xí)技術(shù)在天基遙感中的應(yīng)用設(shè)想

目前，已經(jīng)開(kāi)展了深度學(xué)習(xí)在遙感領(lǐng)域的應(yīng)用研究，光學(xué)遙感圖像信息的處理速度與規(guī)模均有提高，但上述研究工作均屬于面向地面處理環(huán)節(jié)，該技術(shù)在天基遙感中的應(yīng)用尚處于空白[10]。相比地面數(shù)據(jù)后處理，天基智能遙感系統(tǒng)可實(shí)時(shí)獲取目標(biāo)信息，并及時(shí)生成信息下傳到用戶，這將對(duì)應(yīng)用層面起到有效支撐。如圖1所示，空間智能遙感系統(tǒng)可以實(shí)現(xiàn)對(duì)目標(biāo)變化的檢測(cè)，快速獲取并提取目標(biāo)信息，對(duì)動(dòng)目標(biāo)可進(jìn)行跟蹤及軌跡預(yù)測(cè)，將信息及時(shí)下傳。

圖1 空間智能遙感應(yīng)用效能

為了達(dá)到上述目的，首先建立一套智能遙感載荷的總體設(shè)計(jì)方法，將任務(wù)需求、探測(cè)要素、探測(cè)手段立體耦合，動(dòng)態(tài)規(guī)劃多目標(biāo)、多變量、多約束條件的載荷體系優(yōu)化配置，并以此形成基于深度學(xué)習(xí)的智能光學(xué)遙感載荷自主設(shè)計(jì)及智能決策方法（如圖2所示）。將任務(wù)應(yīng)用的實(shí)際過(guò)程用合理的數(shù)學(xué)模型進(jìn)行描述，通過(guò)添加約束變量條件，對(duì)自變量進(jìn)行運(yùn)算求解，輸出最優(yōu)設(shè)計(jì)結(jié)果；整個(gè)智能光學(xué)遙感載荷自主設(shè)計(jì)與智能決策的匹配優(yōu)化過(guò)程，按照數(shù)學(xué)模型表述分為目標(biāo)函數(shù)、自變量與約束變量三個(gè)部分，通過(guò)智能決策方法將三者聯(lián)系起來(lái)，實(shí)現(xiàn)對(duì)任務(wù)應(yīng)用過(guò)程的計(jì)算和推演；其中探測(cè)效果對(duì)應(yīng)目標(biāo)函數(shù)，通過(guò)構(gòu)建目標(biāo)函數(shù)，體現(xiàn)任務(wù)對(duì)載荷效能的要求；在目標(biāo)函數(shù)中，設(shè)置自變量與約束變量；自變量是函數(shù)求解的值，在任務(wù)應(yīng)用中對(duì)應(yīng)智能光學(xué)遙感載荷的指標(biāo)，如載荷光學(xué)系統(tǒng)口徑及焦距、探測(cè)譜段、探測(cè)器增益、積分時(shí)間等；約束變量主要包括衛(wèi)星平臺(tái)約束、載荷研制能力約束等，實(shí)現(xiàn)對(duì)載荷設(shè)計(jì)與決策的合理性的有效控制。智能遙感載荷總體設(shè)計(jì)方法從探測(cè)效果出發(fā)，綜合考量探測(cè)目標(biāo)和衛(wèi)星平臺(tái)資源，對(duì)光學(xué)遙感載荷的總體設(shè)計(jì)進(jìn)行全面優(yōu)化，可用于對(duì)載荷類(lèi)型、數(shù)量等重要信息做出快速?zèng)Q策，為我國(guó)光學(xué)遙感器研制提供一種新的合理可行的技術(shù)途徑。

作為智能遙感載荷的大腦，智能算法是研究的重點(diǎn)。在基于深度學(xué)習(xí)的智能算法研究方面，還需不斷提升圖像解譯技術(shù)的能力。采用圖像分割、圖像檢測(cè)等方法，實(shí)現(xiàn)在一定約束條件下的關(guān)鍵信息識(shí)別與處理，從實(shí)時(shí)光學(xué)遙感圖像中識(shí)別特定目標(biāo)，提高目標(biāo)識(shí)別的準(zhǔn)確度及速度，為任務(wù)快速?zèng)Q策提供技術(shù)支撐。

