CN108009469B - 一种基于结构递归神经网络的海上油气平台检测方法 - Google Patents
一种基于结构递归神经网络的海上油气平台检测方法 Download PDFInfo
- Publication number
- CN108009469B CN108009469B CN201710998395.2A CN201710998395A CN108009469B CN 108009469 B CN108009469 B CN 108009469B CN 201710998395 A CN201710998395 A CN 201710998395A CN 108009469 B CN108009469 B CN 108009469B
- Authority
- CN
- China
- Prior art keywords
- time
- neural network
- target
- space
- recurrent neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于结构递归神经网络的海上油气平台检测方法，具体包含如下步骤；根据时空图像序列化结构特性，建立海上目标的结构递归神经网络模型；对建立的结构递归神经网络模型进行参数调优，进而建立海上目标的高阶时空特性模型；根据海上目标的高阶时空特性模型获取海上目标的高阶时空特性；根据海上目标的高阶时空特性构建双向循环卷积层，建立融合前后时相特征的双向循环卷积神经网络；通过双向循环卷积神经网络的并行化调优，实现单时相下海上运动目标的准确检测，深度学习可以获得目标特征能力更强，充分利用目标的时空特征，可以检测出复杂背景干扰下的目标，且算法通用性较强。
Description
技术领域
本发明属于遥感图像目标识别领域，尤其涉及一种基于结构递归神经网络的遥感影像海上油气平台检测方法。
背景技术
根据油气平台地理位置相对固定、夜间具有强光、尺度不变性等平台自身的特点实现检测。如李强等基于VIIRS数据具有强夜光探测能力而提出了一种卷积运算临界值法实现对海上油气平台的提取；Cheng L.等采用双参数的CFAR检测海上目标，再根据固定目标的相对三角位置不变原理提取海上平台；万剑华等基于多景多时相TerraSAR-X影像，结合尤其平台位置相对不变性，对南海的部分区域提取了5处油气平台。Yongxue Liu等采用Landsat陆地成像仪(OLI)的多光谱数据，根据上下文特征和位置、尺度的不变性检测海上油气平台。
通过海上油气平台的废气燃耗的红外辐射特性来实现目标检测。大部分的海上油气平台通过放空火炬燃烧废气，通过在红外波段提取火点可以有效探测到这些海上平台。如Elvidge等人利用VIIRS的DNB波段数据结合热红外波段数据对海上的废气燃烧进行了有效的检测，证明了基于遥感影像检测平台废气燃烧方面的可行性。Casadio等通过ATSR(Along Track Scanning Radiometer)的SWIR、MIR、TIR 3个波段的传感器数据结合，对SAR图像检测目标进行辐射特征进行有效提取；Anejionu等通过Landsat和MODIS的卫星数据，采用辐射滤波和空间滤波检测燃烧天然气的海上平台。
上述基于遥感影像尺度不变性、位置不变性或者尤其平台的红外辐射特性进行海上油气平台检测的方法，都存在很大的局限性。光学影像一般重访周期长、覆盖范围小、易受天气影像；SAR影像对海上油气平台红外辐射特性或高亮度进行检测时，存在油气平台不放空火炬或没有高亮度照明的情况，造成检测虚警率偏高。以上常用方法都是先对单一时相的图像进行目标检测，没有充分利用影像目标的高阶时空特性。
发明内容
本发明所要解决的技术问题是提供一种基于结构递归神经网络的遥感影像海上油气平台检测方法，解决了从海量遥感图像数据中检测海上油气平台时目标检测准确率低、运算量大的问题。
本发明为解决上述技术问题采用以下技术方案：
一种基于结构递归神经网络的海上油气平台检测方法，具体包含如下步骤；
步骤1，根据时空图像序列化结构特性，建立海上目标的结构递归神经网络模型；
步骤2，对步骤1建立的结构递归神经网络模型进行参数调优，进而建立海上目标的高阶时空特性模型；
步骤3，根据海上目标的高阶时空特性模型获取海上目标的高阶时空特性；
步骤4，根据海上目标的高阶时空特性构建双向循环卷积层，建立融合前后时相特征的双向循环卷积神经网络；
步骤5，通过双向循环卷积神经网络的并行化调优，实现单时相下海上运动目标的准确检测。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，在步骤1中，根据时空图像序列化结构特性建立海上目标的结构递归神经网络模型。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，在步骤3中，根据海上目标的高阶时空特性模型获取海上目标的高阶时空特性。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，在步骤4中，根据海上目标的高阶时空特性构建双向循环卷积层，建立融合前后时相特征的双向循环卷积神经网络。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，在步骤5中，通过双向循环卷积神经网络的并行化调优，实现单时相下海上运动目标的准确检测。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，所述步骤1具体包含如下步骤：
