CN108537192B - 一种基于全卷积网络的遥感影像地表覆盖分类方法 - Google Patents
一种基于全卷积网络的遥感影像地表覆盖分类方法 Download PDFInfo
- Publication number
- CN108537192B CN108537192B CN201810342795.2A CN201810342795A CN108537192B CN 108537192 B CN108537192 B CN 108537192B CN 201810342795 A CN201810342795 A CN 201810342795A CN 108537192 B CN108537192 B CN 108537192B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- network
- sensing image
- surface coverage
- earth surface
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06F18/25—Fusion techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U‑NetBN，建立遥感影像地表覆盖分类模型；步骤S3：通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；步骤S4：利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。该方法综合考虑了FCN和U‑Net两种不同结构的全卷积网络的特点，有利于提高遥感影像地表覆盖分类的性能。
Description
技术领域
本发明涉及图像处理及计算机视觉领域，特别是一种基于全卷积网络的遥感影像地表覆盖分类方法。
背景技术
随着卫星遥感图像和航空遥感图像分辨率的不断提高，人们可以从遥感图像中获得更多有用的数据和信息。遥感影像的地表覆盖分类是遥感研究领域的重要内容，在国土、国防、测绘、农业、城市、防灾减灾等各个领域都有很强的应用价值，因此提高遥感影像地表覆盖分类的精度具有非常重要的意义。最先出现的遥感影像地表分类方式是图像目视解译技术，即通过人工方式对影像进行标注，虽然精度较高，需要花费大量时间且灵活性差。随着机器学习技术的发展，基于遥感影像的数字图像分析技术也得到了一定程度的发展。Lefei Zhang等人引入了块对其框架，以最佳方式线性组合光谱、纹理和形状特征等多种特征,考虑每个特征的特定统计特性以实现物理意义上的多特征的低维统一表示，进而有效的对遥感图像进行分类。佃袁勇等人采用SVM分类模型将傅里叶谱分解算法与光谱信息结合并成功应用到像素级别的高分辨率遥感影像的地表覆盖分类中，对针对以农、林为主体的高分辨率遥感影像的分类问题有很大的实用价值。
目前，关于像素级别的遥感影像地表覆盖分类的相关研究还很少，传统的基于机器学习的分类方法，为了对一个像素分类，需要使用该像素周围的一个图像的信息块作为输入用于训练和预测，相邻的像素块基本上是重复的，针对每个像素块逐个计算也有很大程度上的重复，存储开销很大、计算效率低下，需要找到一种更准确、高效的像素级别的遥感卫星地表覆盖分类方法以满足现有的应用的需求。近年来，深度学习在图像分类、目标检测和图像语义分割等领域取得了一系列突破性的进展，相比于传统的机器学习方法具有更强的特征学习和特征表达能力。随着全卷积网络的提出，将图像级别的分类进一步延伸到像素级别的分类，高效的解决了语义级别的图像分割问题。
发明内容
本发明的目的在于提供一种基于全卷积网络的遥感影像地表覆盖分类方法，该方法有利于提高遥感影像地表覆盖分类的性能。
为实现上述目的，本发明采用的技术方案是：一种基于全卷积网络的遥感影像地表覆盖分类方法，包括以下步骤：
步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；
步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；
步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；
步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。
进一步地，所述步骤S1中，首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的镜像图像来进一步增强数据，进而得到在数据数量和质量上满足模型训练要求的数据集。
进一步地，所述步骤S2中，按如下步骤建立所述遥感影像地表覆盖分类模型：
步骤S21：在FCN8s网络的基础上，加入第2层卷积层的输出，以融合更浅层的特征，建立FCN4s网络；
步骤S22：在U型全卷积网络U-Net基础上，在每个卷积层和ReLU层中间增加一个BN层，建立U-NetBN网络；
步骤S23：利用步骤S1得到的训练集，分别训练FCN4s与U-NetBN两个网络，然后通过对FCN4s和U-NetBN两个网络预测概率的加权平均进行模型融合，得到遥感影像地表覆盖分类模型；遥感影像地表覆盖分类模型预测(p,q)位置的像素点为类别c的概率为
计算公式为：
其中，x表示输入图像，c是类别标记，C表示总类别数，
表示FCN4s网络在权重ωFCN4s时预测(p,q)位置的像素点为类别c的概率，
表示U-NetBN网络在权重ωU-NetBN时预测(p,q)位置的像素点为类别c的概率，β1和β2分别表示FCN4s网络和U-NetBN网络预测概率在遥感影像地表覆盖分类模型中所占的比重。
进一步地，所述步骤S3中，利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，包括以下步骤：
步骤S31：在训练阶段，使用交叉熵作为FCN4s网络和U-NetBN网络的损失函数，计算公式分别为：
其中，
表示在(p,q)位置的像素点是类别c的概率；