遙感圖像中動(dòng)目標(biāo)的識(shí)別問(wèn)題本質(zhì)上是圖像分類(lèi)問(wèn)題，需要?jiǎng)幽繕?biāo)識(shí)別系統(tǒng)提取不同類(lèi)型動(dòng)目標(biāo)的特征，特征主要包括形狀、顏色、紋理等[11]。另外，在實(shí)際場(chǎng)景中，動(dòng)目標(biāo)成像受姿態(tài)、光照等因素影響，表現(xiàn)出的特征不甚相同，需要?jiǎng)幽繕?biāo)圖像識(shí)別算法對(duì)上述因素具有一定的抗干擾能力[12]，算法流程如圖3所示?？臻g光學(xué)遙感技術(shù)中對(duì)圖像處理與信息提取的要求，主要集中在對(duì)低分辨率小目標(biāo)的智能檢測(cè)。目前，相關(guān)研究中直接采用自然場(chǎng)景圖像深度學(xué)習(xí)模型的方法較多，這就需要加強(qiáng)面向光學(xué)遙感圖像中小目標(biāo)智能自主檢測(cè)的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)，在保證多型超低分辨率目標(biāo)高精度智能檢測(cè)的同時(shí)，還應(yīng)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)進(jìn)行輕量化處理；此外，還需具備快速獲取關(guān)注區(qū)域中指定目標(biāo)的數(shù)量和位置、完成圖像到信息的轉(zhuǎn)化、可同時(shí)下傳圖像與報(bào)文等功能。

圖2 智能光學(xué)遙感載荷自主設(shè)計(jì)及智能決策

在支撐智能算法的嵌入式計(jì)算硬件實(shí)現(xiàn)方面，需不斷發(fā)展高性能、低功耗硬件處理器，開(kāi)展異構(gòu)多處理器平臺(tái)架構(gòu)設(shè)計(jì)與軟硬件協(xié)同優(yōu)化設(shè)計(jì)。深度學(xué)習(xí)在航天遙感應(yīng)用中的工程搭建，可分為訓(xùn)練和推斷兩個(gè)環(huán)節(jié)。訓(xùn)練環(huán)節(jié)通常需要通過(guò)大量的數(shù)據(jù)輸入，或采取增強(qiáng)學(xué)習(xí)等非監(jiān)督學(xué)習(xí)方法，訓(xùn)練出一個(gè)復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型；推斷環(huán)節(jié)指利用訓(xùn)練得到的模型，使用新的數(shù)據(jù)去“推斷”結(jié)論，如在軌遙感載荷通過(guò)嵌入的深度神經(jīng)網(wǎng)絡(luò)模型，判斷一張遙感圖像中是否包含感興趣的目標(biāo)[13]。由于卷積神經(jīng)網(wǎng)絡(luò)參數(shù)量較多、計(jì)算量巨大，而僅僅依賴(lài)軟件方式加速卷積神經(jīng)網(wǎng)絡(luò)，無(wú)法滿足實(shí)時(shí)性和功耗要求，使得卷積神經(jīng)網(wǎng)絡(luò)無(wú)法在計(jì)算資源和存儲(chǔ)資源都相對(duì)不足的在軌嵌入式平臺(tái)上實(shí)現(xiàn)實(shí)時(shí)應(yīng)用。

圖3 遙感圖像中動(dòng)目標(biāo)的智能識(shí)別

面向未來(lái)在軌智能遙感載荷研制，目前可選用的嵌入式計(jì)算平臺(tái)有可編程門(mén)陣列（FPGA）和圖形處理器（GPU）。FPGA的顯著特點(diǎn)是高速流水特性，部分中間結(jié)果無(wú)需臨時(shí)保存在主存儲(chǔ)器，相應(yīng)的對(duì)存儲(chǔ)帶寬的要求也隨之降低；GPU最突出的就是其高并行計(jì)算能力，GPU較CPU擁有更多的處理單元，目前大多數(shù)深度學(xué)習(xí)硬件系統(tǒng)采用GPU進(jìn)行加速。GPU、FPGA都是通用處理器，具有各自的處理優(yōu)勢(shì)，在星上人工智能硬件平臺(tái)構(gòu)建過(guò)程中，面對(duì)不同應(yīng)用場(chǎng)景，單一處理器可能無(wú)法滿足任務(wù)所需的處理要求，需要兩種甚至是多種處理器組合，這些異構(gòu)處理器的硬件連接、接口配置對(duì)整個(gè)系統(tǒng)性能的提升尤其關(guān)鍵。除此之外，考慮到要處理數(shù)據(jù)的海量特性及深度學(xué)習(xí)算法要求，還需要配備高速外部緩存。高速外部緩存與異構(gòu)處理器、異構(gòu)處理器之間的硬件連接，以及星上處理的可靠性、安全性等都對(duì)硬件處理平臺(tái)架構(gòu)設(shè)計(jì)構(gòu)成了很大的挑戰(zhàn)。

