---
title: "衛星影像物件偵測（Object Detection in Satellite Imagery）"
slug: object-detection-in-satellite-imagery
language: zh-TW
source: https://aiterms.tw/learning/what-is-object-detection-in-satellite-imagery
updated_at: 2026-07-04
tags: [電腦視覺, 深度學習, AI應用, 模型評估, source:arxiv]
ipas_term: false
type: deep-dive
---

# 衛星影像物件偵測 是什麼？

> 利用AI技術在衛星影像中識別並定位特定物件，如建築、車輛、船隻等。

## 核心概念
衛星影像物件偵測是電腦視覺領域的一個重要分支，專注於從高空拍攝的衛星影像中自動識別、定位並分類特定目標物體。這些目標物體可以是建築物、車輛、飛機、船隻、基礎設施（如橋樑、道路）、甚至是特定類型的植被或地貌特徵。與一般自然場景影像的物件偵測不同，衛星影像通常具有獨特的挑戰，例如視角固定為俯視、目標物體尺寸差異巨大（從幾像素到數百像素）、背景複雜且多變、以及光照和天氣條件的影響。核心概念包括：
1.  **目標識別與定位**：模型不僅要判斷影像中是否存在某類目標，還要精確地標示出其位置，通常透過繪製邊界框（bounding box）來實現。
2.  **多尺度問題**：由於衛星影像覆蓋範圍廣，同一類型的物件在影像中可能呈現出極大的尺寸差異，例如一艘船在廣闊的海洋影像中可能只佔用極少數像素，而在港口影像中則可能佔用較大區域。
3.  **複雜背景與遮蔽**：城市區域的建築物密集，容易造成目標之間的相互遮蔽；自然地貌的複雜性也可能導致誤判。
4.  **資料特性**：衛星影像通常具有高解析度，但標註成本高昂，且不同衛星感測器提供的光譜資訊可能不同。

## 運作原理
衛星影像物件偵測的運作原理主要基於深度學習，特別是卷積神經網路（CNN）。其流程通常包括資料預處理、模型訓練與推斷。
1.  **資料預處理**：
    *   **影像增強**：調整亮度、對比度、色彩平衡，以減少光照和天氣差異的影響。
    *   **影像裁切與拼接**：高解析度衛星影像通常非常大，需要裁切成較小的圖塊進行處理，推斷後再拼接。
    *   **資料擴增**：透過旋轉、翻轉、縮放、顏色抖動等方式增加訓練資料的多樣性，提高模型泛化能力。
2.  **模型架構**：
    *   **兩階段偵測器**：如Faster R-CNN系列。第一階段生成候選區域（Region Proposals），第二階段對這些區域進行分類和邊界框迴歸。這類模型通常精度較高，但速度相對較慢。
    *   **單階段偵測器**：如YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）。這些模型直接從影像中預測邊界框和類別，速度快，適合即時應用，但精度可能略低於兩階段模型。
    *   **多尺度特徵融合**：由於衛星影像中目標尺度多變，現代模型常採用特徵金字塔網路（FPN）等技術，融合不同層次的特徵，以更好地捕捉不同尺度的目標。
    *   **基於Transformer的模型**：近年來，Vision Transformer及其變體也被應用於物件偵測，透過自注意力機制捕捉長距離依賴關係，在某些任務上展現出優異性能。
3.  **訓練過程**：
    *   模型在大量帶有標註邊界框和類別的衛星影像資料集上進行訓練。
    *   損失函數通常包含分類損失（判斷目標類別）和迴歸損失（調整邊界框座標）。
    *   優化器（如Adam、SGD）用於更新模型權重，最小化損失函數。
4.  **推斷**：訓練好的模型接收新的衛星影像，輸出每個偵測到的目標的類別、置信度分數和邊界框座標。非最大抑制（NMS）等後處理步驟用於消除重複的邊界框。

## 實際應用
衛星影像物件偵測在多個領域具有廣泛的應用價值：
*   **城市規劃與發展監測**：自動識別新建建築、道路擴建、城市邊界變化，為城市規劃者提供即時數據支持。
*   **環境與資源監測**：監測森林砍伐、非法採礦、水體污染、冰川融化等自然環境變化，評估災害影響。
*   **基礎設施監測**：檢測橋樑、水壩、輸電線路等關鍵基礎設施的損壞或異常，進行定期維護規劃。
*   **國土安全與防禦**：偵測軍事設施、車輛、艦船、飛機等目標，用於情報收集和邊境監控。
*   **災害應變與評估**：在地震、洪水、火災等災害發生後，快速評估受損區域的建築物、道路等，協助救援行動。
*   **農業監測**：識別農田中的病蟲害區域、雜草分佈，或監測農作物生長狀況，支持精準農業。
*   **交通流量分析**：統計特定區域的車輛數量，評估交通擁堵情況。

