CN108229550A - 一种基于多粒度级联森林网络的云图分类方法 - Google Patents
一种基于多粒度级联森林网络的云图分类方法 Download PDFInfo
- Publication number
- CN108229550A CN108229550A CN201711463054.1A CN201711463054A CN108229550A CN 108229550 A CN108229550 A CN 108229550A CN 201711463054 A CN201711463054 A CN 201711463054A CN 108229550 A CN108229550 A CN 108229550A
- Authority
- CN
- China
- Prior art keywords
- network
- forests
- cascade
- cloud
- granularity
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多粒度级联森林网络模型的云图分类方法,首先利用多粒度级联森林的多粒度层对云图进行特征表示得到高阶语义信息,然后多粒度级联森林的级联层利用特征表示的语义信息将云图分为厚云、薄云和晴空。本发明比传统卫星云图分类方法准确率更高,并且相同硬件条件下样本训练和测试时间也比大多数方法快很多。
Description
技术领域
本发明涉及了一种基于多粒度级联森林网络的云图分类方法,属于云图像处理技术领域。
背景技术
卫星云图是气象卫星最早进行的观测项目之一,在大气科学研究、自然灾害观测和天气预报中发挥着重要作用。伴随着卫星探测技术与成像技术的快速发展,卫星能在多个通道上提供不同种类的图像,卫星云图的应用越来越广泛,对卫星云图的分析也越来越重要。基于卫星图像开展的云检测、云分类并且计算云量是获取全球云量分布的主要方式。目前云检测的技术主要分为两类:阈值法和聚类分析法。阈值法是对不同通道组合的亮温、亮度差、反射率与所设置的阈值进行对比来分析像元。阈值法相对成熟且方法易于实现,主要有ISCCP方法、CLAVR方法等。ISCCP算法假设观测辐射值仅来自于云和晴空两者之一,像元观测辐射值与晴空的辐射值相比对,若两者之间的差值大于晴空辐射本身的最大变化幅度时候,判定该像元是云。CLAVR算法是以2X2矩阵块作为检测单位,四个像素都没通过云检测时候,判定矩阵无云,全都通过检测时判为有云,否则认为是混合型。对于混合型矩阵,如果有云及晴空共同存在的矩阵满足其他如冰/雪等晴空判决条件,该矩阵重新被判为晴空。由于卫星图像非常复杂多变,很难找出一种通用的阈值标准,因此检测精度并不是很理想。
聚类方法主要有直方图聚类、自适应阈值聚类、动态阈值聚类、动态聚类等。其中的APOLLO法是阈值法与聚类分析法相结合的方法。由于云图特征很复杂,云层类别通常是由多个特征来确定。在研究了以上的方法发现,现有的研究着重点在于云图的个别特征提取上,而云图的各种有效信息并没有有效利用,因此以上方法得到的云检测准确率不高。云检测是后续的气象研究工作和应用的基础,因此必须先取得较好的云检测结果。
另外云检测分类中基于特征的研究主要有模糊策略,K近邻,支持向量机,极限学习机和神经网络。其中极限学习机由于所需的训练时间短、准确率较高,神经网络分类器的识别精度普遍高于其它分类器,但是由于这些方法的云图特征利用率不高,从而导致了检测精度不是很可靠。而这几年深度学习的快速发展和应用,让研究者发现网络增加适当的深度往往能取得很好的效果。由随机森林发展而来多粒度级联森林网络具有很好的泛化性能,在获得高准确率同时所需的时间比深度神经网络要少很多。多粒度级联森林网络采用多粒度层进行云图特征表示,用级联层进行有监督学习并预测结果。
发明内容
本发明的目的是克服上述背景技术的不足,提供一种基于多粒度级联森林网络的云图分类方法,克服了传统神经网络对云图特征利用率不够的缺陷。为了实现上述技术目的,本发明的技术方案为:
一种基于多粒度级联网络的云图分类方法,包括如下步骤:
步骤一、多粒度级联森林网络模型结构的训练:设定网络模型的多粒度扫描层为三种不同粒度尺寸,每种粒度层包含两个森林;网络模型的级联层为L个完全随机森林和L个随机森林,利用已标注的样本(Xi,Yi),对该网络模型进行学习,使用多粒度扫描层进行特征表示,级联层进行有监督学习并输出云类别,得到训练后的网络参数,其中,Xi为一个N×N的图像块,Yi表示Xi对应的云的分类,N满足20≤N≤40,i代表第i个样本,i=1,2,3,...,p,p为样本总数;
