弱监督学习在遥感影像解译中的应用

近年来，遥感影像解译受到越来越多的关注。许多监督学习方法已经被提出。然而，这些方法通常需要大量高质量的训练样本。此外，它们的性能在很大程度上依赖于标记样品的质量。在实际应用中，对大规模遥感图像进行高质量标签标注，计算量大且耗时长，导致训练样本数量非常有限。在某些情况下，只有粗粒度的标签可用，从而导致多标签分类问题。此外，手工标记的样品可能是错误的，这会导致标签噪声问题。因此，遥感图像解译仍然面临着样本不完整、不准确、不准确等问题，严重限制了遥感技术的发展和应用。

本课题主要研究弱监督学习在遥感影像解译中的应用。为遥感影像解译提供了新的先进方法。本课题主要包括遥感图像处理、图像分类、目标检测、多源、多时相图像解译及其相关应用，如精准农业、城市调查、灾害监测等。

我们欢迎根据但不限于以下内容提交资料:
•遥感图像处理(去噪、去雾、去阴影等);
•监管薄弱的遥感图像分类(样本稀缺、多标签分类、标签噪声等);
•遥感目标检测(目标检测、异常检测、伪装目标检测等);
•多源、多时段图像解译(高光谱图像、多光谱图像、SAR、LiDAR数据等);
弱监督学习理论及其在遥感图像中的应用
•遥感影像解译质量评价;
•遥感图像的联合训练和多任务学习;
•对地观测在遥感影像中的应用(精准农业、城市调查、灾害监测、激光雷达土地覆盖特征三维测量等)。

关键字:遥感图像、图像分类、目标检测、弱监督学习、对地观测应用

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。