从2012年深度卷积神经网络（AlexNet）成功应用于图像识别以来，发展出多个改进的卷积神经网络构架，包括2014年牛津大学的VGG,Google公司的GoogleNet，2015年微软研究院Kaiming He推出的残差网络，网络层数越来越多，所得到的精度越来越高。

计算机视觉与传统遥感任务的关联性 AI发展的三要素：算力，算法和数据。

深度学习能够获得高精度识别和得到业界高度认可，得益于ImageNet1000多万海量样本数据库。 深度学习方法要开展遥感目标提取和分类的研究，同样依赖于高精度大样本训练数据库。 样本标注的方法有：

武汉大学建立了一套大范围、高精度、多类型开源样本数据库，涵盖航片/卫片、多种地物类型、多种标注方法的样本库，已达100多万样本，但还远远不够。

直接运用AlexNet进行遥感影像目标和场景检索——肖志峰，2014年

季顺平团队：发展一种用于提取建筑物的全卷积网络，得到国际先进的检测结果。在航片实验中，查全率和准确度达到95%。蓝色掩膜为检测出的房屋，几乎不存在漏检和错检。

针对小而密集建筑物的检测，胡翔云团队提出了一种基于目标中心点生成候选框的新方法，该方法结合多盒评分模块和迭代定位细分模块来指导候选框的生成。

胡翔云：提出端到端通过学习置信图提取道路中心线

黄昕团队：提出一种三维卷积神经网络M2-3DCNN，充分利用ZY-3的多光谱和多角度信息，实现城市的精细分类。 基于ZY-3多视角影像，生产了我国50余大城市的3D地表覆盖数据集（百万级随机样本验证，总体精度~90%），以及每栋房屋的高度（中误差约5m）。将为城市地表覆盖深度学习提供千万级的训练样本库。 多源遥感数据深度学习：融合ZY-3和吉林一号夜间灯光影像，实现光谱-角度-昼夜的深度信息融合，实现我国大量城市的功能区分类，解译精度超过80%。

摄影测量与遥感是与人工智能最密切的学科之一。摄影测量本身与计算计算机视觉有很多相通的理论与方法。计算机视觉的快速发展无疑会推动摄影测量与遥感的发展，特别是一些难题的解决。 深度学习方法在通用目标识别方面取得重大突破，已经在人脸识别等领域得到广泛应用。但是，它在遥感图像识别与信息提取方面，虽然取得了一些研究进展，但是目前还鲜有商业化应用。当然遥感影像的目标识别比人脸识别要复杂和困难得多，遥感学者在努力工作，寻求突破，很多IT公司，如Facebook、微软、阿里、商汤、科大讯飞等也在参与攻关。 测绘遥感（行业与学科）面临挑战 1）由以服务于政府机构为主，到直接面向细分行业，乃至普通大众

2）人工智能特别是计算机视觉与模式识别是目前IT领域十分火爆的领域

https://mp.weixin.qq.com/s/A9qDWkGh8KZOuusl5bDlvQ