深度学习在计算机视觉领域的巨大成功使得其在遥感大数据智能解译中发挥重要作用。然而，遥感影像存在观测场景大、数据量多、场景复杂等特点，导致针对自然场景的计算机视觉方法存在一定的局限性。因此，研究组在深入研究深度学习方法的基础上，结合遥感影像解译的特点在遥感影像场景分类、目标检测、语义分割和图像描述任务上进行研究和探索。

1. 遥感影像场景分类

高分辨率遥感影像不仅具有丰富的光谱、形状和纹理特征，还包含了清晰的场景语义信息。因此，“场景分类”是一种对遥感图像信息的重要理解方式，它对于影像的解译和现实世界的理解都具有举足轻重的意义，也是遥感领域研究的热点之一。遥感图像场景分类是利用计算机视觉方法提取图像特征并根特征赋予图像正确的类别标签，判别性特征的提取是遥感图像场景分类的关键问题。研究组针对遥感影像高精度标签样本较少，相同场景遥感影像表观差异大以及不同类别遥感影像场景具有较高的相似性问题，提出一系列具有原创性的成果。

2. 遥感影像目标检测

目标检测是计算机视觉中的一个重要而富有挑战性的问题。尽管过去十年已经见证了目标检测的主要进步的自然场景，但由于缺乏好的注释数据集对象的空中场景，遥感目标检测领域进展缓慢。深度学习强大的高级（更具抽象和语义意义）特征表示和学习的能力可以为影像中的目标提取提供有效的框架。研究组针对遥感图像目标检测任务中存在遥感图像背景复杂和目标尺寸较小且密集的问题，提出一系列具有原创性的成果。

3. 遥感影像语义分割

遥感影像语义分割作为人工智能领域的关键任务之一，其核心目标是依据样本特征为图像中的每个像素赋予类别标签。遥感影像语义分割的预测结果能够为图像进行视觉分析和模式识别提供必要和有用的信息，其广泛应用于环境监测、城市规划、医学诊断和国防安全等领域。针对遥感影像标注难度高、背景复杂以及目标尺度大的问题，研究组提出一系列具有原创性的成果。