步骤二、卫星云图分类:将卫星图像分成每个像素大小为N×N的小块,作为输入数据输入多粒度级联森林网络,得到整个网络的特征向量输出,最后,在特征向量的类别概率中取最大的类别概率判定云的种类。
所述的多粒度级联森林网络模型包括:
多粒度扫描层特征表示部分,用多粒度扫描层来增强数据的特征表示;
多粒度级联森林网络模型的级联层有监督学习部分,是将多粒度层提取的特征向量作为输入,级联层的每个森林输出和原输入数据聚合,再做为下一层的输入,若在增加新的级联后,验证集上估计级联的性能没有显著增加,则训练过程终止;基于多粒度级联理论进行特征分类学习,得到训练后的网络参数。
步骤一的多粒度级联森林网络采用三种粒度扫描窗口([W1×W1×3];[W2×W2×3];[W3×W3×3]),每一种粒度窗口对已标注的样本(Xi,Yi)进行特征提取,用Wi×Wi尺寸的粒子窗口在N×N大小的图片上以步长为1滑动,从相同大小的窗口提取的特征将用于训练完全随机树森林和随机森林,每个森林生成(N-Wi+1)2个三维特征向量,则最后得到2×(N-Wi+1)2×3维特征向量作为多粒度级联森林网络中级联层的输入。
级联层网络对特征向量进行学习并进行云图分类具体步骤如下:
步骤a、级联中的每一级接收到由前一级处理的特征信息,并将该级的处理结果输出给下一级,级联的每个级别包括L个随机森林和L个完全随机森林;
步骤b、每个完全随机森林包含M个完全随机树,通过随机选择一个特征在树的每个节点进行分割实现生成,树一直生长,直到每个叶节点只包含相同类的实例或不超过10个实例;
步骤c、每个随机森林也包含M棵树,通过随机选择数量的特征作为候选,然后选择具有最佳Gini值的特征作为分割,d为输入特征的数量;
步骤d、每个森林输出3维的类别概率向量,共2×L个森林输出的2×L×3维向量要和原输入特征向量融合,再做为下一层的输入,若在增加新的级联后,验证集上估计级联的性能没有显著增加,则训练过程终止;
步骤e、经过多个级联森林,输出最终的类别概率向量。对得到2×L个森林输出的类别概率向量求取均值;最后,在类别概率向量中取最大的类别概率为预测结果。
所述步骤c中Gini指数具体算法如下:
其中fi代表类别i出现的频率,如果集合f分成m部分N1,N2,...,Nm,那么这个分裂的Gini系数可由下式计算:
对于所有的属性都遍历所有可能的分裂方式,然后选择具有最小Gini指数的分裂作为分裂标准进行分裂。
所述多粒度级联森林网络输出的云的分类结果包括三种:晴空、薄云和厚云。
所述多粒度级联森林网络输出云分类的输出样本设定为对应的三维向量。
多粒度级联森林分类结果是通过类别概率向量来确定,通过对概率最大的值判定来确定是哪种云,并利用厚云和薄云概率值通过相减来确定重叠部分,其中厚云和薄云的重叠部分,可以通过以下公式计算出:
|Sh-Sb|<0.12
式子中,Sh是代表检测后厚云的概率值,Sb代表检测后薄云的概率值。
本发明的有益效果为:
本发明通过多粒度级联森林网络模型的多粒度扫描层进行特征提取保证了网络具有良好的泛化性能,充分提取了云图中的云特征,使得网络模型取得的云图分类结果更加精确。
本发明利用多粒度扫描来增强数据的特征表示,并利用级联网络中不同类型的森林来确保特征的多样性。本发明不需要反向误差迭代训练,在准确率提高的前提下,在同等硬件条件下样本的训练测试速度和样本分类速度都取得了很大的提高。
附图说明
图1是本发明的流程图。
图2是本发明中用多粒度级联网络进行云图处理的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本申请作进一步详细的说明。
如图1所示,本实例的基于多粒度级联森林网络模型的卫星云图分类方法,包括以下步骤:
步骤一、多粒度级联森林网络模型结构的训练:设定网络模型的多粒度扫描层为三种不同粒度尺寸,每种粒度层包含两个森林;对已标注的样本(Xi,Yi)进行特征表示;其中,Xi为一个N×N(N满足20≤N≤40,N为正整数)的图像块,Yi表示Xi对应的云的分类,分为厚云、薄云及晴空三种,(i代表第i个样本,i=1,2,3,...,p,p为样本总数);网络模型的级联层为L个完全随机森林和L个随机森林,对该网络模型进行学习,级联层输出云类别,得到训练后的网络参数。多粒度扫描层特征表示部分,与卷积神经网络对图像数据和递归神经网络对序列数据处理的方法类似,多粒度级联森林(GcForest)用多粒度扫描来增强数据的特征表示;GcForest模型级联层有监督学习部分,是将多粒度层提取的特征向量作为输入,级联层的每个森林输出和原输入数据聚合,再做为下一层的输入,若在增加新的级联后,验证集上估计级联的性能没有显著增加,则训练过程终止;基于多粒度级联森林模型理论进行特征分类学习,得到训练后的网络参数。