步骤1.1，选取油气平台可视觉辨识的一定数量的不同分辨率、多视点下的多时相光学遥感图像，进而获取图像集A1；
步骤1.2，对步骤1.1中得到的图像集A1进行人工标定，标记平台目标和干扰目标，进而获得标记遥感目标图像集A2；
步骤1.3，对遥感影像集A1进行基础影像预处理，获取目标显著性图像集A3；
步骤1.4，在图像集A3的基础上，依据油气平台与周围环境的空间位置关系以及时序方向上的特性分布，建立递归神经网络模型。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，所述步骤2具体包含如下步骤：
步骤2.1，建立时空连边以及时间连边，其中，时空连边连接同一时相遥感图像中的两个海上运动目标，时间连边连接不同时相遥感图像中的同一海上运动目标；
步骤2.2，将高阶时空特性模型按照时序展开，构造其对应的高阶时空特性子模型，对高阶时空特性子模型中同一类别的海上运动目标和时间连边进行共享参数的学习；
步骤2.3，根据网络结构中的递归结构神经网络节点因子学习目标自身的表达。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，在步骤4中，双向循环卷积神经网络卷基层的输出节点可表示为：
其中：
分别表示当前和上一层的特征图，
表示从上一层第m个特征图到当前层第n个特征图额卷积核，
为神经元偏置，f(·)为信号；
双向循环卷积神经网络子采样层节点输出可表示为：
式中，s×s是子采样模板尺度，
为模板权值。
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，双向循环卷积神经网络全连接输出层的结果可表示为：
作为本发明一种基于结构递归神经网络的海上油气平台检测方法的进一步优选方案，双向循环卷积神经网络的运算过程如下所示:
其中，f和g为激活函数，
和
和分别代表前向隐藏层和后向隐藏层每个隐藏层有着各自一套权重矩阵，
为输入层到隐藏层的突触权重矩阵，
为前一时刻隐藏层到此时的隐藏层的突触权重矩阵，
为隐藏层到输出层之间的突触权重矩阵。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、对光学、SAR、红外等多源多分辨率影像数据均可进行检测，对数据来源具有普适性；
2、基于神经网络模型模型训练的检测方法，检测率准确率高，可以达到常视觉检测算法所不能企及的高精度；
3、深度学习可以获得目标特征能力更强，充分利用目标的时空特征，可以检测出复杂背景干扰下的目标，且算法通用性较强；
4、选取图像训练集A1并标定目标图像集和干扰图像集A2，对图像训练集A1进行基础影像预处理，在此基础上依据油气平台与周围环境的空间位置关系以及时序方向上的特性分布，建立递归神经网络模型；
5、建立时空连边以及时间连边，构建高阶时空特性模型，并将该模型按照时序展开，构造其对应的高阶时空特性子模型，对高阶时空特性子模型中同一类别的海上运动目标和时间连边进行共享参数的学习，根据网络结构中的递归结构神经网络节点因子学习目标自身的表达；
6、根据海上目标的高阶时空特性模型获取海上目标的高阶时空特性；
7、根据海上目标的高阶时空特性构建双向循环卷积层，建立融合前后时相特征的双向循环卷积神经网络；
8、通过双向循环卷积神经网络的并行化调优，实现单时相下海上运动目标的准确检测。
附图说明
图1是海上油气平台检测方法框图；
图2是结构递归神经网络的高阶时空特性模型图；
图3是双向循环卷积神经网络的结构图；
图4是多节点多线程模型训练框架图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
第一部分：
实施例一：下面结合附图对本发明作进一步说明。
图1是本发明方法的主体结构框图，基于递归结构神经网络和双向循环卷积神经网络的遥感图像海上平台的检测方法主要包含两个部分：第一部分，基于结构递归神经网络的海上平台遥感成像高阶时空特征。第二部分，建立双向循环卷积神经网络深度学习架构实现海上油气平台的准确检测。第一部分输入的是原始影像，第一部分的输出作为第二个部分的输入，第二部分的输出是检测结果。
图2是结构递归神经网络的高阶时空特性模型图。首先建立时空连边以及时间连边，其中，时空连边连接同一时相遥感图像中的两个目标，时间连边连接不同时相遥感图像中的同一目标；然后，将高阶时空特性模型按照时序展开，构造其对应的高阶时空特性子模型，对子模型中同一类别的目标和连边进行共享参数的学习；最后，根据网络结构中的递归结构神经网络节点因子(nodeRNNs)学习目标自身的表达。
