| |
 |
图1 旋转不变卷积神经网络
在国家自然科学基金项目（批准号：61401357, 61473231）资助下，西北工业大学韩军伟、程塨等在光学遥感图像旋转不变目标检测方面取得进展。其研究成果以“基于旋转不变卷积神经网络的高分辨率光学遥感图像目标检测（Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images）”为题，发表在《IEEE地球科学与遥感汇刊》（IEEE Transactions on Geoscience and Remote Sensing, IEEE TGRS）。论文链接：https://ieeexplore.ieee.org/abstract/document/7560644。
2021年4月30日，IEEE GRSS（IEEE地球科学与遥感学会）奖励委员会主席Antonio J. Plaza发来邮件，宣布该论文获得2021年度IEEE GRSS Highest Impact Paper Award（IEEE地球科学与遥感学会最有影响力论文奖）。该奖项每年颁发1次，从过去5年发表在IEEE GRSS主办的3个国际期刊上的约8000篇论文中评选而出。
高分辨率光学遥感图像目标检测是海量遥感图像数据智能解译的关键技术，在搜救、侦察、国土规划、地质灾害监测等军民领域具有重要的应用价值。虽说深度学习技术在自然图像识别任务上有了突破性进展，由于存在遥感成像视角的特殊性，致使深度学习技术直接应用于遥感图像目标检测面临着目标方向多变的严峻挑战。所以，如何实现不变性特征的学习和提取是遥感图像目标检测面临的巨大挑战。
主流的深度学习模型尤其是卷积神经网络虽具有一定的特征不变性（如平移不变性、尺度不变性等），但它们的设计并没有专门考虑旋转不变性。而旋转不变特征是解决遥感图像目标方向多变这一问题的根本途径，这就造成传统的卷积神经网络模型很难实现遥感图像的鲁棒目标检测。在深度学习框架下，如何通过设计合适的网络结构和目标函数实现旋转不变深度特征提取是一个迫切需要解决的问题。该团队针对这一挑战开展创新突破，以卷积神经网络为深度学习模型，在常规卷积神经网络目标函数的基础上，设计了旋转不变层并引入旋转不变正则项约束来构建旋转不变卷积神经网络(Rotation-Invariant Convolutional Neural Networks, RICNN)，如图1所示，实现了旋转不变CNN特征的提取，在光学遥感图像目标检测任务上取得当时领先结果。