Deep Learning in Satellite and Aerial-Based Image Processing

Alessia Sbriglio

doi:10.1007/978-3-032-01169-5_12

Deep Learning in Satellite and Aerial-Based Image Processing

2026-01-01

0

PRE

AI

A

Alessia Sbriglio *

G

Giovanni B. Palmerini

DOI：10.1007/978-3-032-01169-5_12

原文链接

原文求助

摘要

En 中文

近年来地球观测（EO）卫星分辨率的提升，加之对更高性能日益增长的需求，引入了更先进的卫星图像分析检测技术。现代EO平台产生海量数据，其中蕴含大量潜在有价值信息但常未被充分利用，因此采用高效图像处理方案至关重要。这些信息对于加速分类和地理配准等流程、确保任务产品及时可用至关重要。在此背景下，深度学习技术的引入，特别是You Only Look Once（YOLO）算法，代表了自然演进。YOLO以其速度著称，因其单次遍历分析整个图像，并以精度见长，归功于深度卷积神经网络（CNNs）的应用。当应用于卫星图像时，YOLO已展现出良好效果，尤其在自动地理配准和快速分类方面。一项针对光学Sentinel-2图像（针对意大利湖泊在不同天气条件下）的比较分析，对比了训练60和100轮次的模型，揭示了检测精度和一致性的显著提升。特别是随着训练轮次增加，边界精度得到改善。随着轮次增多，结果稳定性增强，不受环境或光照条件影响，减少了误差并提升了整体性能。这些进展表明，随着算法发展和人工智能集成，卫星和无人机在地理空间应用中的使用将日益精准高效。无人机图像的使用可进一步扩充数据集，使模型能以自适应方式应对特定细节或定义要素（如人工结构或卫星难以同等精度探测的小区域，尤其在不利于天气条件下）。这种结合卫星和航空数据的集成方法，可进一步增强模型对小物体检测或复杂环境处理的能力，提高现实场景中自动检测解决方案的适用性和可靠性。

Keyword:

Remote sensing

Imaging payload

Image processing

Object detection

Deep Learning in Satellite and Aerial-Based Image Processing

摘要

期刊

机构

引用论文