武汉大学CVEO（Computer Vision for Earth Observation team）小组由武汉大学测绘遥感信息工程国家重点实验室张晓东教授（简历）领衔，成员包括1名讲师，1名博士后，5名博士研究生，6名硕士研究生和1名本科生。自成立至今，CVEO小组参与和主持了一系列省、部级科研项目，包括“973”计划、“863”子课题、国家科技部项目、国家科技支撑项目、国家自然科学基金项目、湖北省自然科学基金项目、广东省自然科学基金项目、中国博士后科学基金项目、卫星海洋环境动力学国家重点实验室开发基金项目、武汉大学自主科研项目等。此外，CVEO小组还与行业相关企、事业单位（广东电网、北京灵图、安徽省电力设计院、武汉市科技局、国家海洋局、南京市规划局、汕头市测绘研究院、安徽省第四测绘院、湖北省民政厅、湖北省国土测绘院、福建省地质测绘院、汕头市自然资源测绘院、国家测绘地理信息局卫星测绘应用中心、中冶武勘、航天恒星、中科星图等）开展了一系列纵向、国防、社会服务项目合作。目前CVEO小组主要理论研究方向包括：

研究内容及成果简介

CVEO小组研究内容PDF（镜像加速 原版地址）

招生与招聘

联系方式

• E－mail：zxdlmars#whu.edu.cn，cgz#whu.edu.cn（#替换成@）
• 电话：027-68778033
• “珞珈经纬”微信公众号：珞珈经纬或点击页面中“微信”标志，“珞珈经纬”微信公众号，获取更多测绘遥感地理信息前沿动态
• “珞瑜129”微信公众号：珞瑜129
• 地址：湖北省武汉市洪山区珞喻路129号

武汉大学CVEO（Computer Vision for Earth Observation）小组由武汉大学测绘遥感信息工程国家重点实验室张晓东教授领衔，专注于遥感影像智能处理、时空大数据分析的理论研究和行业落地应用。现根据小组发展和科研项目需要，武汉大学CVEO小组诚招本科实习生、硕士研究生、研究助理与博士后研究员，招收内容长期有效，具体要求如下：

一、 招生

1. 招生条件及要求

(1) 本科实习生

• 欢迎对小组研究方向感兴趣的测绘、遥感、计算机相关专业的大二、大三本科生加入小组，提前进行科学研究与产业实践；
• 在学有余力的情况下，CVEO小组鼓励并全程指导本科生提前进行科学研究，参加高水平竞赛，发表高水平学术论文；
• CVEO小组提供高性能计算资源、云服务资源用于大学生创新、创业训练项目。

(2) 研究生

• CVEO小组常年招收学术型硕士、专业型硕士和非全日制硕士，不限来源，不限性别，不限能力；
• 欢迎有志于摄影测量与遥感、地理信息系统、计算机视觉与人工智能、软件工程等专业的同学报考硕士和博士研究生。
• 鼓励硕士/博士研究生发表论文，并给予学术指导。鼓励学术型硕士发表SCI期刊，专业型硕士/非全日制硕士发表SCI、EI以及中文核心期刊；

2. 津贴

• 本科实习生参与项目研发或取得科研进展后，可获得300-1000元/月的实习津贴；
• 全日制硕/博士研究生，保证月均津贴处于武汉大学测绘遥感信息工程国家重点实验室团队前1/4以上水平。

3. 毕业去向

CVEO小组将协助学生做好职业规划，充分利用科研、社会服务、同学、校友等渠道，协助毕业学生就业：

• 硕士研究生毕业后推荐相关企事业单位（丰图科技、中科星图、华为技术有限公司、中国天绘卫星中心、湖北省国土测绘院等）、继续攻读博士学位等；博士研究生毕业后推荐相关企事业单位、从事博士后研究工作以及国内高校任教（武汉大学、武汉科技大学、长江大学）等。
• 更多团队成员毕业去向详情请查看：链接

二、 岗位招聘

1. 招生条件及要求

(1) 研究助理

• 具有普通高校全日制本科学历，遥感、测绘、计算机、电信、软件工程学科方向优先；
• 具有计算机编程，遥感数据分析或WebGIS系统开发等相关经验者优先；
• 具备良好的团队合作精神和沟通协调能力，能按时完成课题组安排的科研任务；
• 熟悉科研项目管理工作，工作期间可在不影响小组分配任务的同时，准备考研、考博、申请留学等事宜。