步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10-10，每隔两个完整训练批次下降到原来的0.7倍；ReLU6和ReLU7层后面的Dropout层的随机失活概率都设为0.5；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10-4，每隔三个完整训练批次下降到原来的0.3倍；
步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10-10，每隔两个完整训练批次下降到原来的0.7倍；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10-4，每隔三个完整训练批次下降到原来的0.3倍；采用步骤S1得到的训练集分别对FCN4s网络和U-NetBN网络进行训练，最后得到FCN4s网络和U-NetBN网络的最优参数。
进一步地，所述步骤S4中，利用训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测，包括以下步骤：
步骤S41：将待预测图像输入到步骤S3训练好的遥感影像地表覆盖分类模型进行预测，待预测图像在(p,q)位置的预测概率最大的类别为该位置的最终预测类别，计算公式如下：
其中，P(p,q)表示待预测图像在(p,q)位置的最大预测概率对应的类别为最终预测类别。
相较于现有技术，本发明的有益效果是：该方法综合考虑了FCN和U-Net两种不同结构的全卷积网络的特点，对FCN和U-Net网络进行改进，并结合两个网络的优点构建融合模型，以适用于遥感影像地表覆盖分类问题，从而显著提高了遥感影像地表覆盖分类的性能。该方法借助于卷积神经网络强大的特征学习能力，适用于数据分布不均衡、多种地表类型等复杂的地表覆盖分类问题，算法计算得到的分类效果接近人工标注的水平，具有很强的实用性和广阔的应用前景。
附图说明
图1是本发明方法的实现流程图。
图2是本发明实施例中改进的FCN4s网络的结构图。
图3是本发明实施例中改进的U-NetBN网络的结构图。
图4是本发明实施例中遥感影像地表覆盖分类模型的结构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明提供一种基于全卷积网络的遥感影像地表覆盖分类方法，如图1所示，包括以下步骤：
步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集。
用于训练的遥感影像数据集一般是通过目视解译并人为手动勾画的方式得到的，需要耗费较大的人力，因此有必要使用一定的数据增强的方式进行增强。首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的上下镜像和左右镜像图像来进一步增强数据。通过图像拉伸、图像缩放、有重叠的划分和生成镜像图等数据增强手段，从数量有限的数据集生成数据数量较大、质量较好的训练数据集合，以满足训练深度的卷积神经网络CNN所需要较大的数据量，增强模型的泛化能力和分类效果，得到在数据数量和质量上满足模型训练要求的数据集。
步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型。具体包括以下步骤：
步骤S21：建立改进的全卷积网络FCN4s。全卷积网络FCN将VGG-16中的3个全连接层转化成卷积层，卷积核的大小(通道数，宽，高)分别为(4096,7,7)、(4096,1,1)、(C,1,1),其中C表示类别数量。对于包含建筑、道路、水体和其他四个类别的遥感影像地表覆盖分类问题，C的取值为4。可以发现，经过多次卷积和池化以后，得到的图像越来越小，分辨率越来越低(粗略的图像)，最后通过反卷积(Deconvolution)实现上采样将分辨率低的粗略图像恢复到原图的分辨率。经过5层的卷积和池化操作以后，图像的分辨率依次缩小了2，4，8，16，32倍。对于最后一层的输出图像，需要进行32倍的上采样以得到原图一样的大小，但是通过32倍上采样得到的结果还是不够精确，一些细节无法恢复。Jonathan提出的FCN8s结构，加入了第4层的输出和第3层的输出，分别需要16倍和8倍上采样以恢复到原图大小。
本发明通过对FCN8s网络结构进行细微调整得到FCN4s网络以改善图像细节丢失的问题。如图2所示，本发明在FCN8s的基础上，加入第2层卷积层的输出，以融合更浅层的特征，建立FCN4s网络。第二层是较浅的卷积层，其感知域较小，加入该层能学习到更多的局部区域的特征，只需4倍的上采样即可恢复到原图大小，能有效改善细节信息丢失的情况，增强遥感影像地表覆盖分类的准确性。
步骤S22：建立改进的U型全卷积网络U-NetBN。如图3所示，U-Net的左半部分是一个典型的卷积神经网络结构，它由5层的卷积和池化结构组成。首先，每一层结构重复使用了两个步长为1的3x3卷积层，将卷积过程改为有填充的方式进行，使得每一层的输出和输入大小一致。为了使得每一层数据都有稳定的分布，有利于网络的训练和准确率的提升，本发明在U型全卷积网络U-Net基础上，在每个卷积层和ReLU层中间增加一个BN层(BatchNormalization)；最后，接一个步长为2的2x2最大池化层进行下采样。U-Net的右半部分包含四层类似结构，每一层先将高层中反卷积得到的特征图和低层的特征图连接，然后输入两个步长为1的3x3卷积层，与左半部分类似，本发明的U-NetBN网络在每个卷积层和ReLU层中间增加一个BN层。从而得到U-NetBN网络。
因为遥感影像地表覆盖分类并不需要理解很复杂的物体概念，减少特征通道数不仅能防止因网络学习能力太强而引起过拟合，还能显著减少网络训练所需计算量、加快收敛速度，因此，U-NetBN网络中把原始的U-Net各个层的特征通道数由(64，128，256，512，1024)改为(32，64，128，256，512)。
