基于深度学习的遥感图像分类及其CPU/GPU异构并行系统结构研究

Efficicent classification on large multi-source remote sensing data is a hot topic in remote sensing field in recent years. In comparison with the conventional methods, deep learning could improve the classification results by effectively learned land cover features. However, high accurate classification using deep learning on large remote sensing data needs large number of complex compution which is very time consuming. CPU/GPU heterogeneous parallel computing architecture, which is a main stream for the development of the computer architecutre, can fulfil the applications with different resource requirement. This project aimes classification improvement and speedup for large remote sensing data using deep learning on CPU/GPU plantform. The major research includes: 1) design of a unsupervised deep convolution network to learn the spatio-temporal invariant feature of large remote sensing data. 2) design of classification method using deep learning and prior-knowledge to improve mapping accuracy. 3) research on multi-level parallel computing algorithm for remote sensing classification method using deep learning and fine-grained parallel techniques for methods using deep learning and neighborhood analysis.This research will improve the remote sensing classification and the development of the deep learning and remote sensing applications. Novel findings are expected and the future of the related applications is promissing.

如何对大规模多源遥感数据进行高效分类是遥感领域近年来的研究热点。相比传统方法，深度学习可以更有效的学习遥感地物特征从而提高分类水平。利用深度学习对大规模遥感图像进行高精分类的任务量大，计算密集且复杂，传统的串行处理模式已无法满足应用实时性需求。CPU/GPU异构并行体系结构可以满足应用对计算资源的不同需求，是未来高性能体系结构的发展方向之一。本项目拟面向CPU/GPU开展基于深度学习的大规模遥感图像分类研究，以提高分类效果和处理速度。主要研究内容：1）设计无监督深度卷积网络对大规模遥感数据的时空不变性特征进行有效学习；2）设计应用先验知识的深度学习遥感图像分类方法以提高分类精度；3）研究面向CPU/GPU平台的深度学习遥感图像分类多级混合并行算法，以及适于此类结合邻域分析和复杂机器学习的细粒度并行技术。本项目研究将有效提高遥感图像分类处理的业务水平，推动深度学习,遥感应用与并行计算的发展。

基于遥感图像的分类识别，在军事侦察、国土资源管理与灾害监测等重要领域都发挥着重要作用。随着遥感技术的不断进步以及空天遥感装置部署的不断增长，遥感应用进入大数据时代。如何利用当前人工智能领域的最先进技术之一——深度学习技术，对大规模多源遥感数据进行高效分类成为遥感领域近年来的研究热点。虽然深度学习方法在大规模自然图像应用中取得了突破性的效果，但遥感图像有其特殊的数据特性以及存在有标签样本相对稀缺的问题，需要针对具体数据和特殊应用设计相应的深度学习方法。同时，面向大规模遥感图像进行高精分类，深度学习计算密集且复杂，亟需面向CPU/GPU等并行体系结构设计相应的优化算法。..首先，我们对多源遥感图像提出了多种基于深度学习的分类识别方法：针对极化合成孔径雷达SAR图像，提出基于深度信念网DBN深度模型的分类方法；针对高光谱图像，提出一种基于局部感受野的多层极限学习深度网络的HL-ELM分类方法；针对高分辨率可见光图像，提出一种结合先验知识的级联式深度网络目标检测识别方法，可以针对机场、飞行器、舰船等十余种高分辨率可见光图像目标进行快速定位与识别；提出了一种基于社区发现的深度网络图像分类提升方法。其次，面向CPU/GPU异构平台，提出了一种面向深度信念网络DBN的GPU加速方法；提出提高GPU利用率及显存受限条件下的CNN网络优化方法；提出一种面向大规模数据极限学习ELM的GPU加速方法。..本项目录用与发表高水平学术论文12篇，包括SCI论文6篇，EI论文5篇，其中人工智能顶级会议IJCAI 1篇。本项目对后续深度学习在遥感领域中的应用研究以及遥感算法的CPU/GPU异构并行加速研究具有启发作用。