n 高分辨率影像地物分類的深度學習算法

l 地物分類

我們以Indian Pines、 Pavia University、 Kennedy Space Center等公開數據集為研究對象，開發了面向高光譜地物分類的OBT模型。該模型借鑒了密集連接（DenseBlock）網絡的思想，每一層的輸出作為輸入連接到后面所有的卷積層，同時這種方法也不需要學習冗余的特征圖，減少了參數量。

高光譜地物分類

l 道路提取：應用于交通路網統計、更新，城市規劃等

道路提取結果

l 建筑物提取：

可應用于城市規劃、違建執法、建筑統計等領域。也可以結合識別其他的地物，如植被的識別，判斷城市區域或小區的綠化率。

建筑物提取結果

l 農田水淹區提取：災后定損、保險理賠

l 田塊提取：農業統計

l 農業大棚提取：農業估產、統計

農業大棚提取

l 海水網箱養殖區提取：漁業估產、執法

l 大型船舶檢測

遙感影像船舶檢測（OBT-02）

n 監控視頻分類的深度學習算法

l 城市積水檢測

l 河道漂浮物檢測

通過基于沿河攝像頭的河道漂浮物的定位與跟蹤溯源，可以在河道治理、河道巡檢、生態環保、城市管理方面發揮重要作用。

針對河道漂浮物小目標的問題，采用了Focal Loss結合One-Stage和3D卷積網絡模型，通過Focal Loss減少易分類樣本的損失，從而平衡正負樣本比例，使正樣本在訓練中的關鍵信息能夠發揮作用，從而提高小目標的檢測精度。

l 車牌識別與跟蹤

通過基于城市監控攝像頭的車牌識別與跟蹤，可以實施對渣土車等危險駕駛、違規駕駛行為的自動檢測與識別，提高城市交通安全。

l 手勢及體態識別