图3是双向循环卷积神经网络的结构图。采用相邻两个时相的图像作为整个网络的输入，在卷积层，采用sigmoid函数作为激活函数，使特征映射具有位移不变性。为减轻微小形变对特征的影响并降低计算难度，采用与传统卷积神经网络类似的池化层代表相邻域。每一个网络序列向前和向后分别是两个循环神经网络，并连接同一输出层，整个网络结构中，层与层之间是全连接的，但隐藏层之间的节点不再是无连接而是有连接的。
图4是神经网络多节点多线程训练架构。输入图像目标样本库，各节点分别多线程训练等量的样本库，分别进行参数调优，并且使用加权的方式进行数据拟合，达到最优的模型参数，最后基于参数调优模型进行检测。
第二部分：
实施例二：下面详细说明本发明的技术方案以及所依据的科学原理。
1、结构递归神经网络模型(Structual Recursive Neural Network,S-RNN)
(1)分享节点之间的因子
以时间空间图像开始，以递归神经网络(Recursive Neural Network,RNN)代表结构递归神经网络模型中的每一个因子，RNN模型通过能捕捉时间空间图像构造和相互联系的结构联系起来。在时空图中的每一个因子都有参数，相似的节点可以分享因子与参数，而并不需对每一个因子特征进行学习。设所有在时空图中的因子节点都能分享共同的节点因子和参数，这一模型能加强相似节点之间的分享，同时也能在不增加参数的情况下，进一步加强通过节点处理时空图片的灵活性。通过相同的边缘因子进行建模，分享因子能让参数化更紧密。将节点因子和边缘因子定义为邻居，二者共同影响时空图像中的节点标签。
(2)时空图片的S-RNN
从时空图的因子图片中能得出S-RNN结构。时空图中的因子会按照时间顺序运行，且每一步因子都会观察(节点和边缘)的特征，并且会在这些特征上进行运算。在S-RNN中，用一个RNN代表一个因子。把从节点因子得到的递归神经网络因子指代为nodeRNNs，把从边缘因子中得到的递归神经网络因子指代为edgeRNNs。由时空图表示的相互互动是通过nodeRNNs和edgeRNNs之间的联系进行记录的，如图2所示。为训练S-RNN模式，每一个时空图节点的特征都与节点连接起来进入S-RNN结构中。在训练时，在预测中的错误能通过向前传播的节点RNN和边缘RNN进行反向传播。在此方法中，为预测节点标签，S-RNN会对节点和边缘的特征进行非线性连接。
2、双向循环卷积神经网络的并行架构快速提取目标原理如下:
(1)卷积神经网络(Convolutional Neural Networks,CNN)
卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。卷积神经网络的一般结构如图3所示。
卷基层的输出节点可表示为：
其中：
分别表示当前和上一层的特征图，
表示从上一层第m个特征图到当前层第n个特征图的卷积核，
为神经元偏置，f(·)为信号激活函数，l为卷及神经网络层数。
子采样层节点输出可表示为：
式中，s×s是子采样模板尺度，
为模板权值。
卷积神经网络CNN全连接输出层的结果可表示为：
(2)双向卷积神经网络(Bidirectional Recurrent Neural Network，BRNN)
设s1为前向隐藏层，而且和RNN中的隐藏层一样，记录了历史。相对地，s2为后向隐藏层，对应表示着下文的信息。BRNN的运算过程如式(4)所示:
其中，f和g为激活函数，式中，
和
和分别代表前向隐藏层和后向隐藏层每个隐藏层有着各自一套权重矩阵。
为输入层到隐藏层的突触权重矩阵，
为前一时刻隐藏层到此时的隐藏层的突触权重矩阵，
为隐藏层到输出层之间的突触权重矩阵。可以看出，时刻t的后向隐藏层是由当前输入以及时刻t+1时的后向隐藏层计算得出的，而这与前向隐藏层的计算恰呈相反顺序。训练BRNN，后向隐藏层的局域梯度的计算顺序也与前向隐藏层成相反设计，后向隐藏层是从时刻1开始向后计算的。
基于深度学习的模型训练方法，一般都需要耗费巨大的时间开销，为提高训练的速度，采用多节点并行计算架构，如图4所示。大量独立的训练样本存储到不同的存储节点上，样本之间相互独立，每一个存储节点上具完整的卷积神经网络，因此每个节点上的神经网络只负责训练部分样本集，最后进行各节点的模型参数拟合。
第三部分：
实施例三：基于结构递归神经网络的遥感影像海上油气平台检测方法具体实现步骤如下：
步骤1，根据时空图像序列化结构特性，建立海上目标的结构递归神经网络模型；
步骤1.1，选取油气平台可视觉辨识的一定数量的不同分辨率、多视点下的多时相光学遥感图像，进而获取图像集A1；
步骤1.2，对步骤1.1中得到的图像集A1进行人工标定，标记平台目标和干扰目标，进而获得标记遥感目标图像集A2；
步骤1.3，对遥感影像集A1进行基础影像预处理，获取目标显著性图像集A3；
步骤1.4，在图像集A3的基础上，依据油气平台与周围环境的空间位置关系以及时序方向上的特性分布，建立递归神经网络模型。
步骤2，对步骤1建立的结构递归神经网络模型进行参数调优，进而建立海上目标的高阶时空特性模型；
步骤2.1，建立时空连边以及时间连边，其中，时空连边连接同一时相遥感图像中的两个海上运动目标，时间连边连接不同时相遥感图像中的同一海上运动目标；
