CN108647568B - 基于全卷积神经网络的草地退化自动提取方法 - Google Patents
基于全卷积神经网络的草地退化自动提取方法 Download PDFInfo
- Publication number
- CN108647568B CN108647568B CN201810275831.8A CN201810275831A CN108647568B CN 108647568 B CN108647568 B CN 108647568B CN 201810275831 A CN201810275831 A CN 201810275831A CN 108647568 B CN108647568 B CN 108647568B
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- pixel
- grassland
- category
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000015556 catabolic process Effects 0.000 title claims abstract description 19
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000004040 coloring Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 claims 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于全卷积神经网络的草地退化自动提取方法,包括以下步骤:S1、获取待检测区域的影像数据作为数据集,并进行像素标记得到对应的样本标签;S2、进行数据扩展和数据增强,划分训练集和测试集;S3、设计全卷积神经网络;S4、将训练集和对应样本标签作为输入数据,利用神经网络进行训练,待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型;S5、对测试集进行特征提取,得到每一个像素对应的标签值,根据标签值着色后得到退化草地的分割提取结果。本发明采用了端到端训练模型,缩减了人工预处理和后处理,简化了草地退化提取流程,具有更强的适应性和高效性,可以实现任意尺寸的图像的输入,适用性广。
Description
技术领域
本发明属于深度学习应用和草地退化监测领域,特别涉及一种基于全卷积神经网络的草地退化自动提取方法。
背景技术
我国草地生态系统面颊广阔,占全国国土面积的三分之一多。近年来,由于气候变化、人为活动等因素的影响,草地退化现象十分严重,严重阻碍了当地社会、经济的可持续发展。因此,采取高效精确的方法来监测退化草地,对于预防草地退化、恢复退化草地具有重要的意义,同时也为我们保护草地资源提供有力的手段措施。
目前的研究方法主要有目视综合判读法和基于植被指数的变化检测方法。目视判读是根据像片上的不同退化程度的草地影像特征及判读标志在影像上蒙绘判读并区划,但对于判读人员的专业要求高,且工作量多,主观因素影响大。基于植被指数的变化检测方法是根据植被的光谱特性将卫星可见光和近红外波段进行组合,形成了各种植被指数,由此建立退化指标拟合反演草地的退化情况。但该方法存在经验参数较多,指标不统一,数据误差等问题,故精度有限,不够理想。
发明内容
本发明的目的在于克服现有技术的不足,提供一种采用端到端训练模型,缩减了人工预处理和后处理,简化了草地退化提取流程,具有更强的适应性和高效性基于全卷积神经网络的草地退化自动提取方法。
本发明的目的是通过以下技术方案来实现的:基于全卷积神经网络的草地退化自动提取方法,包括以下步骤:
S1、获取待检测区域的影像数据作为数据集,并进行像素标记得到对应的样本标签;
S2、对步骤S1中获得的数据集和样本标签进行数据扩展和数据增强,并划分训练集和测试集;
S3、设计全卷积神经网络用于提取退化草地;
S4、将步骤S2中得到的训练集和对应样本标签作为输入数据,利用步骤S3中的神经网络进行训练,待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型;
S5、利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取,得到每一个像素对应的标签值,根据标签值着色后得到退化草地的分割提取结果。
进一步地,所述步骤S1具体实现方法为:将待检测区域的影像数据中的草地按照退化程度进行类别划分,对每个类别的草地的像素点填充不同的像素值,得到训练需要的样本标签。
进一步地,所述步骤S2具体包括以下子步骤:
S21、采用重叠滑窗对数据集和样本标签进行过采样,分别对数据集和样本标签进行翻转、平移、旋转和色彩增强操作,实现数据扩展和数据增强;
S22、将S21中得到的数据集进行去均值和标准化偏差计算,并将对应的样本标签转化为one-hot向量;
标准化偏差S的计算公式如下:
S23、将S22中得到的数据集和对应的样本标签通过索引的方式打乱顺序,之后任意取60%-90%的数据作为训练集,剩下数据的作为测试集。
进一步地,所述步骤S3中设计的全卷积神经网络结构包括:
二维卷积层conv2D,用于对上一层输出的多通道feature map特征图进行滑动窗卷积;
规范层BatchNormalization,该层在每个batch上将前一层的激活值重新规范化,即使得其输出数据的均值接近0,其标准差接近1;
激活层Activation,该层对上层的输出施加激活函数;
池化层MaxPooling2D,为二维数组施加最大池化;
