遥感深检测

目标检测：使用卷积神经网络（CNN）对遥感图像进行目标检测，常用模型包括Faster R-CNN、YOLO和SSD。通过这些模型可以在图片中识别出特定目标的位置和类别。

语义分割：利用全卷积网络（FCN）或U-Net等模型对遥感图像进行像素级分类，从而实现对图像每个像素的检测和标注。

实例分割：结合目标检测和语义分割，使用Mask R-CNN等模型实现对图像中特定实例的精细检测，包括实例区域的掩膜。

变化检测：通过对比多时相遥感图像，使用深度学习方法检测地表变化。可以应用于土地利用变更、灾害检测等领域。

数据增强：为了提高检测模型的泛化能力，对训练数据进行旋转、翻转、裁剪等数据增强操作，增加训练样本的多样性。

迁移学习：利用在大规模遥感数据集上预训练的模型，通过迁移学习的方式，将模型应用于较小规模的特定应用检测任务。

多源数据融合：结合光学影像、合成孔径雷达（SAR）、LiDAR等多源遥感数据，提高检测的准确性和鲁棒性。

小目标检测：针对遥感图像中小目标的检测难题，采用特定的小目标检测策略，如增加图像分辨率或使用注意力机制。

无监督学习：利用生成对抗网络（GAN）等无监督技术在没有标注数据的情况下，进行遥感图像的目标检测和特征提取。

卫星传感器：用于获取大范围、高分辨率的地球表面信息，适用于气候变化、土地利用等大尺度的环境监测。

无人机遥感系统：机动灵活，能够在短时间内采集高分辨率数据，适用于小范围、局部区域的详细调查。

光谱仪：检测物体的特征光谱信息，通过分析反射或发射光谱来识别物质组成和状态。

合成孔径雷达（SAR）：通过微波成像，穿透云层和植被，获取地表结构和动态变化信息，尤其适用于地质和水文监测。

激光雷达（LiDAR）：利用激光测距实现高精度地形和表面特征测量，常用于三维地形建模和森林监测。

热红外成像仪：通过捕捉热辐射测量地表和大气温度分布，用于火灾监测和城市热环境研究。

水质遥感仪器：专门用于监测水体中的悬浮物、藻类和污染物，通过光谱特征分析水质变化。