步骤2.2，将高阶时空特性模型按照时序展开，构造其对应的高阶时空特性子模型，对高阶时空特性子模型中同一类别的海上运动目标和时间连边进行共享参数的学习；
步骤2.3，根据网络结构中的递归结构神经网络节点因子学习目标自身的表达。
步骤3，根据海上目标的高阶时空特性模型获取海上目标的高阶时空特性；
步骤4，根据海上目标的高阶时空特性构建双向循环卷积层，建立融合前后时相特征的双向循环卷积神经网络；
步骤5，通过双向循环卷积神经网络的并行化调优，实现单时相下海上运动目标的准确检测。
Claims (3)
1.一种基于结构递归神经网络的海上油气平台检测方法，其特征在于：具体包含如下步骤；
步骤1，建立海上目标的结构递归神经网络模型；
所述步骤1具体包含如下步骤：
步骤1.1，选取油气平台可视觉辨识的一定数量的不同分辨率、多视点下的多时相光学遥感图像，进而获取图像集A1；
步骤1.2，对步骤1.1中得到的图像集A1进行人工标定，标记平台目标和干扰目标，进而获得标记遥感目标图像集A2；
步骤1.3，对图像集A1进行基础影像预处理，获取目标显著性图像集A3；
步骤1.4，在图像集A3的基础上，依据油气平台与周围环境的空间位置关系以及时序方向上的特性分布，建立递归神经网络模型；
步骤2，对步骤1建立的结构递归神经网络模型进行参数调优，进而建立海上目标的高阶时空特性模型；
所述步骤2具体包含如下步骤：
步骤2.1，建立时空连边以及时间连边，其中，时空连边连接同一时相遥感图像中的两个海上运动目标，时间连边连接不同时相遥感图像中的同一海上运动目标；
步骤2.2，将高阶时空特性模型按照时序展开，构造其对应的高阶时空特性子模型，对高阶时空特性子模型中同一类别的海上运动目标和时间连边进行共享参数的学习；
步骤2.3，根据网络结构中的递归结构神经网络节点因子学习目标自身的表达；
步骤3，获取海上目标的高阶时空特性；
步骤4，建立融合前后时相特征的双向循环卷积神经网络；
步骤5，实现单时相下海上运动目标的准确检测。
2.根据权利要求1所述的一种基于结构递归神经网络的海上油气平台检测方法，其特征在于：在步骤4中，根据海上目标的高阶时空特性构建双向循环卷积层，建立融合前后时相特征的双向循环卷积神经网络。
3.根据权利要求1所述的一种基于结构递归神经网络的海上油气平台检测方法，其特征在于：在步骤5中，通过双向循环卷积神经网络的并行化调优，实现单时相下海上运动目标的准确检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710998395.2A CN108009469B (zh) | 2017-10-24 | 2017-10-24 | 一种基于结构递归神经网络的海上油气平台检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710998395.2A CN108009469B (zh) | 2017-10-24 | 2017-10-24 | 一种基于结构递归神经网络的海上油气平台检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108009469A CN108009469A (zh) | 2018-05-08 |
| CN108009469B true CN108009469B (zh) | 2020-11-24 |
Family
ID=62051818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710998395.2A Active CN108009469B (zh) | 2017-10-24 | 2017-10-24 | 一种基于结构递归神经网络的海上油气平台检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009469B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109068174B (zh) * | 2018-09-12 | 2019-12-27 | 上海交通大学 | 基于循环卷积神经网络的视频帧率上变换方法及系统 |
| CN110458201B (zh) * | 2019-07-17 | 2021-08-24 | 北京科技大学 | 一种遥感影像面向对象分类方法及分类装置 |
| CN111222534B (zh) * | 2019-11-15 | 2022-10-11 | 重庆邮电大学 | 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法 |
| CN112904388A (zh) * | 2020-12-05 | 2021-06-04 | 哈尔滨工程大学 | 基于领航者策略的融合定位跟踪控制方法 |
| CN112949633B (zh) * | 2021-03-05 | 2022-10-21 | 中国科学院光电技术研究所 | 一种基于改进YOLOv3的红外目标检测方法 |