多粒度层特征提取部分采用三种粒度扫描窗口([W1×W1×3];[W2×W2×3];[W3×W3×3]),每一种粒度窗口对卫星图像样本X进行特征提取,用Wi×Wi尺寸的粒子窗口在N×N大小的云图样本上以步长为1滑动,从相同大小的窗口提取的特征将用于训练完全随机森林和随机森林,由于类别为3类(晴空、薄云和厚云),每个森林生成(N-Wi+1)2个三维特征向量,则最后得到2×(N-Wi+1)2×3维特征向量作为多粒度级联森林网络中级联层的输入。
GcForest模型级联层有监督学习部分,是将多粒度层提取的特征向量作为输入,每一级接收到由前一级处理的特征信息,并将该级的处理结果输出给下一级,本发明采用不同类型的森林来确保特征表示的多样性,级联的每个级别包括L个随机森林和L个完全随机森林。每个完全随机的树森林包含M个完全随机树,通过随机选择一个特征在树的每个节点进行分割实现生长,直到每个叶节点只包含相同类的实例或不超过10个实例。类似地,每个随机森林也包含M棵树,通过随机选择数量的特征作为候选,d为输入特征的数量,然后选择具有最佳Gini值的特征作为分割。每个森林输出3维的类概率向量,2×L个森林输出的2×L×3维向量要和原输入特征向量融合,再做为下一层的输入,若在增加新的级联后,验证集上估计级联的性能没有显著增加,则训练过程终止。经过多个级联森林,输出最终的类别概率向量。对得到2×L个森林输出的类别概率向量求取均值;最后,在类别概率向量中取最大的类别概率为预测结果;基于多粒度级联理论进行特征分类学习,得到训练后的网络参数。
步骤二、将卫星图像分成每个像素大小为N×N的小块,作为多粒度级联森林网络的输入数据,并得到整个网络的特征向量输出,最后,在类别概率向量中取最大的类别概率判定为云的种类。
本发明根据输出的最大值判定云的种类。本实施例中网络模型输出的输出样本设定为对应的三维向量。
本实施例的云图分类方法利用多粒度级联森林对卫星云图进行检测,该方法相对于传统阈值法、卷积神经网络以及深度极限学习机网络所取得的结果准确率更高,并且相同硬件条件下样本训练和测试时间也比大多数方法快很多更适合后续的气象研究工作和应用。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.一种基于多粒度级联森林网络的云图分类方法,其特征在于包括如下步骤:
步骤一、多粒度级联森林网络模型结构的训练:设定网络模型的多粒度扫描层为三种不同粒度尺寸,每种粒度层包含两个森林;网络模型的级联层为L个完全随机森林和L个随机森林,利用已标注的样本(Xi,Yi),对该网络模型进行学习,使用多粒度扫描层进行特征表示,级联层进行有监督学习并输出云类别,得到训练后的网络参数,其中,Xi为一个N×N的图像块,Yi表示Xi对应的云的分类,N满足20≤N≤40,i代表第i个样本,i=1,2,3,...,p,p为样本总数;
步骤二、卫星云图分类:将卫星图像分成每个像素大小为N×N的小块,作为输入数据输入多粒度级联森林网络,得到整个网络的特征向量输出,最后,在特征向量的类别概率中取最大的类别概率判定云的种类。
2.根据权利要求1所述一种基于多粒度级联森林网络的云图分类方法,其特征在于:所述的多粒度级联森林网络模型包括:
多粒度扫描层特征表示部分,用多粒度扫描层来增强数据的特征表示;
多粒度级联森林网络模型的级联层有监督学习部分,是将多粒度层提取的特征向量作为输入,级联层的每个森林输出和原输入数据聚合,再做为下一层的输入,若在增加新的级联后,验证集上估计级联的性能没有显著增加,则训练过程终止;基于多粒度级联理论进行特征分类学习,得到训练后的网络参数。
3.根据权利要求2所述一种基于多粒度级联森林网络的云图分类方法,其特征在于:步骤一的多粒度级联森林网络采用三种粒度扫描窗口([W1×W1×3];[W2×W2×3];[W3×W3×3]),每一种粒度窗口对已标注的样本(Xi,Yi)进行特征提取,用Wi×Wi尺寸的粒子窗口在N×N大小的图片上以步长为1滑动,从相同大小的窗口提取的特征将用于训练完全随机树森林和随机森林,每个森林生成(N-Wi+1)2个三维特征向量,则最后得到2×(N-Wi+1)2×3维特征向量作为多粒度级联森林网络中级联层的输入。
4.根据权利要求3所述的基于多粒度级联网络的云图分类方法,其特征在于:级联层网络对特征向量进行学习并进行云图分类具体步骤如下:
