近日，在第三届遥感图像稀疏表征与智能分析竞赛中，大华股份自主开发的遥感图像目标跟踪算法，获得了目标跟踪精度排行榜第一的好成绩1，2。大华从2000多个AI公司及顶尖的学术研究团队中脱颖而出，取得标志性突破，彰显了公司在遥感图像等前沿技术领域开拓的创新能力。
       该竞赛由国家自然科学基金委信息科学部、“空间信息网络基础理论与关键技术”重大研究计划指导专家组主办，吸引了11个国家,115个城市2191支来自各大高校、研究所与科技公司相关领域研究团队参赛。

遥感技术，借助人造卫星、航天飞机、空间实验室等探测仪器，从远距离（4000km~600km）获取目标物体的电磁波信息，通过对该信息的传输、修正、处理、分析，形成一个多层次、多视角、多领域的观测体系，广泛应用于资源勘探、环境监测、公共安全等多个领域。

由于遥感图像具有尺度多样性、高空俯视视角、小目标、多方向、背景复杂度高等特性，同时对算法效率要求严苛，因此遥感图像智能分析极具挑战性。为了进一步提升空间信息的链路传输效率与实际应用能力，各研究机构大力发展遥感图像智能分析技术，借助图像处理、机器学习、深度学习等算法理论，实现场景分类、语义分割、目标检测、目标跟踪等功能。

图二 遥感图像智能分析（语义分割、目标检测、目标跟踪）

大华股份在AI核心技术领域持续耕耘，不断提升智能算法、算力的核心竞争力。经过长期的技术积累，大华股份在2D车辆目标检测、MOT跟踪、实例分割、语义分割等多项国际竞赛中的多个技术领域取得优异成绩。大华AI核心技术与遥感图像智能分析领域所需技术高度契合，公司AI团队针对遥感图像新领域的技术研究，首先从目标跟踪开始，并逐渐向目标检测、语义分割、场景分类等其它细分方向拓展。

针对遥感图像的特殊性，大华股份AI团队，首先在SiamRPN++算法基础上进行优化与改进。不仅在模板分支引入注意力机制、建立模板空间、数据增广、均衡负样本采样、引入LCT策略（目标丢失判断、运动趋势预测、重检测）方面实现优化，还对当前基于孪生网络跟踪框架的发展趋势进行分析，提出一种SiamCRPN++算法，框架上引入级联的RPN结构，融合多层卷积特征，并通过不同训练方式使得RPN具有不同的特性。

遥感技术随着空间信息网络体系的不断发展，高空间分辨率、高时间分辨率、高光谱分辨率、高分数据的体系已经基本形成，空间信息网络平台数据量急剧增加，为遥感应用奠定了坚实基础。将深度学习技术引入遥感数据解译应用中，将大幅提升遥感数据的自动化处理与分析能力，快速精准地实现遥感数据翻译，可应用于包括道路提取、地形地貌分类、土地利用分类、建筑物提取等多个遥感应用场景。人工智能将赋予遥感产业新的活力。