| CN113435662B (zh) * | 2021-07-14 | 2022-10-04 | 中国石油大学(华东) | 水驱油藏产量预测方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496016A (zh) * | 2011-11-22 | 2012-06-13 | 武汉大学 | 一种基于时空协同框架的红外目标检测方法 |
| CN102621533A (zh) * | 2012-04-05 | 2012-08-01 | 电子科技大学 | 一种用于船用导航雷达的弱小目标检测方法 |
| CN106682664A (zh) * | 2016-12-07 | 2017-05-17 | 华南理工大学 | 基于全卷积递归神经网络的水表圆盘区域检测方法 |
| CN106845343A (zh) * | 2016-12-15 | 2017-06-13 | 中国科学院电子学研究所苏州研究院 | 一种光学遥感图像海上平台自动检测方法 |
| CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
-
2017
- 2017-10-24 CN CN201710998395.2A patent/CN108009469B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496016A (zh) * | 2011-11-22 | 2012-06-13 | 武汉大学 | 一种基于时空协同框架的红外目标检测方法 |
| CN102621533A (zh) * | 2012-04-05 | 2012-08-01 | 电子科技大学 | 一种用于船用导航雷达的弱小目标检测方法 |
| CN106682664A (zh) * | 2016-12-07 | 2017-05-17 | 华南理工大学 | 基于全卷积递归神经网络的水表圆盘区域检测方法 |
| CN106845343A (zh) * | 2016-12-15 | 2017-06-13 | 中国科学院电子学研究所苏州研究院 | 一种光学遥感图像海上平台自动检测方法 |
| CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| Image Target Detection Using Morphological Neural Network;Cheng-tian Song etal,;《2009 International Conference on Computational Intelligence and Security》;20091211;第234-236页 * |
| Oil platform investigation by multi-temporal SAR remote sensing image;Peng Chen etal;《Proceedings of SPIE - The International Society for Optical Engineering》;20111026;第1-9页 * |
| RBF神经网络模型在遥感目标检测中的应用;赵世季;《舰船科学技术》;20150715(第5期);第203-206页 * |
| Recurrent Convolutional Neural Network for Object Recognition;Ming Liang etal;《2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20150607;第3367-3375页 * |
| 卷积神经网络与时空上下文结合的目标跟踪算法;闵召阳 等;《红外技术》;20170816;第39卷(第8期);第740-745页 * |
| 基于 Landsat 遥感影像的海上油气平台提取与监测;赵赛帅 等;《热带地理》;20170112;第 37 卷(第 1 期);第112-119页 * |
| 基于联合卷积和递归神经网络的交通标志识别;宣森炎 等;《传感器与微系统》;20140820;第 33 卷(第 8 期);第30-32页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108009469A (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009469B (zh) | 一种基于结构递归神经网络的海上油气平台检测方法 | |
| CN112818903B (zh) | 一种基于元学习和协同注意力的小样本遥感图像目标检测方法 | |
| Jiang et al. | Edge-enhanced GAN for remote sensing image superresolution | |
| CN113449680B (zh) | 一种基于知识蒸馏的多模小目标检测方法 | |