融合层Merge,对接受到的数组沿指定轴进行拼接;
上采样层UpSampling2D,将数组的行和列分别重复size[0]和size[1]次;
Softmax层,公式如下:
其中x是待识别的像素点,K为总的类别数,k和i分别表示第k个类别和第i个类别,P(i)为像素点x属于第i类的概率值,是当前信号识别为第i类的预测值,是当前信号识别为第k类的预测值;使用Softmax函数求得的概率最大值为实际上是当前像素点最接近的类别;
基于上述的网络结构,全卷积神经网络的构建过程如下:
S34、将S33累加得到的特征图上采样放大8倍,然后将得到的特征图还原到输入图像大小;
S35、将S34得到的图片中的每个像素进行分类预测,输出语义分割的结果。
进一步地,所述步骤S5具体实现方法为:利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取,经过全卷积神经网络的Softmax层后输出每个像素点对应每个类别的概率值,将概率最大的类别作为该像素点对应的类别,将每个类别用对应的像素值着色得到直观的退化草地分割提取图片。
本发明的有益效果是:本发明采用了端到端训练模型,缩减了人工预处理和后处理,简化了草地退化提取流程,具有更强的适应性和高效性,不但实现了退化草地的分割提取还可以对一些其它地物类型进行分割,从而减少其它地物带来的干扰,进一步提高退化草地分割提取的精度,可以实现任意尺寸的图像的输入,适用性广。
附图说明
图1为本发明的草地退化自动提取方法流程图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示,基于全卷积神经网络的草地退化自动提取方法,包括以下步骤:
S1、获取待检测区域的影像数据作为数据集,并进行像素标记得到对应的样本标签;具体实现方法为:将待检测区域的影像数据中的草地按照退化程度进行类别划分,对每个类别的草地的像素点填充不同的像素值,得到训练需要的样本标签。
S2、对步骤S1中获得的数据集和样本标签进行数据扩展和数据增强,并划分训练集和测试集;具体包括以下子步骤:
S21、采用重叠滑窗对数据集和样本标签进行过采样,分别对数据集和样本标签进行翻转、平移、旋转和色彩增强操作,实现数据扩展和数据增强;
S22、将S21中得到的数据集进行去均值和标准化偏差计算,并将对应的样本标签转化为one-hot向量;
标准化偏差S的计算公式如下:
S23、将S22中得到的数据集和对应的样本标签通过索引的方式打乱顺序,之后任意取60%-90%的数据作为训练集,剩下数据的作为测试集。
S3、设计全卷积神经网络用于提取退化草地;全卷积神经网络结构包括:
二维卷积层conv2D,用于对上一层输出的多通道feature map特征图进行滑动窗卷积;
规范层BatchNormalization,该层在每个batch上将前一层的激活值重新规范化,即使得其输出数据的均值接近0,其标准差接近1;
激活层Activation,该层对上层的输出施加激活函数;
池化层MaxPooling2D,为二维数组施加最大池化;
融合层Merge,对接受到的数组沿指定轴进行拼接;
上采样层UpSampling2D,将数组的行和列分别重复size[0]和size[1]次;
Softmax层,公式如下:
其中x是待识别的像素点,K为总的类别数,k和i分别表示第k个类别和第i个类别,P(i)为像素点x属于第i类的概率值,是当前信号识别为第i类的预测值,是当前信号识别为第k类的预测值;使用Softmax函数求得的概率最大值为实际上是当前像素点最接近的类别;
基于上述的网络结构,全卷积神经网络的构建过程如下:
S34、将S33累加得到的特征图上采样放大8倍,然后将得到的特征图还原到输入图像大小;
S35、将S34得到的图片中的每个像素进行分类预测,输出语义分割的结果。
S4、将步骤S2中得到的训练集和对应样本标签作为输入数据,利用步骤S3中的神经网络进行训练,待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型;
S5、利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取,得到每一个像素对应的标签值,根据标签值着色后得到退化草地的分割提取结果;具体实现方法为:利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取,经过全卷积神经网络的Softmax层后输出每个像素点对应每个类别的概率值,将概率最大的类别作为该像素点对应的类别,将每个类别用对应的像素值着色得到直观的退化草地分割提取图片。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.基于全卷积神经网络的草地退化自动提取方法,其特征在于,包括以下步骤:
S1、获取待检测区域的影像数据作为数据集,并进行像素标记得到对应的样本标签;具体实现方法为:将待检测区域的影像数据中的草地按照退化程度进行类别划分,对每个类别的草地的像素点填充不同的像素值,得到训练需要的样本标签;
S2、对步骤S1中获得的数据集和样本标签进行数据扩展和数据增强,并划分训练集和测试集;具体包括以下子步骤:
S21、采用重叠滑窗对数据集和样本标签进行过采样,分别对数据集和样本标签进行翻转、平移、旋转和色彩增强操作,实现数据扩展和数据增强;
S22、将S21中得到的数据集中样本的每一个像素减去数据集中所有像素的均值后进行标准化操作;
标准化偏差S的计算公式如下:
接下来将数据集中的标签进行one-hot向量转化,即对标签中的每一个数字类别,使用one-hot编码将这些整数转化为二进制,每一类别用一个二进制数字来表示;