步骤S23：FCN4s网络对于面积占比大的类别的分类准确率很高，但是网络对一些细节信息的学习分类能力还是不够强大，比如一些细长的区域的分类效果就不太好。U-NetBN的网络结构非常适合学习一些细节的信息，对面积占比小的细长区域的识别能力强，能识别出细长的道路和建筑，但是因为预测太精细，在一些大面积区域周围会预测出很多小的分类错的噪点，降低了分类精度。本发明利用步骤S1得到的训练集，分别训练FCN4s与U-NetBN两个网络，然后通过对FCN4s和U-NetBN两个网络预测概率的加权平均进行模型融合，得到遥感影像地表覆盖分类模型。得到的模型能结合两个网络的各自的优点，显著提高了遥感影像地表覆盖分类的性能。
遥感影像地表覆盖分类模型预测(p,q)位置的像素点为类别c的概率为
计算公式为：
其中，x表示输入图像，c是类别标记，C表示总类别数，
表示FCN4s网络在权重ωFCN4s时预测(p,q)位置的像素点为类别c的概率，
表示U-NetBN网络在权重ωU-NetBN时预测(p,q)位置的像素点为类别c的概率，β1和β2分别表示FCN4s网络和U-NetBN网络预测概率在遥感影像地表覆盖分类模型中所占的比重。
步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型。具体包括以下步骤：
步骤S31：在训练阶段，使用交叉熵作为FCN4s网络和U-NetBN网络的损失函数，计算公式分别为：
其中，
表示在(p,q)位置的像素点是类别c的概率。
步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10-10，每隔两个完整训练批次下降到原来的0.7倍；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10-4，每隔三个完整训练批次下降到原来的0.3倍；采用步骤S1得到的训练集分别对FCN4s网络和U-NetBN网络进行训练，最后得到FCN4s网络和U-NetBN网络的最优参数。
步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测。具体方法为：
如图4所示，将待预测图像在(p,q)位置的预测概率最大的类别为该位置的最终预测类别，计算公式如下：
其中，P(p,q)表示待预测图像在(p,q)位置的最大预测概率对应的类别为最终预测类别。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (4)
1.一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，包括以下步骤：
步骤S1：对数据数量有限的数据集进行数据增强，生成数据数量和质量达到训练要求的训练集；
步骤S2：融合改进的全卷积网络FCN4s与改进的U型全卷积网络U-NetBN，建立遥感影像地表覆盖分类模型；
步骤S3：利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，得到训练好的遥感影像地表覆盖分类模型；
步骤S4：利用步骤S3训练好的遥感影像地表覆盖分类模型对待预测的遥感影像进行像素级别的分类预测；
所述步骤S2中，按如下步骤建立所述遥感影像地表覆盖分类模型：
步骤S21：在FCN8s网络的基础上，加入第2层卷积层的输出，以融合更浅层的特征，建立FCN4s网络；
步骤S22：在U型全卷积网络U-Net基础上，在每个卷积层和ReLU层中间增加一个BN层，建立U-NetBN网络；
步骤S23：利用步骤S1得到的训练集，分别训练FCN4s与U-NetBN两个网络，然后通过对FCN4s和U-NetBN两个网络预测概率的加权平均进行模型融合，得到遥感影像地表覆盖分类模型；遥感影像地表覆盖分类模型预测(p,q)位置的像素点为类别c的概率为
计算公式为：
其中，x表示输入图像，c是类别标记，C表示总类别数，
表示FCN4s网络在权重ωFCN4s时预测(p,q)位置的像素点为类别c的概率，
表示U-NetBN网络在权重ωU-NetBN时预测(p,q)位置的像素点为类别c的概率，β1和β2分别表示FCN4s网络和U-NetBN网络预测概率在遥感影像地表覆盖分类模型中所占的比重。
2.根据权利要求1所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S1中，首先，对数据集中遥感图像进行多种不同尺度的拉伸和缩放，以增加数据的多样性；然后，将数据集中单张大图的遥感图像有重叠的划分为相同尺寸大小的图块，且每个图块生成对应的镜像图像来进一步增强数据，进而得到在数据数量和质量上满足模型训练要求的数据集。
3.根据权利要求1所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S3中，利用步骤S1生成的训练集和步骤S2建立的模型，通过随机梯度下降来最小化交叉熵损失，学习模型的最优参数，包括以下步骤：
步骤S31：在训练阶段，使用交叉熵作为FCN4s网络和U-NetBN网络的损失函数，计算公式分别为：
其中，
表示在(p,q)位置的像素点是类别c的概率；
步骤S32：FCN4s网络使用动量为0.95的随机梯度下降优化方法，初始学习率设为1×10-10，每隔两个完整训练批次下降到原来的0.7倍；ReLU6和ReLU7层后面的Dropout层的随机失活概率都设为0.5；U-NetBN网络使用动量为0.9的随机梯度下降优化方法，初始学习率设为1×10-4，每隔三个完整训练批次下降到原来的0.3倍；采用步骤S1得到的训练集分别对FCN4s网络和U-NetBN网络进行训练，最后得到FCN4s网络和U-NetBN网络的最优参数。
4.根据权利要求3所述的一种基于全卷积网络的遥感影像地表覆盖分类方法，其特征在于，所述步骤S4中，将待预测图像输入到步骤S3训练好的遥感影像地表覆盖分类模型进行预测，待预测图像在(p,q)位置的预测概率最大的类别为该位置的最终预测类别，计算公式如下：
其中，P(p,q)表示待预测图像在(p,q)位置的最大预测概率对应的类别为最终预测类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810342795.2A CN108537192B (zh) | 2018-04-17 | 2018-04-17 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810342795.2A CN108537192B (zh) | 2018-04-17 | 2018-04-17 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537192A CN108537192A (zh) | 2018-09-14 |