| Chen et al. | MSARN: A deep neural network based on an adaptive recalibration mechanism for multiscale and arbitrary-oriented SAR ship detection | |
| Chen et al. | A novel water body extraction neural network (WBE-NN) for optical high-resolution multispectral imagery | |
| CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
| CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
| CN115713679A (zh) | 基于多源信息融合、热红外和三维深度图的目标检测方法 | |
| Liu et al. | Survey of road extraction methods in remote sensing images based on deep learning | |
| Guo et al. | ClouDet: A dilated separable CNN-based cloud detection framework for remote sensing imagery | |
| CN115457396A (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
| Yasir et al. | ShipGeoNet: SAR image-based geometric feature extraction of ships using convolutional neural networks | |
| CN114170154A (zh) | 基于Transformer的遥感VHR图像变化检测方法 | |
| Jin et al. | MODIS green-tide detection with a squeeze and excitation oriented generative adversarial network | |
| CN116434074A (zh) | 基于邻支互补显著性和多先验稀疏表征的目标识别方法 | |
| Norelyaqine et al. | Deep learning for building extraction from high-resolution remote sensing images | |
| Liang et al. | Cross-layer triple-branch parallel fusion network for small object detection in uav images | |
| Zhang et al. | Multi-target Domain Adaptation Building Instance Extraction of Remote Sensing Imagery with Domain-common Approximation learning | |
| CN111401203A (zh) | 基于多维图像融合的目标识别方法 | |
| Yuan et al. | Buildings change detection using high-resolution remote sensing images with self-attention knowledge distillation and multiscale change-aware module | |
| Yu et al. | An efficient YOLO for ship detection in SAR images via channel shuffled reparameterized convolution blocks and dynamic head | |
| Yu et al. | An Intelligent System for Outfall Detection in UAV Images Using Lightweight Convolutional Vision Transformer Network | |
| Luo et al. | Drowning Person Target Intelligent Recognition Method Based on Fusion of Visible Light and Infrared Thermal Imaging | |
| Yang et al. | An Effective and Lightweight Hybrid Network for Object Detection in Remote Sensing Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |