近年来,深度学习方法获得重大利益,构建层次从无标号数据表示。深架构似乎试图学习层次结构和承诺在学习简单的概念,然后成功地建立更复杂的概念通过组合简单的在一起。在智能遥感领域,自动目标检测(或认识)和高分辨率卫星图像分类是两个热门话题,和两个任务进行,首先计算原始图像的低层次特征。对于不同类型的遥感图像(例如,SAR图像和高光谱图像),相应的特定特性表征。通过应用深度学习方法,我们的这些手工制作的低级功能,可以自动学习中级和高级特性从生大量的未标记样本超过类型和域的遥感图像。深度学习方法无疑可以提供更好的特性表征的相关遥感任务,有一个光明的前景,看到越来越多的研究者致力于学习更好的特性为目标检测和场景分类任务利用深度适当的学习方法。这个特殊的问题旨在提供一个场地不断研究新方法、算法和架构的深度学习处理遥感图像处理的现实的挑战。

潜在的主题包括,但不限于:

• 遥感图像的深层次化表示
• 从遥感图像非监督特征学习
• 数据库在遥感图像分析学很深的层次结构
• 特征降维
• 学习深度结构多源异质遥感图像融合
• 深入学习算法在高光谱图像处理,如目标检测和分离
• 学习深度层次场景分割、分类和理解
• 深度学习概念大型遥感图像的应用