科技成果简介

成果名称:

基于深度学习的云检测系统

项目负责人：

叶允明

所属领域:

人工智能、静止卫星、智慧气象

成果简介:

卫星遥感技术具有极其广泛的应用场景，如变化检测、地物跟踪等。由于卫星遥感影像经常被普遍分布的云层所污染，这种云层遮挡现象给遥感应用带来困难与挑战。因此，云检测是许多遥感应用的先决条件，是卫星遥感图像分析的一个重要研究领域。

现有云检测方法在薄云的检测以及明亮地表的判别上存在缺陷，本成果主要通过研究基于深度学习语义分割的云检测算法，旨在提升云检测精度。在薄云的检测上，因为薄云体积小、分布稀疏、透明度高、与背景区域具有相似的特性，造成了薄云召回率低。此外，由于明亮地表具有与云层相似的反射特性，从而导致了明亮地表与云层易混淆、难识别。

针对以上问题，本成果提出了基于U-Net架构的全局上下文密集块云检测网络（Global Context Dense Block Cloud Detection Network Based on U-Net, GCDB-UNet），将全局上下文密集特征提取块（Global Context Dense Block, GCDB）嵌入在U-Net架构中。GCDB主要由两个特征提取单元组成，即非局部自注意力模块和通道注意力模块。非局部自注意力模块通过计算像素间的相关性，利用加权和来聚集离散分布的薄云像素，提升薄云像素点的特征表达能力；通道注意力模块通过计算不同通道对云检测任务的贡献权重，来提取通道的相关性特征，充分利用卫星遥感数据的多通道信息，提升模型对云层以及明亮地表的识别能力。此外，GCDB利用了一个基于密集连接方式设计的特征融合模块以提取多层细粒度特征。最后，引入循环门控微调模块用于对云检测结果的微调。实验表明本成果提出的GCDB-UNet方法有效的提升了云检测的精度。

为了降低明亮地表的误识别率，进一步提升云检测的精度，本成果提出基于链式残差池化（Chain Residual Pooling, CRP）的多尺度云检测算法，使用CRP来实现多尺度的特征提取。然后，在GCDB-UNet中，通过嵌入CRP模块，提出GCDB-CRP-UNet云检测网络，以使有效的提取遥感图像丰富的背景上下文信息，从而提高模型对背景信息的敏感程度，提升模型对云与非云区域的判别能力。实验表明CRP模块可以有效的提升云检测的检测精度。最后基于研究成果开发了一套可视化云检测系统，该系统可支持风云3D卫星和MODIS卫星图像中的云检测。

主要技术特点：

本成果提出了基于U-Net架构的全局上下文密集块云检测网络（Global Context Dense Block Cloud Detection Network Based on U-Net, GCDB-UNet），将全局上下文密集特征提取块（Global Context Dense Block, GCDB）嵌入在U-Net架构中。实验表明本成果提出的GCDB-UNet方法有效的提升了云检测的精度。

本成果提出基于链式残差池化（Chain Residual Pooling, CRP）的多尺度云检测算法，使用CRP来实现多尺度的特征提取。然后，在GCDB-UNet中，通过嵌入CRP模块，提出GCDB-CRP-UNet云检测网络，以使有效的提取遥感图像丰富的背景上下文信息，从而提高模型对背景信息的敏感程度，提升模型对云与非云区域的判别能力。实验表明CRP模块可以有效的提升云检测的检测精度。

应用范围：

可支持风云3D卫星和MODIS卫星图像中的云检测。

照片资料：

图片1 示例1

图片2 示例2

图片3 示例3

图片4 示例4