步骤a、级联中的每一级接收到由前一级处理的特征信息,并将该级的处理结果输出给下一级,级联的每个级别包括L个随机森林和L个完全随机森林;
步骤b、每个完全随机森林包含M个完全随机树,通过随机选择一个特征在树的每个节点进行分割实现生成,树一直生长,直到每个叶节点只包含相同类的实例或不超过10个实例;
步骤c、每个随机森林也包含M棵树,通过随机选择数量的特征作为候选,然后选择具有最佳Gini值的特征作为分割,d为输入特征的数量;
步骤d、每个森林输出3维的类别概率向量,共2×L个森林输出的2×L×3维向量要和原输入特征向量融合,再做为下一层的输入,若在增加新的级联后,验证集上估计级联的性能没有显著增加,则训练过程终止;
步骤e、经过多个级联森林,输出最终的类别概率向量,对得到2×L个森林输出的类别概率向量求取均值;最后,在类别概率向量中取最大的类别概率为预测结果。
5.根据权利要求4所述一种基于多粒度级联森林网络的云图分类方法,其特征在于:所述步骤c中Gini指数具体算法如下:
其中fi代表类别i出现的频率,如果集合f分成m部分N1,N2,...,Nm,那么这个分裂的Gini系数可由下式计算:
对于所有的属性都遍历所有可能的分裂方式,然后选择具有最小Gini指数的分裂作为分裂标准进行分裂。
6.根据权利要求1所述一种基于多粒度级联网络的云图分类方法,其特征在于:所述多粒度级联森林网络输出的云的分类结果包括三种:晴空、薄云和厚云。
7.根据权利要求1所述一种基于多粒度级联网络的云图分类方法,其特征在于:所述多粒度级联森林网络输出云分类的输出样本设定为对应的三维向量。
8.根据权利要求1所述一种基于多粒度级联网络的云图分类方法,其特征在于:多粒度级联森林分类结果是通过类别概率向量来确定,通过对概率最大的值判定来确定是哪种云,并利用厚云和薄云概率值通过相减来确定重叠部分,其中厚云和薄云的重叠部分,可以通过以下公式计算出:
|Sh-Sb|<0.12
式子中,Sh是代表检测后厚云的概率值,Sb代表检测后薄云的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463054.1A CN108229550B (zh) | 2017-12-28 | 2017-12-28 | 一种基于多粒度级联森林网络的云图分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463054.1A CN108229550B (zh) | 2017-12-28 | 2017-12-28 | 一种基于多粒度级联森林网络的云图分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229550A true CN108229550A (zh) | 2018-06-29 |
CN108229550B CN108229550B (zh) | 2022-02-18 |
Family
ID=62646660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711463054.1A Active CN108229550B (zh) | 2017-12-28 | 2017-12-28 | 一种基于多粒度级联森林网络的云图分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229550B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN109190711A (zh) * | 2018-09-18 | 2019-01-11 | 西南大学 | 一种基于深度森林模型的伤口感染电子鼻检测系统 |
CN109858477A (zh) * | 2019-02-01 | 2019-06-07 | 厦门大学 | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 |
CN110070133A (zh) * | 2019-04-24 | 2019-07-30 | 北京工业大学 | 一种基于深度森林的脑功能网络分类方法 |
CN110490114A (zh) * | 2019-08-13 | 2019-11-22 | 西北工业大学 | 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 |
CN111104339A (zh) * | 2019-12-31 | 2020-05-05 | 上海艺赛旗软件股份有限公司 | 基于多粒度学习的软件界面元素检测方法、系统、计算机设备和存储介质 |