針對(duì)當(dāng)前遙感衛(wèi)星對(duì)于復(fù)雜環(huán)境下態(tài)勢(shì)感知能力不足的問(wèn)題，結(jié)合以上深度學(xué)習(xí)技術(shù)，一個(gè)切實(shí)的應(yīng)用設(shè)想是開(kāi)展基于普查、詳查一體化相機(jī)技術(shù)體制的智能遙感載荷研究，通過(guò)智能圖像處理對(duì)相機(jī)成像進(jìn)行閉環(huán)控制，實(shí)現(xiàn)對(duì)特定目標(biāo)的識(shí)別跟蹤，設(shè)計(jì)思路如圖4所示。該技術(shù)利用高分辨率窄視場(chǎng)、低分辨率寬視場(chǎng)兩臺(tái)相機(jī)構(gòu)成普查、詳查一體化的智能相機(jī)系統(tǒng)，該系統(tǒng)具有寬幅推掃搜索、定點(diǎn)凝視跟蹤工作模式，并且可實(shí)現(xiàn)基于智能圖像處理的相機(jī)閉環(huán)控制方式；利用星上圖像實(shí)時(shí)處理技術(shù)，先通過(guò)寬幅普查相機(jī)搜索發(fā)現(xiàn)疑似目標(biāo)，提取感興趣目標(biāo)候選區(qū)域，如圖4（a）所示；再自主引導(dǎo)高分詳查相機(jī)二維指向機(jī)構(gòu)對(duì)疑似目標(biāo)做識(shí)別確認(rèn)和定位，高分詳查相機(jī)對(duì)目標(biāo)進(jìn)行自動(dòng)跟蹤拍照，除了獲得高分辨率的目標(biāo)影像外，還可生成已識(shí)別目標(biāo)的類(lèi)型、位置信息、運(yùn)動(dòng)軌跡等有用信息，如圖4（b）所示。該智能相機(jī)系統(tǒng)可對(duì)光學(xué)遙感衛(wèi)星所獲取的影像數(shù)據(jù)進(jìn)行快速處理、提取有用的信息，并同時(shí)驅(qū)動(dòng)相關(guān)的應(yīng)用，實(shí)現(xiàn)如同人類(lèi)大腦一樣的感知、認(rèn)知、判斷及行為4個(gè)過(guò)程，并以此研制具備精確感知狀態(tài)信息能力、成像參數(shù)自主可調(diào)的智能遙感載荷。

圖4 智能一體化載荷設(shè)計(jì)構(gòu)想

可以看到深度學(xué)習(xí)能夠有效地和空間光學(xué)遙感技術(shù)相結(jié)合，有望實(shí)現(xiàn)全自主的智能光學(xué)遙感載荷。但是，由于深度學(xué)習(xí)對(duì)遙感樣本數(shù)量、算法模型構(gòu)架等方面的要求，仍有一些關(guān)鍵問(wèn)題亟需解決。

1）缺乏規(guī)范化的包含指定目標(biāo)的遙感數(shù)據(jù)訓(xùn)練樣本庫(kù)。作為一種典型的數(shù)據(jù)驅(qū)動(dòng)方法，深度學(xué)習(xí)依賴(lài)于大量標(biāo)記完備的數(shù)據(jù)。遙感數(shù)據(jù)雖然從總量上看是大數(shù)據(jù)，但是對(duì)應(yīng)到具體目標(biāo)和具體應(yīng)用，可真正用于制作樣本的數(shù)據(jù)很少，過(guò)少的數(shù)據(jù)量難以滿足深度學(xué)習(xí)對(duì)大數(shù)據(jù)量的需求，無(wú)法達(dá)到高準(zhǔn)確度的分類(lèi)識(shí)別效果[13]。

2）現(xiàn)有在軌智能遙感自主識(shí)別系統(tǒng)研制思路，先是在地面通過(guò)大量遙感圖像樣本訓(xùn)練智能算法模型，再部署到智能載荷計(jì)算平臺(tái)。由于在軌遙感系統(tǒng)的像差條件、圖像傳感器噪聲特性、工作條件以及載荷硬件狀態(tài)等都無(wú)法與地面狀態(tài)完全一致，這將造成基于原樣本所訓(xùn)練得到的算法在應(yīng)用中出現(xiàn)偏差[14]。而且整條成像鏈路具有隨機(jī)變化、隨時(shí)變化以及無(wú)法人工干預(yù)的特點(diǎn)，這就需要地面根據(jù)接收到的實(shí)時(shí)在軌遙感圖像數(shù)據(jù)，人工調(diào)節(jié)智能算法模型的參數(shù)，并上注天基計(jì)算平臺(tái)，因此現(xiàn)有方法無(wú)法擺脫人工參與[15]。這使得智能遙感的自主特征無(wú)法發(fā)揮作用，同時(shí)也大幅降低了實(shí)時(shí)性，嚴(yán)重限制智能載荷的實(shí)際應(yīng)用。

3）目前，深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)依托地面大型機(jī)群的支持，在航天遙感圖像地面應(yīng)用方面取得了長(zhǎng)足的進(jìn)步，但是智能遙感應(yīng)用相比傳統(tǒng)方法的顛覆性區(qū)別在于實(shí)時(shí)自主，天基在軌的實(shí)時(shí)智能應(yīng)用是其發(fā)展的重要方向。而深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的在軌應(yīng)用受限于天基計(jì)算資源有限，雖然深度神經(jīng)網(wǎng)絡(luò)輕量化技術(shù)以及深度學(xué)習(xí)嵌入式計(jì)算平臺(tái)的研究取得了一定突破，但基于傳統(tǒng)電子的深度神經(jīng)網(wǎng)絡(luò)仍難以在有限功耗條件下發(fā)揮其全部能力[16]。與此同時(shí)，受半導(dǎo)體技術(shù)的物理極限和器件工藝瓶頸的限制，摩爾定律的增速也趨于緩和并面臨失效，因此迫切需要發(fā)展新型的人工智能加速硬件來(lái)提升算力，并降低運(yùn)算能耗以滿足天基遙感智能化需求。

3 深度學(xué)習(xí)在天基遙感中的創(chuàng)新應(yīng)用

3.1 面向深度學(xué)習(xí)的虛擬樣本自動(dòng)生成技術(shù)

深度學(xué)習(xí)需基于足夠數(shù)目的樣本，但由于現(xiàn)有目標(biāo)在多種復(fù)雜環(huán)境背景中的樣本數(shù)目有限，無(wú)法滿足深度學(xué)習(xí)的基本要求[17]。高品質(zhì)數(shù)據(jù)是實(shí)現(xiàn)智能自主識(shí)別的基礎(chǔ)，因此，為了提高數(shù)據(jù)驅(qū)動(dòng)建模的精度和適用性，基于現(xiàn)有小樣本數(shù)據(jù)信息擴(kuò)充有效數(shù)據(jù)量以滿足建模數(shù)據(jù)要求是一項(xiàng)重要工作[18]。采用衛(wèi)星遙感圖像背景目標(biāo)合成，以及生成對(duì)抗網(wǎng)絡(luò)仿真渲染，實(shí)現(xiàn)可用于深度學(xué)習(xí)的多種目標(biāo)虛擬樣本生成，并以此構(gòu)建數(shù)據(jù)庫(kù)。

首先進(jìn)行衛(wèi)星遙感場(chǎng)景圖像與被測(cè)目標(biāo)圖像自動(dòng)融合及標(biāo)記。將衛(wèi)星遙感圖像按不同場(chǎng)景和分辨率建立用于合成圖像背景的遙感圖像數(shù)據(jù)庫(kù)，同時(shí)采用從真實(shí)衛(wèi)星遙感圖像中采集或利用模型激光三維重構(gòu)投影等方式，按類(lèi)別和型號(hào)建立被測(cè)目標(biāo)圖像數(shù)據(jù)庫(kù)。構(gòu)建衛(wèi)星遙感圖像分辨率與探測(cè)目標(biāo)像元數(shù)之間的映射關(guān)系，能夠根據(jù)任務(wù)需求分別從對(duì)應(yīng)的數(shù)據(jù)庫(kù)中隨機(jī)調(diào)用背景圖像以及探測(cè)目標(biāo)圖像，按照分辨率像元映射關(guān)系采用上采樣或下采樣方法，自動(dòng)生成滿足任務(wù)需求的包含被測(cè)目標(biāo)的仿真合成衛(wèi)星遙感圖像，如圖5所示。

圖5 目標(biāo)背景合成仿真遙感圖像

在合成的圖像樣本基礎(chǔ)上，利用深度生成對(duì)抗神經(jīng)網(wǎng)絡(luò)可大幅提升目標(biāo)與背景圖像融合的真實(shí)感。采用一種無(wú)監(jiān)督生成數(shù)據(jù)的生成對(duì)抗神經(jīng)網(wǎng)絡(luò)，在該生成對(duì)抗算法中，生成模型所采用的輸入不是隨機(jī)噪聲，而是將之前生成的真實(shí)感較差的仿真樣本作為輸入，并恢復(fù)得到強(qiáng)烈真實(shí)感的圖像。利用判別網(wǎng)絡(luò)，對(duì)真實(shí)的遙感圖像樣本和產(chǎn)生的圖像樣本進(jìn)行區(qū)分[19]，不斷判別生成的圖像與真實(shí)圖像之間的差異?；谶@個(gè)過(guò)程，將合成仿真樣本數(shù)據(jù)集中的全部圖像進(jìn)行真實(shí)渲染，以此生成的仿真遙感圖像數(shù)據(jù)集可用于任意深度學(xué)習(xí)自主檢測(cè)算法的訓(xùn)練。為了更好地說(shuō)明此項(xiàng)技術(shù)的普遍適用性，選用多種主流深度學(xué)習(xí)算法，分別利用生成的仿真數(shù)據(jù)集進(jìn)行訓(xùn)練，利用訓(xùn)練后生成的前向模型在包含目標(biāo)的開(kāi)源遙感圖像數(shù)據(jù)集（如NWPU，DIRO、RSOD等）進(jìn)行性能測(cè)試，驗(yàn)證了仿真樣本集在深度學(xué)習(xí)應(yīng)用中的有效性。

3.2 在軌光學(xué)遙感像質(zhì)狀態(tài)智能監(jiān)測(cè)補(bǔ)償技術(shù)

