近期，我院陳昭老師課題組在遙感圖像處理領域進展良好，提出張量分析深度網絡的構造框架，成功用於多個遙感大數據分析領域😮‍💨，發表多篇SCI一/二區期刊論文和權威會議論文。主要成果如下：

1.新型張量網絡及其在熱帶氣旋定強的應用

該工作基於熱帶氣旋的多光譜遙感圖像，提出一種新型的深度學習網絡：張量網絡。多光譜和高光譜遙感圖像都是高維數據，具有兩個空間維和一個光譜維🚀，其中光譜維涵蓋數個到數百個波段，蘊含豐富信息🙍🏿‍♀️。相較於單波段紅外圖像🛢，多光譜圖像能夠反應熱帶氣旋更多特征🎏，我國風雲四號氣象衛星的多通道數據具有較高的光譜分辨率，為精準分析發源於西北太平洋的熱帶氣旋提供數據支持👧🏼，有利於提升臺風預報等氣象業務水平🎪。然而，高維圖像往往含有大量冗余數據，普通的卷積神經網絡無法自動剔除無用數據。為解決以上問題，該工作采用張量表示多光譜圖像，以保持多光譜圖像的原有數據結構並提取有物理意義的多維特征🧎‍➡️🛸；揭示張量分析與神經網絡的數學聯系，利用張量縮並這一運算操作統一表達張量分解、卷積🪆📖、池化、全連接🤵🏼，構建深度張量網絡，提取高維圖像的非線性隱含低秩特征；將提出的網絡成功用於風雲四號氣象衛星多通道數據分析以及熱帶氣旋定強🧧，驗證風雲四號數據的應用價值。提出的熱帶氣旋定強架構和張量網絡結構如下圖所示。本工作發表在SCI一區期刊IEEE Transactions on Geoscience and Remote Sensing🙅🏽‍♀️🦹🏻‍♂️，影響因子8.2，標題為A novel tensor network for tropical cyclone intensity estimation🔌，一作與通訊作者為陳昭老師，學生一作為研究生於興興🐋，迄今被引26次🫸🏻🤸🏼。

基於多光譜圖像的熱帶氣旋定強框架

張量網絡結構

2. 全監督和半監督張量混合網絡及其在地物識別的應用

該工作基於農田、城市等地物的高光譜遙感圖像，提出全監督和半監督張量混合網絡☂️🧜🏻‍♀️。除了高維圖像的數據冗余性，對地高光譜遙感圖像還存在其他兩個問題：光譜變異性和標註稀缺性。受製於硬件條件💙，圖像的空間分辨率和光譜分辨率相互製約，因此高光譜遙感圖像具有光譜變異性🤷🏼，表現為“異物同譜”和“同譜異物”現象，給地物識別造成困難。對地遙感成像一般覆蓋廣袤區域👉🏽，而逐像素精準人工標註需要實地勘測且費時費力，這種矛盾導致標註稀缺性♻。為解決以上問題，本工作利用張量分析和卷積網絡的數學相通性👨🏽‍🎨，將張量分析和卷積池化深度混合✮👩‍🦯，構建多種張量混合網絡🙆🏼‍♀️，表達不同形式的空譜特征；提出全監督和半監督學習框架，將構造的網絡嵌入其中，分別滿足精準標註和稀缺標註條件下的地物識別需求。提出的張量混合網絡結構以及全/半監督地物分類框架如下圖所示。此工作發表在SCI二區期刊IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，標題為Hybrid Tensor Networks for Fully Supervised and Semisupervised Hyperspectral Image Classification，一作為研究生修亞輝，通訊作者為陳昭老師。

三種張量混合網絡結構

基於高光譜圖像的全監督（左）和半監督（右）地物分類框架

3. 亞象元特征引導的自監督張量鏈及其在地物變化檢測的應用

該工作基於農田、城市等地物的多時相高光譜遙感圖像，提出新型的張量網絡：亞象元特征引導的自監督張量鏈。多時相高光譜遙感圖像不僅具有兩個空間維🍢、一個光譜維，還有一個時間維，能夠反映觀測對象的空譜特性及其隨時間的變化💃🏿，為地物變化檢測及相關應用（地質災害監測、環境變遷監測、城市建設規劃等）提供數據支持。除了高維圖像的數據冗余性、高光譜圖像的光譜變異性，多時相高光譜遙感圖像還存在更深層次問題：光譜變異導致變化類別極易混淆👨🏿‍🦱，而地物變化往往反映在細微特征差異中，對於變化檢測任務，像素級分析可能無法分辨不同地物變化類別；多時相遙感圖像多來源於長時間動態觀測場景，標註多時相遙感圖像比標註單時相圖像更為困難🕉，在地震等突發性災害監測場景中甚至無法及時進行人工標註。前期工作驗證了張量網絡的可行性和有效性🚣🏿，然而缺乏對張量網絡特征表達能力的理論解釋。為解決以上問題，本工作提出亞象元特征引導的自監督張量鏈👩🏿‍🔬，無需任何人工標註🧑🏽‍🍳，即可有效表達多時相高光譜圖像的低秩“時-空-譜”特征，並實現高精度的地物變化檢測；而且還從量子信息的角度證明張量鏈比單次Tucker張量分解具有更為強大的低秩特征表達能力，為張量網絡學習的可解釋性提供依據。提出的自監督變化檢測框架如下圖所示。此工作發表在SCI一區期刊IEEE Transactions on Geoscience and Remote Sensing，標題為Self-Supervised Change Detection with Nonlocal Tensor Train and Subpixel Signature Guidance，一作為研究生吳浩楠，通訊作者為陳昭老師🂠🩼。

基於高光譜亞象元特征引導和自監督張量鏈的地物變化檢測框架

技術創新點🪪：

1.揭示張量分析和卷積網絡之間的數學聯系

2.提出適用於不同監督條件的張量分析深度網絡

3.從量子信息的角度解釋張量網絡的特征表達能力

應用領域：遙感大數據分析

通訊作者⛎：陳昭

聯系方式：chenzhao@dhu.edu.cn