| CN108537192B true CN108537192B (zh) | 2021-11-30 |
Family
ID=63481233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810342795.2A Expired - Fee Related CN108537192B (zh) | 2018-04-17 | 2018-04-17 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537192B (zh) |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389051A (zh) * | 2018-09-20 | 2019-02-26 | 华南农业大学 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
| CN109446992B (zh) * | 2018-10-30 | 2022-06-17 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
| CN111260564A (zh) * | 2018-11-30 | 2020-06-09 | 北京市商汤科技开发有限公司 | 一种图像处理方法和装置及计算机存储介质 |
| CN109977921B (zh) * | 2019-04-11 | 2022-02-11 | 广东电网有限责任公司 | 一种输电线路隐患检测方法 |
| CN110096994B (zh) * | 2019-04-28 | 2021-07-23 | 西安电子科技大学 | 一种基于模糊标签语义先验的小样本PolSAR图像分类方法 |
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110334719B (zh) * | 2019-07-11 | 2020-07-28 | 兰州交通大学 | 一种提取遥感影像中建筑物图像的方法及系统 |
| CN112232102B (zh) * | 2019-07-15 | 2024-09-20 | 中国司法大数据研究院有限公司 | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统 |
| CN112507764A (zh) * | 2019-09-16 | 2021-03-16 | 中科星图股份有限公司 | 一种遥感影像的目标物提取方法、系统和可读存储介质 |
| CN110717420A (zh) * | 2019-09-25 | 2020-01-21 | 中国科学院深圳先进技术研究院 | 一种基于遥感图像的耕地提取方法、系统及电子设备 |
| CN110879992A (zh) * | 2019-11-27 | 2020-03-13 | 内蒙古工业大学 | 基于迁移学习的草原地表覆盖物分类方法和系统 |
| CN113515969B (zh) * | 2020-04-09 | 2023-04-07 | 广西壮族自治区自然资源信息中心 | 基于卷积神经网络的多时态遥感影像地表覆盖分类方法 |
| CN111611960B (zh) * | 2020-05-29 | 2022-06-28 | 长光卫星技术股份有限公司 | 一种基于多层感知神经网络大区域地表覆盖分类方法 |
| CN111797703B (zh) * | 2020-06-11 | 2022-04-01 | 武汉大学 | 基于鲁棒深度语义分割网络的多源遥感影像分类方法 |
| CN112040174A (zh) * | 2020-07-20 | 2020-12-04 | 西安科技大学 | 一种用于井下的煤流量视觉检测方法 |
| CN112232229B (zh) * | 2020-10-20 | 2022-04-01 | 山东科技大学 | 基于U-net神经网络的精细水体提取方法 |
| CN112329852B (zh) * | 2020-11-05 | 2022-04-05 | 西安锐思数智科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
| CN112329647A (zh) * | 2020-11-09 | 2021-02-05 | 西南交通大学 | 基于U-Net神经网络的土地利用类型识别方法 |
| CN112729562B (zh) * | 2021-01-26 | 2022-08-26 | 河南工业大学 | 基于改进u型卷积神经网络的海冰分布探测方法 |
| CN112949732B (zh) * | 2021-03-12 | 2022-04-22 | 中国人民解放军海军航空大学 | 基于自适应多模态遥感图像融合语义标注方法及系统 |
| CN113705326B (zh) * | 2021-07-02 | 2023-12-15 | 重庆交通大学 | 一种基于全卷积神经网络的城市建设用地识别方法 |
| CN113920421B (zh) * | 2021-07-03 | 2023-06-27 | 桂林理工大学 | 一种快速分类的全卷积神经网络模型 |
| CN113516084B (zh) * | 2021-07-20 | 2023-04-25 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
| CN114283320B (zh) * | 2021-12-25 | 2024-06-14 | 福州大学 | 基于全卷积的无分支结构目标检测方法 |