S23、将S22中得到的数据集和对应的样本标签通过索引的方式打乱顺序,之后任意取60%-90%的数据作为训练集,剩下数据的作为测试集;
S3、设计全卷积神经网络用于提取退化草地;
S4、将步骤S2中得到的训练集和对应样本标签作为输入数据,利用步骤S3中的神经网络进行训练,待神经网络的性能评价指标收敛后得到具有退化草地提取能力的神经网络模型;
S5、利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取,得到每一个像素对应的标签值,根据标签值着色后得到退化草地的分割提取结果。
2.根据权利要求1所述的基于全卷积神经网络的草地退化自动提取方法,其特征在于,所述步骤S3中设计的全卷积神经网络结构包括:
二维卷积层conv2D,用于对上一层输出的多通道feature map特征图进行滑动窗卷积;
规范层BatchNormalization,该层在每个batch上将前一层的激活值重新规范化,即使得其输出数据的均值接近0,其标准差接近1;
激活层Activation,该层对上层的输出施加激活函数;
池化层MaxPooling2D,为二维数组施加最大池化;
融合层Merge,对接受到的数组沿指定轴进行拼接;
上采样层UpSampling2D,将数组的行和列分别重复size[0]和size[1]次;
Softmax层,公式如下:
基于上述的网络结构,全卷积神经网络的构建过程如下:
S34、将S33累加得到的特征图上采样放大8倍,然后将得到的特征图还原到输入图像大小;
S35、将S34得到的图片中的每个像素进行分类预测,输出语义分割的结果。
3.根据权利要求2所述的基于全卷积神经网络的草地退化自动提取方法,其特征在于,所述步骤S5具体实现方法为:利用步骤S4中得到的神经网络模型对S2中的测试集进行特征提取,经过全卷积神经网络的Softmax层后输出每个像素点对应每个类别的概率值,将概率最大的类别作为该像素点对应的类别,将每个类别用对应的像素值着色得到直观的退化草地分割提取图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810275831.8A CN108647568B (zh) | 2018-03-30 | 2018-03-30 | 基于全卷积神经网络的草地退化自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810275831.8A CN108647568B (zh) | 2018-03-30 | 2018-03-30 | 基于全卷积神经网络的草地退化自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647568A CN108647568A (zh) | 2018-10-12 |
CN108647568B true CN108647568B (zh) | 2022-05-17 |
Family
ID=63744915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810275831.8A Expired - Fee Related CN108647568B (zh) | 2018-03-30 | 2018-03-30 | 基于全卷积神经网络的草地退化自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647568B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490861B (zh) * | 2018-10-29 | 2020-06-02 | 北京科技大学 | 一种高炉料线提取方法 |
CN109614973A (zh) * | 2018-11-22 | 2019-04-12 | 华南农业大学 | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 |
CN110009644B (zh) * | 2019-03-26 | 2021-02-23 | 深兰科技(上海)有限公司 | 一种特征图行像素分段的方法和装置 |
CN110399840B (zh) * | 2019-05-22 | 2024-04-02 | 西南科技大学 | 一种快速的草坪语义分割及边界检测方法 |
CN110263922A (zh) * | 2019-07-08 | 2019-09-20 | 青海大学 | 一种用于评价草地退化程度的训练数据处理方法 |
CN116363457B (zh) * | 2023-03-17 | 2024-04-30 | 阿里云计算有限公司 | 任务处理、图像分类、任务处理模型的数据处理方法 |
CN117173600A (zh) * | 2023-09-20 | 2023-12-05 | 青海大学 | 基于改进Mask2Former的草地退化指示草种的分割方法 |
CN117522956A (zh) * | 2023-11-20 | 2024-02-06 | 青海大学 | 一种使用无人机影像计算退化指示草种覆盖度的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915679A (zh) * | 2015-05-26 | 2015-09-16 | 浪潮电子信息产业股份有限公司 | 一种基于随机森林加权距离的大规模高维数据分类方法 |
