自从2012年，AlexNet获得了ImageNet Large Scale Visual Recognition Challenge (ILSVRC)比赛的冠军，深度学习逐渐登上了计算机视觉领域的历史舞台。这是一个图像分类网络，基于卷积神经网络。当年的GPU计算性能还很弱，尽管AlexNet网络结构并不大，但是仍然拆分成了两个部分，放在两个GPU中运行。而如今，已经有非常庞大的网络结构，并且能够达到非常高的精度，GPU的计算速度与显存大小也达到了很大的提升。
面向图像的深度学习逐渐出现了几条分支：场景分类、目标检测、语义分割、实例分割、超分重建、风格迁移等等。场景分类，是将影像整体视作一种类别；目标检测，是在影像中发现一块感兴趣目标，并用四边形标记出来；语义分割，是对每个像素进行分类，以区分不同类别的目标；实例分割，是对不同目标个体进行精确像素级提取；超分重建，是利用低分辨率影像恢复到高分辨率；风格迁移，是将一景影像的分割迁移到另一景影像中。随着深度学习的发展，还有更多的应用分支的出现。
遥感，即遥远的感知，是一门地理学、计算机科学的融合学科。遥感图像处理可以看作是计算机视觉的一个分支，主要面向于遥感卫星影像或无人机影像。因此深度学习技术能够应用于遥感领域。遥感深度学习同样也能建立多个分支：地物分类（场景分类）、地物检测（目标检测）、遥感分类（语义分割）、实例分割、超分重建、图像模拟等等。采用的神经网络结构也可以从计算机视觉中直接拿来使用，但遥感影像也有自己的特点，比如同类型的地物在遥感影像上的大小基本解决，而不像自然影像那样可能出现大小差异很大的现象；小型地物在遥感影像上可能所占像素量特别少，不便于识别与提取；影像中所蕴含的辐射信息具有物理意义，不能随意进行数据增强，否则可能会破坏其物理意义。
遥感深度学习与计算机视觉深度学习相比，可以说更难，也可以说更容易。难点在于影像大、数据集匮乏、标记难度大、空间分辨率不够等；容易是因为在相同空间尺度下，同类地物的大小接近、辐射特征接近、纹理信息接近等。因此遥感深度学习需要解决小样本学习、适当数据增强、空间尺度融合等等问题。但是遥感深度学习仍有很大的局限性，现阶段，深度学习提取的结果，并不如传统遥感方法的提取结果。
遥感深度学习正逐渐开始了大众化的进程，有很多机构与平台陆续开始组织比赛，也吸引了全国遥感领域外的研究人员参加。未来，遥感深度学习技术将会进入发展的快车道，深度学习作为黑马技术，必将超越传统方法。
（这是我的私人博客的第一篇文章，内容简单、逻辑有点乱，就当练笔啦，以后会多写点技术分享类的文章，和大家一起交流）
Yannx
2019年6月22日