CN111951284A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN112348058A (zh) * | 2020-10-20 | 2021-02-09 | 华东交通大学 | 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质 |
CN112489060A (zh) * | 2020-12-07 | 2021-03-12 | 北京医准智能科技有限公司 | 一种用于肺炎病灶分割的系统及方法 |
CN112507039A (zh) * | 2020-12-15 | 2021-03-16 | 苏州元启创人工智能科技有限公司 | 基于外部知识嵌入的文本理解方法 |
CN113159041A (zh) * | 2021-03-15 | 2021-07-23 | 成都信息工程大学 | 一种基于深度学习的急流线提取和识别方法 |
CN113689412A (zh) * | 2021-08-27 | 2021-11-23 | 中国人民解放军总医院第六医学中心 | 甲状腺图像处理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN105574551A (zh) * | 2016-02-18 | 2016-05-11 | 天津师范大学 | 一种基于组群模式的地基云图自动分类算法 |
CN106228197A (zh) * | 2016-08-15 | 2016-12-14 | 南京信息工程大学 | 一种基于自适应极限学习机的卫星图像云量识别方法 |
-
2017
- 2017-12-28 CN CN201711463054.1A patent/CN108229550B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN105574551A (zh) * | 2016-02-18 | 2016-05-11 | 天津师范大学 | 一种基于组群模式的地基云图自动分类算法 |
CN106228197A (zh) * | 2016-08-15 | 2016-12-14 | 南京信息工程大学 | 一种基于自适应极限学习机的卫星图像云量识别方法 |
Non-Patent Citations (1)
Title |
---|
张振华等: "一种人工神经网络云分类方法的改进与应用", 《应用气象学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102032A (zh) * | 2018-09-03 | 2018-12-28 | 中国水利水电科学研究院 | 一种基于深度森林和自编码的泵站机组诊断方法 |
CN109190711A (zh) * | 2018-09-18 | 2019-01-11 | 西南大学 | 一种基于深度森林模型的伤口感染电子鼻检测系统 |
CN109858477A (zh) * | 2019-02-01 | 2019-06-07 | 厦门大学 | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 |
CN110070133A (zh) * | 2019-04-24 | 2019-07-30 | 北京工业大学 | 一种基于深度森林的脑功能网络分类方法 |
CN110490114A (zh) * | 2019-08-13 | 2019-11-22 | 西北工业大学 | 一种基于深度随机森林和激光雷达的无人机实时空中目标检测避障方法 |
CN111104339B (zh) * | 2019-12-31 | 2023-06-16 | 上海艺赛旗软件股份有限公司 | 基于多粒度学习的软件界面元素检测方法、系统、计算机设备和存储介质 |
CN111104339A (zh) * | 2019-12-31 | 2020-05-05 | 上海艺赛旗软件股份有限公司 | 基于多粒度学习的软件界面元素检测方法、系统、计算机设备和存储介质 |
CN111951284A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN111951284B (zh) * | 2020-08-12 | 2022-04-22 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN112348058A (zh) * | 2020-10-20 | 2021-02-09 | 华东交通大学 | 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质 |
CN112489060A (zh) * | 2020-12-07 | 2021-03-12 | 北京医准智能科技有限公司 | 一种用于肺炎病灶分割的系统及方法 |
CN112507039A (zh) * | 2020-12-15 | 2021-03-16 | 苏州元启创人工智能科技有限公司 | 基于外部知识嵌入的文本理解方法 |
CN113159041A (zh) * | 2021-03-15 | 2021-07-23 | 成都信息工程大学 | 一种基于深度学习的急流线提取和识别方法 |
CN113689412A (zh) * | 2021-08-27 | 2021-11-23 | 中国人民解放军总医院第六医学中心 | 甲状腺图像处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108229550B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229550A (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
KR102280414B1 (ko) | 고 정밀도로 이미지를 분석하기 위한 딥 러닝 네트워크를 사용하기 위해 트레이닝 이미지를 오토 라벨링하는 오토 라벨링 장치의 하이퍼파라미터를 최적화하는 방법 및 이를 이용한 최적화 장치 | |
CN112101430B (zh) | 用于图像目标检测处理的锚框生成方法及轻量级目标检测方法 | |
KR102328734B1 (ko) | 이미지를 분석하기 위해, 딥러닝 네트워크에 이용하기 위한 트레이닝 이미지에 대한 라벨링 신뢰도를 자동으로 평가하기 위한 방법 및 이를 이용한 신뢰도 평가 장치 | |
CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
CN108764138B (zh) | 一种基于多维多粒度级联森林的高原地区云雪分类方法 | |
CN108647602B (zh) | 一种基于图像复杂度判定的航空遥感图像场景分类方法 | |
CN103440505B (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN103473786B (zh) | 基于多目标模糊聚类的灰度图像分割方法 | |
CN111310756B (zh) | 一种基于深度学习的损伤玉米颗粒检测和分类方法 | |
CN109784283A (zh) | 基于场景识别任务下的遥感图像目标提取方法 | |
CN111914728B (zh) | 高光谱遥感影像半监督分类方法、装置及存储介质 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN103489005A (zh) | 一种基于多分类器融合的高分辨率遥感影像分类方法 | |
CN108416347A (zh) | 基于边界先验和迭代优化的显著目标检测算法 | |
CN108154158A (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN110020669A (zh) | 一种车牌分类方法、系统、终端设备及计算机程序 | |
CN111539422A (zh) | 基于Faster RCNN的飞行目标协同识别方法 | |
CN112766170A (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN107766792A (zh) | 一种遥感图像舰船目标识别方法 | |
CN114187183A (zh) | 一种细粒度昆虫图像分类方法 | |
Yang et al. | Automatically adjustable multi-scale feature extraction framework for hyperspectral image classification | |
CN110097117A (zh) | 基于线性判别分析与多元自适应样条的数据分类方法 |
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 |