不同于傳統(tǒng)在軌智能遙感自主識(shí)別系統(tǒng)的研制思路，提出實(shí)時(shí)補(bǔ)償在軌遙感圖像像質(zhì)以滿足智能識(shí)別算法的方法。通過(guò)建立遙感圖像像質(zhì)定標(biāo)數(shù)據(jù)集，并以此訓(xùn)練智能識(shí)別模型，進(jìn)而利用深度生成對(duì)抗網(wǎng)絡(luò)從實(shí)時(shí)獲取的遙感圖像中提取定標(biāo)圖像像質(zhì)的變化特征，以此補(bǔ)償在軌遙感圖像像質(zhì)，消除其與圖像像質(zhì)定標(biāo)數(shù)據(jù)集的特征差異，從而確保智能遙感系統(tǒng)在不調(diào)整智能識(shí)別模型的情況下，即可在軌高效運(yùn)行。

該方法有效解決了傳統(tǒng)在軌智能遙感識(shí)別系統(tǒng)中仍需人工參與地面校準(zhǔn)智能模型的重要問(wèn)題，整個(gè)過(guò)程無(wú)需任何人工參與，真正實(shí)現(xiàn)了智能遙感載荷的完全獨(dú)立自主。采用源域與目標(biāo)域間的特征自主監(jiān)測(cè)與補(bǔ)償深度生成對(duì)抗網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)，已實(shí)現(xiàn)了多種變換下的圖像域特征自主監(jiān)測(cè)與補(bǔ)償，具體過(guò)程參見(jiàn)圖6。

圖6 自主智能監(jiān)測(cè)補(bǔ)償過(guò)程

3.3 全光學(xué)深度神經(jīng)網(wǎng)絡(luò)智能遙感探測(cè)技術(shù)

隨著遙感數(shù)據(jù)量的增加和目標(biāo)相似性的提高，從大規(guī)模的遙感數(shù)據(jù)及復(fù)雜環(huán)境中對(duì)各類(lèi)特定目標(biāo)進(jìn)行高精度的圖像分類(lèi)識(shí)別成為研究熱點(diǎn)；同時(shí)，由于對(duì)時(shí)效性的要求不斷提高，亟需光學(xué)遙感載荷具備在軌實(shí)時(shí)圖像處理能力，以滿足各類(lèi)任務(wù)需求。因此，光學(xué)遙感載荷智能化與遙感數(shù)據(jù)智能化處理成為光學(xué)遙感領(lǐng)域的重要發(fā)展趨勢(shì)。

現(xiàn)有基于深度學(xué)習(xí)的人工智能技術(shù)雖然可以在一定程度上實(shí)現(xiàn)上述功能，但是其智能識(shí)別檢測(cè)的能力很大程度上取決于深度神經(jīng)網(wǎng)絡(luò)構(gòu)架的復(fù)雜度，系統(tǒng)效能完全依賴(lài)于現(xiàn)有電子計(jì)算平臺(tái)的規(guī)模及性能水平。但是，天基平臺(tái)受功耗、體積等約束，能提供的計(jì)算資源與能耗受限，使得基于傳統(tǒng)電子學(xué)器件的智能遙感探測(cè)系統(tǒng)在應(yīng)用中具有一定困難；與此同時(shí)，由于多層神經(jīng)網(wǎng)絡(luò)信號(hào)之間出現(xiàn)相互干擾的幾率較大，對(duì)需要高密度連接的神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)帶來(lái)一定困難[20]。

全光學(xué)深度神經(jīng)網(wǎng)絡(luò)技術(shù)是一項(xiàng)前沿交叉技術(shù)，其核心思想是設(shè)計(jì)具備深度學(xué)習(xí)智能算法功能的等價(jià)光學(xué)系統(tǒng)，即經(jīng)過(guò)設(shè)計(jì)的光學(xué)元件具備深度學(xué)習(xí)智能算法的功能，使用光學(xué)元件替換電子元器件。通過(guò)對(duì)遙感圖像光場(chǎng)的調(diào)控實(shí)現(xiàn)有效信息自主提取、目標(biāo)智能分類(lèi)識(shí)別。該技術(shù)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型結(jié)合，能夠發(fā)揮全光技術(shù)特有的優(yōu)勢(shì)，有望突破傳統(tǒng)電神經(jīng)網(wǎng)絡(luò)長(zhǎng)延時(shí)、高功耗等技術(shù)瓶頸。

目前已開(kāi)展了全光學(xué)深度神經(jīng)網(wǎng)絡(luò)總體設(shè)計(jì)、全光學(xué)成像鏈路仿真分析、全光學(xué)卷積神經(jīng)網(wǎng)絡(luò)遙感目標(biāo)智能識(shí)別模型等關(guān)鍵技術(shù)研究，實(shí)現(xiàn)了用于MNIST手寫(xiě)數(shù)據(jù)集圖像分類(lèi)的多層深度全光學(xué)深度神經(jīng)網(wǎng)絡(luò)仿真模擬過(guò)程，并與傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較，參見(jiàn)圖7。如圖7所示，上方的框內(nèi)是采用電子元件構(gòu)建的傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)，下方框內(nèi)是采用光學(xué)元件構(gòu)建的全光學(xué)深度神經(jīng)網(wǎng)絡(luò)，兩個(gè)網(wǎng)絡(luò)均為4層深度神經(jīng)網(wǎng)絡(luò)。在傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)中，采用卷積與非線性激活函數(shù)構(gòu)成單層深度神經(jīng)網(wǎng)絡(luò)，在全光學(xué)深度神經(jīng)網(wǎng)絡(luò)中，采用線性計(jì)算與非線性計(jì)算實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)功能。對(duì)每一層深度神經(jīng)網(wǎng)絡(luò)操作后的圖像進(jìn)行跟蹤記錄，通過(guò)對(duì)比每一層的處理結(jié)果及最終識(shí)別結(jié)果，可以看到全光學(xué)深度神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)的圖像處理能力與目標(biāo)分類(lèi)識(shí)別的能力一致。

圖7 全光學(xué)深度神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)的比較

全光學(xué)深度神經(jīng)網(wǎng)絡(luò)技術(shù)以光的形式工作，具有全光學(xué)計(jì)算、極簡(jiǎn)硬件實(shí)現(xiàn)、海量數(shù)據(jù)瞬時(shí)處理、極低功耗等突出特性；全光學(xué)計(jì)算的優(yōu)勢(shì)使該項(xiàng)技術(shù)能夠更快地處理海量遙感數(shù)據(jù)，同時(shí)在智能識(shí)別的準(zhǔn)確率、目標(biāo)對(duì)象的可擴(kuò)展性等方面能力顯著，可滿足遙感載荷智能化發(fā)展對(duì)技術(shù)創(chuàng)新的需求；基于該項(xiàng)技術(shù)的智能遙感載荷系統(tǒng)在總體設(shè)計(jì)思路上利用全光學(xué)計(jì)算替代傳統(tǒng)電子器件，極大降低遙感系統(tǒng)自身質(zhì)量，從本質(zhì)上解決遙感載荷智能目標(biāo)識(shí)別對(duì)巨量計(jì)算資源的依賴(lài)，為遙感系統(tǒng)在軌智能化的實(shí)現(xiàn)提供了切實(shí)可行的技術(shù)路線；該技術(shù)的研究與應(yīng)用將有效提升光學(xué)遙感載荷的功能密度，使其具備智能化，同時(shí)兼有載荷系統(tǒng)輕量化、低功耗等特點(diǎn)，可推動(dòng)面向任務(wù)的新型智能遙感探測(cè)系統(tǒng)的發(fā)展。如圖8所示，在一定任務(wù)場(chǎng)景下，前端鏡頭對(duì)視場(chǎng)內(nèi)景象進(jìn)行拍照成像，并將所得到的目標(biāo)圖像發(fā)送至全光學(xué)深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)；全光學(xué)深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)圖像進(jìn)行深度學(xué)習(xí)智能檢測(cè)與識(shí)別，根據(jù)任務(wù)需求輸出所需要的圖像信息，同時(shí)輸出提取后的目標(biāo)信息并發(fā)送至探測(cè)器及后端處理電路，之后系統(tǒng)輸出最終任務(wù)所需信息。

圖8 全光學(xué)深度神經(jīng)網(wǎng)絡(luò)智能遙感探測(cè)系統(tǒng)

4 結(jié)束語(yǔ)

以人工智能為代表的智能化技術(shù)和產(chǎn)品正在深刻地改變我們的生活，在人工智能發(fā)展的黃金時(shí)期，應(yīng)促進(jìn)航天與人工智能各項(xiàng)技術(shù)的深度融合。隨著空間光學(xué)遙感技術(shù)的不斷發(fā)展，光學(xué)遙感載荷的智能化是大勢(shì)所趨，深度學(xué)習(xí)等人工智能技術(shù)也必將引起光學(xué)遙感領(lǐng)域的巨大變革。應(yīng)當(dāng)充分認(rèn)識(shí)智能空間光學(xué)遙感技術(shù)的創(chuàng)新意義與應(yīng)用價(jià)值，頂層謀劃創(chuàng)新系統(tǒng)發(fā)展，集中力量開(kāi)展核心關(guān)鍵技術(shù)攻關(guān)，推動(dòng)我國(guó)智能光學(xué)遙感載荷跨越式發(fā)展，盡早形成趕超引領(lǐng)的技術(shù)優(yōu)勢(shì)。

[1] 楊芳, 劉思遠(yuǎn), 趙鍵, 等. 新型智能遙感衛(wèi)星技術(shù)展望[J]. 航天器工程, 2017, 25(5): 74-81.YANG Fang, LIU Siyuan, ZHAO Jian, et al. Technology Prospective of Intelligent Remote Sensing Satellite[J]. Spacecraft Engineering, 2017, 25(5): 74-81. (in Chinese)