## 常見誤區
在衛星影像物件偵測的實踐中，存在一些常見的誤區和挑戰：
1.  **資料標註不足或不精確**：高品質的衛星影像標註資料庫是模型成功的基礎。標註成本高昂且耗時，不精確的標註會嚴重影響模型性能。
2.  **尺度問題處理不當**：未能有效處理目標物體在影像中巨大的尺度變化，可能導致小目標漏檢或大目標分割不準確。
3.  **過度擬合**：模型可能在訓練資料上表現良好，但在未見過的新資料上泛化能力差，這通常是由於訓練資料不足或模型過於複雜。
4.  **背景雜訊與相似物體干擾**：複雜的背景、雲層遮蔽、陰影或與目標物體外觀相似的非目標物體，都可能導致誤報或漏報。
5.  **感測器差異**：不同衛星感測器（如Sentinel-2, Landsat, PlanetScope）提供的影像解析度、光譜波段和成像條件各異，直接應用在一個感測器上訓練的模型到另一個感測器可能效果不佳。
6.  **即時性要求與計算資源**：對於需要即時監測的應用，模型的推理速度和所需的計算資源是一個重要考量。高解析度影像的處理尤其耗費資源。

## 與相關技術的比較
1.  **與一般影像物件偵測的比較**：
    *   **視角與尺度**：衛星影像通常是正射或近正射的俯視圖，目標物體在影像中的尺度變化範圍更大。一般影像（如街景、人臉）則有更豐富的視角變化和更穩定的目標尺度。
    *   **資料特性**：衛星影像通常包含多光譜甚至高光譜資訊，而一般影像多為RGB三通道。衛星影像的背景更為複雜且缺乏紋理細節，而一般影像則有豐富的紋理和上下文資訊。
    *   **應用場景**：衛星影像物件偵測主要用於地理空間分析、環境監測、城市規劃等宏觀應用；一般影像物件偵測則廣泛應用於自動駕駛、安防監控、人機互動等微觀應用。
2.  **與影像分類的比較**：
    *   **目標**：影像分類旨在判斷整張影像屬於哪個類別（例如「這是一張城市影像」），而物件偵測不僅要識別類別，還要精確定位影像中每個目標的位置。
    *   **輸出**：影像分類輸出單一類別標籤；物件偵測輸出多個邊界框、類別和置信度。
3.  **與語義分割的比較**：
    *   **粒度**：語義分割對影像中的每個像素進行分類，為每個像素分配一個類別標籤，形成精細的物件輪廓。物件偵測則通常只提供一個矩形邊界框。
    *   **資訊量**：語義分割提供更詳細的形狀資訊，但計算成本更高；物件偵測提供快速的定位和分類，適用於需要快速識別目標的場景。
4.  **與實例分割的比較**：
    *   **區別**：實例分割是語義分割和物件偵測的結合，它不僅為每個像素分配類別，還能區分同類別的不同實例（例如，區分影像中的每一輛車）。
    *   **複雜度**：實例分割比物件偵測更複雜，需要更精細的標註和更強大的模型。在衛星影像中，由於目標密集且尺度小，實例分割的挑戰更大。

## 常見問題

### 衛星影像物件偵測與一般影像物件偵測有何不同？

衛星影像物件偵測主要處理從高空俯瞰的影像，其目標物體通常尺寸較小、視角固定且背景複雜，且常需處理多尺度問題。一般影像物件偵測則處理多樣視角、目標尺寸相對穩定且背景紋理豐富的影像。此外，衛星影像可能包含多光譜資訊，這也與一般RGB影像不同。這些差異導致衛星影像偵測在資料預處理、模型架構選擇及性能評估上都有其獨特的考量與挑戰。

### 處理衛星影像物件偵測時，資料準備有哪些挑戰？

資料準備面臨多重挑戰。首先，高品質的衛星影像標註資料庫稀缺且成本高昂，精確標註大量小目標尤其困難。其次，衛星影像的巨大尺寸需要進行裁切與拼接，增加了處理複雜性。再者，不同感測器、光照條件及大氣效應會導致影像輻射差異，需要精細的校正。最後，目標物體在影像中尺度變化大，需要透過多樣的資料擴增策略來提升模型對不同尺度的泛化能力。

### 如何評估衛星影像物件偵測模型的效能？

評估衛星影像物件偵測模型效能通常使用與一般物件偵測相似的指標，但需特別注意衛星影像的特性。主要指標包括平均精度（mAP）、精確率（Precision）、召回率（Recall）和F1分數。mAP能綜合衡量模型在不同類別和置信度閾值下的表現。此外，對於小目標的偵測能力、邊界框的定位準確性（如IoU閾值設定）以及模型在不同地理區域和感測器數據上的泛化能力，都是評估時需要重點考量的因素。

---

深度解說頁：https://aiterms.tw/learning/what-is-object-detection-in-satellite-imagery
快查頁：https://aiterms.tw/terms/object-detection-in-satellite-imagery
最後更新：2026/07/04