遥感中深度学习的全面综述：理论、工具与领域挑战
计算机视觉与模式识别
2017-11-01 v2
摘要
近年来，深度学习（DL，即神经网络的重新命名）已在众多领域脱颖而出，即计算机视觉（CV）、语音识别、自然语言处理等。尽管遥感（RS）具有许多独特挑战，主要与传感器和应用相关，但 RS 不可避免地借鉴了 CV 的许多相同理论，例如统计、融合和机器学习等。这意味着 RS 界即使不处于领先地位，也应了解 DL 等进展。在此，我们提供了最全面的先进 RS DL 研究综述。我们还回顾了 DL 领域中可用于 RS 中 DL 的最新进展。具体而言，我们关注 RS 领域的理论、工具与挑战。特别地，我们聚焦于与以下方面相关的未解挑战与机遇：（i）不充分的数据集，（ii）用于建模物理现象的人类可理解解决方案，（iii）大数据，（iv）非传统异构数据源，（v）用于光谱、空间和时间数据的 DL 架构与学习算法，（vi）迁移学习，（vii）对 DL 系统理论理解的改进，（viii）高准入门槛，以及（ix）DL 的训练与优化。
引用
@article{arxiv.1709.00308,
title = {A Comprehensive Survey of Deep Learning in Remote Sensing: Theories, Tools and Challenges for the Community},
author = {John E. Ball and Derek T. Anderson and Chee Seng Chan},
journal= {arXiv preprint arXiv:1709.00308},
year = {2017}
}
备注
64 pages, 411 references. To appear in Journal of Applied Remote Sensing