[2] 張兵. 遙感大數(shù)據(jù)時(shí)代與智能信息提取[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版, 2018, 43(12): 1861-1871.ZHANG Bing. Remotely Sensed Big Data Era and Intelligent Information Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1861-1871. (in Chinese)

[3] 尤政, 王翀, 邢飛, 等. 空間遙感智能載荷及其關(guān)鍵技術(shù)[J]. 航天返回與遙感, 2013, 34(1): 35-43.YOU Zheng, WANG Chong, XING Fei, et al. Key Technologies of Smart Optical Payload in Space Remote Sensing[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(1): 35-43. (in Chinese)

[4] 龔健雅, 鐘燕飛. 光學(xué)遙感影像智能化處理研究進(jìn)展[J]. 遙感學(xué)報(bào), 2016, 20(5): 733-747. GONG Jianya, ZHONG Yanfei. Survey of Intelligent Optical Remote Sensing Image Processing[J]. Journal of Remote Sensing, 2016, 20(5): 733-747. (in Chinese)

[5] 傅丹膺, 滿益云, 李瀛搏, 等. 微納衛(wèi)星光學(xué)有效載荷的發(fā)展機(jī)遇與挑戰(zhàn)[J]. 航天返回與遙感, 2018, 38(4): 64-69.FU Danying, MAN Yiyun, LI Yingbo, et al. The Opportunities and Challenges in Optical Payload of Micro-nano Satellite[J]. Spacecraft Recovery & Remote Sensing, 2018, 38(4): 64-69. (in Chinese)

[6] 李想, 楊燦坤, 周春平, 等. 高分辨率光學(xué)衛(wèi)星圖像目標(biāo)運(yùn)動(dòng)信息提取研究綜述[J]. 國(guó)土資源遙感, 2019, 31(3): 1-9. LI Xiang, YANG Cankun, ZHOU Chunping, et al. A Review of Target Motion Information Extraction from High Resolution Optical Satellite Images[J]. Remote Sensing for Land & Resources, 2019, 31(3): 1-9. (in Chinese)

[7] 董永峰, 仉長(zhǎng)濤, 汪鵬, 等. 基于深度學(xué)習(xí)的光學(xué)遙感圖像飛機(jī)檢測(cè)算法[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(4): 041007.DONG Yongfeng, ZHANG Changtao, WANG Peng, et al. Airplane Detection of Optical Remote Sensing Images Based on Deep Learning[J]. Laser & Optoelectronics Progress, 2020, 57(4): 041007. (in Chinese)

[8] 王昌安, 田金文, 張強(qiáng), 等. 深度學(xué)習(xí)遙感影像近岸艦船識(shí)別方法[J]. 遙感信息, 2020, 35(2): 51-58. WANG Chang'an, TIAN Jinwen, ZHANG Qiang, et al. Inshore Ship Recognition in Optical Remote Sensing Imagery Using Deep Learning[J]. Remote Sensing Information, 2020, 35(2): 51-58. (in Chinese)

[9] 葉利華, 王磊, 張文文, 等. 高分辨率光學(xué)遙感場(chǎng)景分類(lèi)的深度度量學(xué)習(xí)方法[J]. 測(cè)繪學(xué)報(bào), 2019, 48(6): 698-707.YE Lihua, WANG Lei, ZHANG Wenwen, et al. Deep Metric Learning Method for High Resolution Remote Sensing Image Scene Classification[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(6): 698-707. (in Chinese)

[10] 譚琨, 王雪, 杜培軍. 結(jié)合深度學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的遙感影像分類(lèi)進(jìn)展[J]. 中國(guó)圖象圖形學(xué)報(bào), 2019, 24(11): 1823-1841.TAN Kun, WANG Xue, DU Peijun. Research Progress of the Remote Sensing Classification Combining Deep Learning and Semi-supervised Learning[J]. Journal of Image and Graphics, 2019, 24(11): 1823-1841. (in Chinese)

[11] 付偉鋒, 鄒維寶. 深度學(xué)習(xí)在遙感影像分類(lèi)中的研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究, 2018, 35(12): 3521-3525.FU Weifeng, ZOU Weibao. Review of Remote Sensing Image Classification Based on Deep Learning[J]. Application Research of Computers, 2018, 35(12): 3521-3525. (in Chinese)

[12] 李宇, 劉雪瑩, 張洪群, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感圖像檢索[J]. 光學(xué)精密工程, 2018, 26(1): 200-207.LI Yu, LIU Xueying, ZHANG Hongqun, et al. Optical Remote Sensing Image Retrieval Based on Convolutional Neural Networks[J]. Opticsand Precision Engineering, 2018, 26(1): 200-207. (in Chinese)

