• 随着遥感技术的迅速发展，遥感已广泛应用于国土、农业、水利、军事等行业，同时对基于遥感影像的目标信息快速识别与提取的需求越来越大，对提取精度要求也越来越高。由于往往各类地物与周围环境混叠较为严重，造成目标地物自动提取、识别困难。目前目标信息的提取仍以人工目视解译方式为主，此方式往往工作量较大、效率低，且受主观因素影响较大。随着获取的影像数据的不断丰富、硬件设备及深度学习理论等的不断发展，深度学习目标识别技术经过多年地快速发展，已逐步发展成熟，在一定程度上极大地提高了目标自动识别工作效率。
      航天宏图已开展深度学习研究工作多年，拥有专业的研发团队和高性能硬件设备支撑，目前，已建成包含各类地物的影像样本库，自主研发了遥感图像语义分割模型和遥感图像目标检测模型，并基于上述模型实现了海量遥感数据的典型地物自动识别和提取。
      在2017年11月广东政务数据创新大赛——智能算法赛中，航天宏图深度学习团队很好的识别出了两期前后时相的卫星影像间新增的人工地上建筑物（不包括道路）所占的像元图斑，从全球2635支队伍中脱颖而出，取得了第四名的成绩。

• 航天宏图在研究深度学习技术及模型的同时，非常注重“遥感+深度学习”与各行业业务的结合应用。
      ☞深度学习在国土、住建行业的应用
      建筑物是国土和住建行业中的重要地类，建筑物组成成分差异较大，光谱信息比较复杂，与道路、裸地存在光谱混淆，与周围的植被、建筑等也存在相互遮挡的现象，而且高大建筑阴影效应明显，这些因素都增加了建筑物提取的难度。
      航天宏图综合考虑了建筑物在遥感影像上的特点，选用遥感图像语义分割模型，此研究方法可以保证较高的召回率和高效的检测效率。
      以WorldView-3影像为例，利用美国建筑样本库，采用逐像元分割方法，自动提取建筑物，训练耗时14小时，该模型的精度可以达到85%以上。结果表明，在影像质量较好、样本库丰富的情况下，可快速的自动识别和提取单体建筑信息，极大地减少人工矢量化的工作，为国土、住建等行业提供基础数据。
  

☞深度学习在教育行业的应用

•     利用遥感影像从区域角度对操场进行检测和识别，可以辅助提取学校信息，从而间接掌握教育资源的分布。
      操场色彩差异较大，受建筑物和树木的遮挡严重，几何和边缘特征提取困难。航天宏图以“Google影像+国产GF影像数据”为主要数据源，对操场进行了样本的制作，并使用遥感图像目标检测模型对操场进行了样本训练。
      航天宏图在全国选取了北京、上海、广州、深圳、天津、长沙、武汉、石家庄、济南、青岛、西安共11个一、二线城市进行操场目标的提取实验，检测正确率在90%左右。

• 从检测结果可以看出，东部地区操场数量多于中部地区和西部地区，一线城市操场数量多于二线城市，间接反映出在教育资源的分布上，东部地区优于中部和西部地区，一线城市优于二线城市，在一定程度上也表明城市教育资源发展状况与经济发展程度有着密切的联系。

• 从北京各区操场检测结果中可看出：海淀、东城、西城操场的数量远多于门头沟、房山等区域，也间接反映了北京市的教育资源分布差异，这与各区域学生数量与人口总数量的比值有关，一般比值高的区域学校相对较多。
      ☞深度学习在其他地物提取中的应用
      航天宏图在机场、飞机、舰船、电力塔、牛羊等目标检测方面也做了相应的探索研究，目标检测正确率基本都在90%以上，效果较好。