(2) 博士后

• 1991年1月1日及以后出生，能够稳定工作2-3年；
• 近年（或即将）获得摄影测量与遥感、计算机科学或数学等相关学科博士学位，具有较强的英文科技文献阅读和写作能力；
• 在本领域主流国际SCI期刊（中科院三区及以上）以第一作者发表过学术论文1篇及以上；
• 具有大型WebGIS系统研发、遥感大数据分析、大规模深度学习系统研发部署等经验者优先；
• 具有独立科研工作能力和良好的团队沟通协作能力，能按时完成课题组安排的科研任务；
• 在站期间，需发表1-2篇SCI论文（中科院二区及以上），且申请博后基金或者自然科学青年基金一项。

2. 薪资待遇

(1) 研究助理

• 年薪8万-20万（已获硕士及以上学位），具体薪酬面议，特别优异者薪酬可再上调；
• 一经录用，签订正式劳动合同。聘期内执行武汉大学非事业编制聘用人员相关规定，缴纳社会保险。聘用期满后，根据个人工作表现续聘。

(2) 博士后

• 工资及福利待遇按国家和武汉大学博士后相关规定从优考虑，依据申请人的学术成绩和工作能力，年薪16-38万（税前），根据入站后工作业绩情况提供不同等级科研奖励，特别优秀者可面议；
• 学校协助办理人事理档案、落户等手续，提供博士后标准福利待遇，包括五险一金、博士后公寓或者住房补贴，以及子女入学便利；
• 团队将积极推荐以及辅助申请博士后基金、博新计划、自然科学基金等项目，并提供良好的科研实验条件；
• 出站后，可应聘武汉大学特聘副研究员等相关科研工作岗位；如通过转编答辩，可入职武汉大学长聘教职序列。

三、联系方式

• 联系E－mail：cgz@whu.edu.cn
• 联系微信：关注“珞珈经纬”微信公众号，后台回复“加入CVEO”即可
• 小组官网：https://www.whu-cveo.com/
• 地址：湖北省武汉市洪山区珞喻路129号

Haze removal from a single remote sensing image based on a fully convolutional neural network 链接
Ling K, Puyun L, Xiaodong Z, Guanzhou C, Kun Z, Qing W, Xiaoliang T.
Journal of Applied Remote Sensing, 13(3), 036505 (2019).SCI

在遥感影像中，薄雾常常会影响影像后续处理（如目标检测、影像分类等工作）的效果，降低了遥感影像的利用率。单张遥感影像去雾任务是一个秩亏问题，现有的去雾方法大都通过引入多种先验知识来实现影像去雾。本文引入了深度学习算法，提出并构建了一个全卷积神经网络HRFCN以估计透射率图，进而以此为根据合成去雾影像。实验证明，本文提出的模型可以在目视效果和相似性指标上同时达到可观的效果。

Convective Clouds Extraction from Himawari-8 Satellite Images Based on Double-Stream Fully Convolutional Networks
Zhang X, Tong W, Chen G, Tan X, Kun Z.
IEEE GEOSCIENCE AND REMOTE SENSING LETTERS

对流云的自动提取具有十分重要的意义。对流云经常带来大雨、强风和其他灾难性天气。利用遥感图像,可以获取大规模的云层信息,为对流云检测提供了许多有效的方法。本文提出了一种提取对流云的新方法。我们引入了一种只使用1×1卷积的神经网络(3ONet)来提取遥感影像的光谱特性。之后,我们将 3ONet 与对称密集短连接深度全卷积网络(SDFCN) 合并为双流全卷积网络用于提取对流云。在实验中,我们使用Himawari-8卫星图像来验证所提出的网络。实验结果的平均交并比（mIoU）为0.5882。因此，该方法能有效地提取对流云。此外，本文还探究了不同的归一化方法与不同的损失函数对模型训练结果的影响。

Geospatial Object Detection on High Resolution Remote Sensing Imagery Based on Double Multi-Scale Feature Pyramid Network 链接 · PDF
Zhang X, Zhu K, Chen G, et al.
Remote Sens. 2019, 11(7), 755; doi:10.3390/rs11070755.SCI

高分辨率遥感影像目标检测在图像自动判读领域引起了广泛的关注。基于区域的卷积神经网络(R-CNN)在该领域得到了广泛的推广，它首先生成候选区域，然后对这些区域中存在的目标进行精确的分类和定位。然而，图像尺寸过大、图像背景复杂、训练样本大小和数量分布不均匀使得检测任务更加具有挑战性，特别是对于小而密集的目标。为了解决这些问题，本文提出了一种有效的基于区域的高分辨率遥感影像目标检测框架——双多尺度特征金字塔网络(Double Multi-scale Feature Pyramid Network，DM-FPN)。DM-FPN由多尺度区域提议网络(Region Proposal Network，RPN)和多尺度目标检测网络组成，这两个模块共享卷积层，实现端到端的训练。为了增加训练数据的多样性，克服输入图像的尺寸限制，我们提出了几种多尺度训练策略。我们还提出了多尺度预测和自适应类别非极大值抑制(adaptive categorical non-maximum suppression，ACNMS)策略以提高检测性能。在大规模遥感影像目标检测数据集DOTA上的大量实验和综合评价表明了该框架的有效性，DM-FPN在验证数据集的平均精度均值(mAP)为0.7927，在测试数据集上达到了最高的为0.793。

光学水准尺图像数字化处理及其自动化读数实现 链接
张力飞, 张晓东.
测绘地理信息, 2019, 44(1).

水准测量是工程测量中极其重要的部分，被广泛地应用于未知点高程值的测定工作中，具有重要的社会效益。目前用于水准测量的仪器分为数字水准仪和光学水准仪，其中数字水准仪可以实现自动化的读数，但价格比较昂贵；光学水准仪价格比较便宜，需要人工读数。针对以上问题，本文提出了利用数字图像处理技术实现光学水准尺自动读数的方法和整体处理流程。

Change detection based on Faster R-CNN for high-resolution remote sensing images 链接 · PDF
Wang Q, Zhang X, Chen G, et al.
Remote Sensing Letters. 2018, 9(10): 923-932.SCI

变化检测在遥感影像解译中具有重要的意义，高分辨率遥感影像极大地提高了土地利用/覆盖变化（LU/LC）监测的能力。但在实际应用中，针对高分辨率遥感影像的变化检测，传统方法过于耗时且需要烦琐的人工干预。近年来，深度学习在自然影像目标检测、语音识别、人脸识别等领域得到了广泛的应用，并取得了巨大的成功。目前已经有一些学者将深度学习应用于遥感影像分类和变化检测，但较少应用于高分辨率遥感影像变化检测。在这篇文章里，我们提出基于区域的卷积神经网络并将其应用于高分辨率遥感影像变化检测，同时与传统变化检测方法，以及其他的基于深度学习的方法进行比较，我们提出的方法具有更高的整体精度和Kappa系数，特别是我们的方法可以减少大量伪变化。

Training Small Networks for Scene Classification of Remote Sensing Images via Knowledge Distillation 链接 · PDF
Chen G, Zhang X, Tan X, et al.
Remote Sensing 2018, 10(5), 719.SCI

场景分类是遥感图像分析领域中的一项基本任务，其目的是识别遥感影像图斑的土地覆盖类型。基于深度神经网络的算法（如VGG-Net、ResNet、DenseNet）在场景分类中得到了广泛的应用，并取得了显著的性能，但以上深度模型方法会消耗大量的计算资源与训练时间，不适用于嵌入式设备或星上处理等特殊情况。因此，本文将目前主流的模型压缩方法——知识蒸馏框架引入遥感影像场景分类任务中，以提高小规模网络模型的分类水平。知识蒸馏方法关键在于，使小规模的学生模型的高温softmax输出与大规模的教师模型对应的高温输出相匹配。本文在四个公开的遥感场景分类数据集（AID数据集、UCMerced数据集、NWPU-RESISC数据集和EuroSAT数据集）展开实验，以评估知识蒸馏训练方法的性能。结果表明，本文方法在四个数据集上不同程度地提高了小规模网络模型的分类水平。此外，本文还探究了当数据集样本数量较少或类别不平衡等情况下学生模型的表现，进一步验证知识蒸馏方法在低分辨率遥感影像、遥感地物类别较多、遥感影像数量较少等情况下的适用性与可行性。

An object-based supervised classification framework for very-high-resolution remote sensing images using convolutional neural networks 链接
Zhang X, Wang Q, Chen G, et al.
Remote Sensing Letters. 2018, 9(4): 373-382.SCI

基于对象的影像分类方法(Object-based image classification，OBIC)是针对高分辨率(very-high-resolution，VHR)遥感影像分类方法中基于像素的图像分类(pixel-based image classification，PBIC)的不足而提出的，然而，OBIC中的大多数分类方法都是处理从分割影像对象中提取的一维特征。为了提取分割对象的二维深度特征，本文采用卷积神经网络(CNNs)，提出了一种新的深度OBIC框架。首先分析了分割对象的不同掩码策略，并设计了两种网络架构。对比实验结果表明，**DiCNN-4(Double-input CNN)**在实验数据集上获得了比传统OBIC方法更高的整体精度(OA)、Kappa系数和F1测度。

Symmetrical Dense-Shortcut Deep Fully Convolutional Networks for Semantic Segmentation of Very-High-Resolution Remote Sensing Images 链接
Chen G, Zhang X, Wang Q, et al.
IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018.SCI

针对高分辨率遥感影像语义分割问题，本文提出了基于对称全卷积网络的遥感影像语义分割框架，解决了通用深度全卷积网络在大幅遥感影像中因分块而产生的结果不连续和椒盐噪声的问题，提高了分割分类精度。目前该方法已成功应用于地理国情普查与监测应用中。