[13] 李宗凌, 汪路元, 禹霽陽(yáng), 等. 遙感艦船目標(biāo)檢測(cè)識(shí)別方法[J]. 遙感信息, 2020, 35(1): 64-72.LI Zongling, WANG Luyuan, YU Jiyang, et al. Remote Sensing Ship Target Detection and Recognition Method[J]. Remote Sensing Information, 2020, 35(1): 64-72. (in Chinese)

[14] 周敏, 史振威, 丁火平. 遙感圖像飛機(jī)目標(biāo)分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)方法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2017, 22(5): 0702-0708.ZHOU Min, SHI Zhenwei, DING Huoping. Aircraft Classification in Remote Sensing Images Using Convolutional Neural Networks[J]. Journal of Image and Graphic, 2017, 22(5): 0702-0708. (in Chinese)

[15] 劉瑾, 季順平. 基于深度學(xué)習(xí)的航空遙感影像密集匹配[J]. 測(cè)繪學(xué)報(bào), 2019, 48(9): 1141-1150.LIU Jin, JI Shunping. Deep Learning Based Dense Matching for Aerial Remote Sensing Images[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(9): 1141-1150. (in Chinese)

[16] 王志有, 李歡, 劉自增, 等. 基于深度學(xué)習(xí)算法的衛(wèi)星影像變化監(jiān)測(cè)[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2020, 29(1): 40-48. WANG Zhiyou, LI Huan, LIU Zizeng, et al. Satellite Image Change Monitoring Based on Deep Learning Algorithm[J]. Computer Systems & Applications, 2020, 29(1): 40-48. (in Chinese)

[17] 張?jiān)? 楊海濤. 基于深度學(xué)習(xí)的輕量化遙感圖像目標(biāo)檢測(cè)方法[J]. 信息技術(shù), 2019(9): 163-167. ZHANG Yu, YANG Haitao. An Efficient Object Detection Algorithm for Remote Sensing Image Based on Deep Learning[J]. Information Technology, 2019(9): 163-167. (in Chinese)

[18] 翁代云, 楊莉. 人工智能技術(shù)在遙感圖像分類(lèi)中的應(yīng)用[J]. 計(jì)算機(jī)仿真, 2012, 26(6): 240-243. WENG Daiyun, YANG Li. Application of Artificial Intelligence Technology in Remote Sensing Images Classification[J]. Computer Simulation, 2012, 26(6): 240-243. (in Chinese)

[19] 宋維靜, 劉鵬, 王力哲, 等. 遙感大數(shù)據(jù)的智能處理: 現(xiàn)狀與挑戰(zhàn)[J]. 工程研究, 2014, 6(3): 259-265. SONG Weijing, LIU Peng, WANG Lizhe, et al. Intelligent Processing of Remote Sensing Big Data: Status and Challenges[J]. Journal of Engineering Studies, 2014, 6(3): 259-265. (in Chinese)

[20] 彭健, 李天任, 王宇航, 等. 基于智能芯片的艦船目標(biāo)智能識(shí)別系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)[J]. 戰(zhàn)術(shù)導(dǎo)彈技術(shù), 2020(1): 57-62.PENG Jian, LI Tianren, WANG Yuhang, et al. Design and Implementation of Ship Target Intelligent Detection System Based on Neural Process Unit[J]. Tactical Missile Technology, 2020(1): 57-62. (in Chinese)

The Application of Deep Learning in Space-based Intelligent Optical Remote Sensing

LI Wei LIU Xun ZHANG Weichang RUAN Ningjuan

（Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）

In the face of complex observation tasks and diversified observation targets, it is urgent to develop the space optical remote sensing technology with higher observation level and better imaging efficiency. Deep learning is a hot research content in the field of artificial intelligence. It has advantages in event decision-making, image processing and so on. It has been used in various application scenarios and promoted the technical development of in related technical fields. This paper starts with the main problems of the space optical remote sensing technology, explains the necessity of deep learning in space-based optical remote sensing, puts forward the application ideas of deep learning, especially introduces the innovative application of deep learning in space-based intelligent remote sensing and the research progress of related technologies, finally makes the summary and prospect.

intellectual technology; deep learning; virtual sample; automatic generation; all optical; space remote sensing

TP751

A

1009-8518(2020)06-0056-10

10.3969/j.issn.1009-8518.2020.06.006

2020-10-28

李維, 劉勛, 張維暢, 等. 深度學(xué)習(xí)在天基智能光學(xué)遙感中的應(yīng)用[J]. 航天返回與遙感, 2020, 41(6): 56-65.

LI Wei, LIU Xun, ZHANG Weichang, et al. The Application of Deep Learning in Space-based Intelligent Optical Remote Sensing[J]. Spacecraft Recovery & Remote Sensing, 2020, 41(6): 56-65. (in Chinese)

李維，男，1983年生，2010年獲北京工業(yè)大學(xué)物理專(zhuān)業(yè)博士學(xué)位，高級(jí)工程師。主要研究方向?yàn)楹教熘悄苓b感、光與物質(zhì)相互作用等。E-mail：wei_li_bj@163.com。

（編輯：夏淑密）