如何从遥感图像中自动检测和识别出感兴趣的目标一直是遥感影像处理的难题。本项目通过打开深度神经网络“黑盒子”，深入分析深度神经网络每层学习特征与遥感地物特征之间的关联关系，理解深度卷积网络完成高分辨率遥感影像地物识别任务的工作原理；建立“深度自适应性”和“样本自适应性”的自适应学习机制，使得遥感深度卷积网络具有更好的泛化能力和应对开放世界的能力；深入分析了AlghaGo的自学习机制和深度强化机制，并引入神经可塑记忆机制，自主设计了一种可自学习、自适应深度记忆卷积网络，达到逐层特征选择性、自适应性与迁移性，在应对新的任务，和灾难性遗忘方面有着显著的效果。

本项目还通过众源数据，如地理矢量数据利用众源OSM数据。众源OSM地理数据属志愿人工标注数据，作为一种可持续更新的众源地理数据，每天有来自全球超过230个国家的志愿者和机构对OSM中地物进行标注，通过与分辨率可高达分米级的超大规模的遥感影像进行配准，建立了超大大规模高分辨率遥感影像训练集，该数据集是训练高精度模型的前提，也具有非常高的实用价值。

深度学习将人工智能带到了一个新的高度，Google, Facebook这样的超级巨头在该领域投入了大量的资源，在应用上取得了突飞猛进的进展。

自主知识产权，具有商业化应用潜力，尚未产品化。

本项目利用深度学习，实现了高精度的遥感影像自动目标识别与理解，提供高性能、高精度的大数据分析平台，为测绘，国土资源，农业，农业等各类应用，提供基础的软件平台。

自主知识产权，具有商业化应用潜力，尚未产品化。

轻资产项目，投入产出比高。

按行业规范。