CN105321163A (zh) * | 2014-07-31 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 检测全极化sar图像的变化区域的方法和装置 |
CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006085517A (ja) * | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
CN105005782A (zh) * | 2014-04-24 | 2015-10-28 | 中国科学院遥感与数字地球研究所 | 一种基于多时相遥感数据及光谱数据的全球精细植被分类方法 |
CN105004320B (zh) * | 2015-06-09 | 2017-11-14 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
CN106446555B (zh) * | 2016-09-29 | 2019-01-22 | 福州大学 | 基于时序相似性的植被变化发生时间检测方法 |
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107256550A (zh) * | 2017-06-06 | 2017-10-17 | 电子科技大学 | 一种基于高效cnn‑crf网络的视网膜图像分割方法 |
CN107578436B (zh) * | 2017-08-02 | 2020-06-12 | 南京邮电大学 | 一种基于全卷积神经网络fcn的单目图像深度估计方法 |
CN107798294A (zh) * | 2017-09-25 | 2018-03-13 | 中国科学院遥感与数字地球研究所 | 检测森林斑块变化的方法和装置 |
CN107680090A (zh) * | 2017-10-11 | 2018-02-09 | 电子科技大学 | 基于改进全卷积神经网络的输电线路绝缘子状态识别方法 |
CN107506768A (zh) * | 2017-10-11 | 2017-12-22 | 电子科技大学 | 一种基于全卷积神经网络的输电线路导线断股识别方法 |
-
2018
- 2018-03-30 CN CN201810275831.8A patent/CN108647568B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321163A (zh) * | 2014-07-31 | 2016-02-10 | 中国科学院遥感与数字地球研究所 | 检测全极化sar图像的变化区域的方法和装置 |
CN104915679A (zh) * | 2015-05-26 | 2015-09-16 | 浪潮电子信息产业股份有限公司 | 一种基于随机森林加权距离的大规模高维数据分类方法 |
CN107563422A (zh) * | 2017-08-23 | 2018-01-09 | 西安电子科技大学 | 一种基于半监督卷积神经网络的极化sar分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108647568A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647568B (zh) | 基于全卷积神经网络的草地退化自动提取方法 | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN109255334B (zh) | 基于深度学习语义分割网络的遥感影像地物分类方法 | |
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN111259905B (zh) | 一种基于下采样的特征融合遥感图像语义分割方法 | |
CN109934153B (zh) | 基于门控深度残差优化网络的建筑物提取方法 | |
CN113343789A (zh) | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN111274865A (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
CN106897681B (zh) | 一种遥感图像对比分析方法及系统 | |
CN111259828A (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN113239736A (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN112686261A (zh) | 一种基于改进U-Net的葡萄根系图像分割方法 | |
CN111274878B (zh) | 卫星云图分类方法及系统 | |
CN115661655A (zh) | 高光谱和高分影像深度特征融合的西南山区耕地提取方法 | |
CN112966580A (zh) | 基于深度学习和超分辨率的遥感图像绿潮信息提取方法 | |
CN113705340B (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN116363516A (zh) | 基于边缘辅助自适应的遥感图像变化检测方法 | |
CN115205618A (zh) | 地表覆盖分类模型训练方法、地表覆盖分类方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220517 |