| CN116758356B (zh) * | 2023-07-10 | 2024-10-01 | 成都理工大学 | 一种地表覆盖分类方法、系统、电子设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
| CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10366302B2 (en) * | 2016-10-10 | 2019-07-30 | Gyrfalcon Technology Inc. | Hierarchical category classification scheme using multiple sets of fully-connected networks with a CNN based integrated circuit as feature extractor |
-
2018
- 2018-04-17 CN CN201810342795.2A patent/CN108537192B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107749061A (zh) * | 2017-09-11 | 2018-03-02 | 天津大学 | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 |
| CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| Automatic Building Segmentation of Aerial Imagery Using Multi-Constraint Fully Convolutional Networks;Guangming Wu et al.;《remote sensing》;20180306;第1-18页 * |
| FULLY CONVOLUTIONAL NETWORKS FOR BUILDING AND ROAD EXTRACTION:PRELIMINARY RESULTS;Zilong Zhong et al.;《IEEE》;20161231;第1591-1594页 * |
| 基于深度学习的红外遥感信息自动提取;陈睿敏等;《红外》;20170831;第38卷(第8期);第37-43页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537192A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537192B (zh) | 一种基于全卷积网络的遥感影像地表覆盖分类方法 | |
| CN107563422B (zh) | 一种基于半监督卷积神经网络的极化sar分类方法 | |
| CN110135267B (zh) | 一种大场景sar图像细微目标检测方法 | |
| CN108038445B (zh) | 一种基于多视角深度学习框架的sar自动目标识别方法 | |
| CN111259905B (zh) | 一种基于下采样的特征融合遥感图像语义分割方法 | |
| Ouyang et al. | Fine-grained urban flow inference | |
| CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| Akey Sungheetha | Classification of remote sensing image scenes using double feature extraction hybrid deep learning approach | |
| CN114019467B (zh) | 一种基于MobileNet模型迁移学习的雷达信号识别与定位方法 | |
| CN116758130A (zh) | 一种基于多路径特征提取和多尺度特征融合的单目深度预测方法 | |
| CN109784401A (zh) | 一种基于acgan的极化sar图像分类方法 | |
| CN112508066A (zh) | 一种基于残差全卷积分割网络的高光谱图像分类方法 | |
| CN110555461A (zh) | 基于多结构卷积神经网络特征融合的场景分类方法及系统 | |
| CN110647909A (zh) | 一种基于三维密集卷积神经网络的遥感图像分类方法 | |
| Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
| CN116563682A (zh) | 一种基于深度霍夫网络的注意力方案和条带卷积语义线检测的方法 | |
| CN113298129A (zh) | 基于超像素和图卷积网络的极化sar图像分类方法 | |
| CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
| CN116206306A (zh) | 一种类间表征对比驱动的图卷积点云语义标注方法 | |
| CN106408009A (zh) | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
| CN115331109A (zh) | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 | |
| Wang et al. | A data expansion strategy for improving coal-gangue detection | |
| CN114612709A (zh) | 图像金字塔特征指导的多尺度目标检测方法 | |
| CN114170519A (zh) | 基于深度学习与多维注意力的高分辨率遥感道路提取方法 | |
| CN112989919B (zh) | 一种从影像中提取目标对象的方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |