CN108804988B - 一种遥感影像场景分类方法及装置 - Google Patents
一种遥感影像场景分类方法及装置 Download PDFInfo
- Publication number
- CN108804988B CN108804988B CN201710308541.4A CN201710308541A CN108804988B CN 108804988 B CN108804988 B CN 108804988B CN 201710308541 A CN201710308541 A CN 201710308541A CN 108804988 B CN108804988 B CN 108804988B
- Authority
- CN
- China
- Prior art keywords
- picture
- neural network
- remote sensing
- convolutional neural
- sensing image
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种遥感影像场景分类方法及装置,方法包括:基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。本发明提出的一种遥感影像场景分类方法及装置,通过对卷积神经网络进行压缩,减少了卷积神经网络的模型参数,在不降低场景分类精度的条件下显著降低了占存储空间大小,并且采用先聚类后分类的策略,加快了分类速度,提高了分类效率。
Description
技术领域
本发明涉及信息处理技术领域,更具体地,涉及一种遥感影像场景分类方法及装置。
背景技术
随着我国航天技术的发展,越来越多的高分卫星被发射到太空中来获取地球表面数据,发射到太空中的高分卫星能起到灾害监测、农业估产以及军事侦查等作用。通常从高分卫星传送到地面上的数据画幅巨大,为了充分利用这些大量的大幅的高分遥感数据,场景分类是非常重要的预处理手段,它对后续进一步的目标识别、变化检测、图像检索等任务的有着重要帮助。
目前,遥感影像场景分类的方法主要有以下几种:基于手工特征方法,该方法采用一些已经成熟的算子提取图像的局部或全局特征,然后用特征信息代替图像原本的信息输入分类器对图像进行分类操作;基于图像统计信息的方法,该方法采用全局图像的某些统计学信息来表征图像的性质,从而实现对图像的分类操作;基于深度学习的方法,该方法采用卷积神经网络的方法在自然图像的基础上进行训练和测试。
基于深度学习的方法在高分影像场景分类的任务中取得了很好的效果。但是,对于遥感影像而言,分类精度依然达不到预期的目标,这是因为目前用于该任务的模型大多是在自然图像的数据集上训练得到的,对于遥感影像的针对性不强,并且由于遥感影像的数据集中的特征参数较少,而卷积神经网络的参数多、模型大、计算消耗大,很容易造成对遥感影像图片的过拟合,因此很难在移动设备上存储并很好地应用到实际任务中。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种遥感影像场景分类方法及装置。
根据本发明的提供的第一方面,提供一种遥感影像场景分类方法,包括:
基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;
基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。
其中,所述压缩后的卷积神经网络中:
删除所述卷积神经网络中的全连接层;
减少所述卷积神经网络中卷积核的参数数量;
对应的减少所述卷积神经网络中卷积核的输入通道数量。
其中,所述基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类,包括:
基于所述图片特征向量和预设的相似场景判别条件,将具有相似场景特征向量的图片聚类;
对聚类后的图片使用支持向量机进行分类。
其中,所述相似场景判别条件为:
其中,x1,x2为输入的第一、第二特征向量,λ为预设的相似场景判别因子。
其中,所述方法还包括:
采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练。
其中,所述采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练,还包括:
将所述遥感影像图片数据集中各个图片左右反转后的图片添加进所述遥感影像图片数据集中;
将所述遥感影像图片数据集中各个图片上下翻转后的图片添加进所述遥感影像图片数据集中。
根据本发明提供的第二方面,提供一种遥感影像场景分类装置,包括:
提取模块,用于基于压缩后的卷积神经网络,提取输入图片的图片特征向量;
分类模块,用于基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。根据本发明的第三方面,提供一种计算机程序产品,包括程序代码,所述程序代码用于执行上述所述的场景分类方法。
根据本发明的第四方面,提供一种非暂态计算机可读存储介质,用于存储如前所述的计算机程序。
本发明提出的一种遥感影像场景分类方法及装置,通过对卷积神经网络进行压缩,减少了卷积神经网络的模型参数,在不降低场景分类精度的条件下显著降低了占存储空间大小,并且采用先聚类后分类的策略,加快了分类速度,提高了分类效率。
附图说明
图1是本发明实施例提供的一种遥感影像场景分类方法的流程图;
图2是本发明实施例提供的压缩卷积神经网络内部结构图;
图3是本发明实施例提供的一种遥感影像场景分类装置结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1是本发明实施例提供的一种遥感影像场景分类方法的流程图,如图1所示,包括:
S1、基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;
S2、基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。
S1中,卷积神经网络是一种常见的深度学习架构,它能够得出原始图像的有效表征,并且可以经过极少的预处理操作就可以识别图片上的特征。
现有的卷积神经网络一般采用的是Alex-Net模型,但传统的Alex-Net模型参数多,存储空间大,达到了240M,这样庞大的数据量是不易于对模型进行训练和存储的,故在Alex-Net模型的基础上,对卷积神经网络进行压缩,一般的,把压缩后的卷积神经网络称为压缩卷积神经网络。
图2是本发明实施例提供的压缩卷积神经网络内部结构图,如图2所示,压缩卷积神经网络结构简便,仅由卷积层和池化层组合。
可以理解的是,图2只是本发明实施例提供的一种压缩卷积神经网络的内核比例图的一种,本发明实施例不对内核比例进行限定。
压缩卷积神经网络通过减少卷积神经网络中参数的数量,降低输入图片特征向量的维数,从而方便对其进行训练和计算。压缩后的压缩卷积神经网络仅为4M左右,并且分类精度上也进行了优化。
可以理解的是,压缩后的卷积神经网络已经经过训练,由于压缩过程中去掉了全连接层,那么压缩后的卷积神经网络将直接在最后一层的卷积层中直接提取输入图片的特征向量。
S2中,所述聚类支持向量机为在支持向量机的基础上添加了聚类功能。
聚类一般采用K-means聚类法对图片进行聚类,K-means聚类法可以将具有相似特征向量的图片归为一类,这样先聚类后再根据类别使用支持向量机对场景图片进行分类,可以加快分类效率。
需要说明的是,聚类方法不仅限于K-means聚类法,所有能基于图片的特征向量对图片进行聚类的方法均可。
本发明提出的一种遥感影像场景分类方法,通过对卷积神经网络进行压缩,减少了卷积神经网络的模型参数,在不降低场景分类精度的条件下显著降低了占存储空间大小,并且采用先聚类后分类的策略,加快了分类速度,提高分类效率。
在图1所述实施例的基础上,所述压缩后的卷积神经网络中:
删除所述卷积神经网络中的全连接层;
减少所述卷积神经网络中卷积核的参数数量;
对应的减少所述卷积神经网络中卷积核的输入通道数量。
具体的,由于卷积神经网络中,大部分的模型参数以及所占空间都集中在全连接层,而在卷积神经网络中,卷积层已经具有提取特征的能力,因此,可以删除卷积神经网络的全连接层,直接从最后的卷积层中提取特征向量,从而提高运算效率。
卷积神经网络中卷积核的实质表现形式为卷积滤波器,在同一卷积层中具有各种尺寸的卷积滤波器,其中大部分滤波器采用的是3×3数字滤波器,少量卷积滤波器采用1×1数字滤波器,但3×3数字滤波器的参数数量是1×1数字滤波器的9倍,故为了减少所述卷积神经网络卷积滤波器的参数数量,将部分3×3数字滤波器替换为1×1数字滤波器,从而减少卷积层中的参数数量,起到压缩空间的作用。
一个完全由3×3数字滤波器组成的卷积层,该层中参数总数为输入通道数*卷积滤波器数*3×3,因此要进一步对卷积神经网络进行压缩,必须在对卷积滤波器的参数进行缩小的前提下,对应的减少滤波器输入通道数量。
本发明通过删除卷积神经网络中的全连接层,直接从最后的卷积层中提取特征向量,并且在调整卷积层中的参数数量,提高了运算效率。
在又一个实施例中,所述基于所述特征向量,使用聚类支持向量机对所述图片进行场景分类,包括:
基于所述特征向量和预设的相似场景判别条件,将具有相似场景特征向量的图片聚类;
对聚类后的图片使用支持向量机进行分类。
其中,所述特征向量一般为提取的图片的像素RGB特征,根据图片像素RGB特征使用聚类算法对具有相似特征的图片进行归类,一般的聚类算法采用的是K-means算法,但在K-means算法中,特征向量的所有元素同样重要,但实际情况却是不同元素对分类效果影响均不相同。
为了使得分类效果更为精确,基于特征向量的距离和角度信息,构建相似场景判别条件,将具有相似场景特征向量的图片进行聚类。
分类过程采用支持向量机对图片进行分类,支持向量机是现有的分类效果较好的分类器,它能根据有限的样本信息,在不断训练的过程中对图片进行快速分类。
本发明实施例采用先聚类后分类的方法对图片进行场景分类,在不影响分类精度的前提下,提高了分类速度。
在上述实施例的基础上,所述相似场景判别条件为:
其中,x1,x2为输入的第一、第二特征向量,λ为预设的相似场景判别因子。
经过实验可得,将预设的相似场景判别因子设为0.7时,聚类的效果最佳。
需要说明的是,本发明实施例提供的相似场景判别因子设为0.7仅为优选方案,本发明实施例不对相似场景判别因子的数值做任何限定。
在图1所述实施例的基础上,所述方法还包括:
采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练。
现有技术中,一般的采用自然图像数据集对神经网络和支持向量机进行训练,但是采用自然图像数据集对神经网络进行训练对于遥感图像的高分影像而言,针对性太差,不具有代表性,故需采用更具有针对性的遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练。
在上述实施例的基础上,所述采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练,包括:
将所述遥感影像图片数据集中的每一张原始图片分割为预设数目的大小一致的图片块;
将各个图片块的尺寸放大为原始图片尺寸,并添加进所述遥感影像图片数据集中。
由于遥感影像图片数据集中的数据量不能满足卷积神经网络的训练需求,故需要对遥感影像图片数据集进行扩充。并且遥感影像图片的尺度多变,同一图片在不同尺度下的场景特征也许会出现较大的差异性,将图片进行分块再放大为原始比例的方法可以有效的解决该差异性。
具体的,将所述遥感影像图片数据集中的每一张原始图片分割为预设数目的大小一致的图片块,再将各个图片块的尺寸放大为原始图片尺寸,并添加进所述遥感影像图片数据集中。
一般的将每个原始图像随机提取不同尺寸和方向的九个不同的方形区域,将所有提取的图像调整到原始图像的大小,从而获得比原始数据集大十倍的新数据集。
本发明实施例通过将图片进行分块再放大为原始比例,解决了在不同尺度下的场景特征也许会出现较大的差异性问题,并且扩充了遥感影像图片数据集。
在上述实施例的基础上,所述采用遥感影像图片数据集对压缩后的卷积神经网络以及所述聚类支持向量机进行训练,还包括:
将所述遥感影像图片数据集中各个图片左右反转后的图片添加进所述遥感影像图片数据集中;
将所述遥感影像图片数据集中各个图片上下翻转后的图片添加进所述遥感影像图片数据集中。
遥感影像图片旋转多变,并且具有很强的鲁棒性,在训练过程中会产生很大的干扰,将遥感影像图片上下反转和左右翻转能够有效的解决该问题。
图2是本发明实施例提供的一种遥感影像场景分类装置结构图,包括:
提取模块1和分类模块2,其中,
提取模块1用于基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;
分类模块2用于基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。
提取模块1通过减少卷积神经网络中参数的数量,降低输入图片特征向量的维数,从而方便对其进行训练和计算。压缩后的压缩卷积神经网络仅为4M左右,并且分类精度上也进行了优化。
分类模块2先采用聚类算法对图片进行聚类,再根据聚类结果使用支持向量机对图片进行分类,分类模块2加快了分类速度,提高了分类效率。
本发明提出的一种遥感影像场景分类装置,通过压缩模块对卷积神经网络进行压缩,减少了卷积神经网络的模型参数,在不降低场景分类精度的条件下显著降低了占存储空间大小,并且分类模块采用先聚类后分类的策略,加快了分类速度,提高分类效率。
本发明实施例提供一种遥感影像场景分类装置,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行上述各方法实施例所提供的方法,例如包括:基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种遥感影像场景分类方法,其特征在于,包括:
基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;
基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类;
所述压缩后的卷积神经网络中:
删除所述卷积神经网络中的全连接层;
减少所述卷积神经网络中卷积核的参数数量;
对应的减少所述卷积神经网络中卷积核的输入通道数量;
所述基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类,包括:
基于所述图片特征向量和预设的相似场景判别条件,将具有相似场景特征向量的图片聚类;
对聚类后的图片使用支持向量机进行分类。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采用遥感影像图片数据集对所述压缩后的卷积神经网络以及所述聚类支持向量机进行训练。
4.根据权利要求3所述的方法,其特征在于,所述采用遥感影像图片数据集对所述压缩后的卷积神经网络以及所述聚类支持向量机进行训练,包括:
将所述遥感影像图片数据集中的每一张原始图片分割为预设数目的大小一致的图片块;
将各个图片块的尺寸放大为原始图片尺寸,并添加进所述遥感影像图片数据集中。
5.根据权利要求4所述的方法,其特征在于,所述采用遥感影像图片数据集对所述压缩后的卷积神经网络以及所述聚类支持向量机进行训练,还包括:
将所述遥感影像图片数据集中各个图片左右反转后的图片添加进所述遥感影像图片数据集中;
将所述遥感影像图片数据集中各个图片上下翻转后的图片添加进所述遥感影像图片数据集中。
6.一种场景分类装置,其特征在于,包括:
提取模块,用于基于压缩后的卷积神经网络,提取输入遥感影像图片的图片特征向量;
分类模块,用于基于所述图片特征向量,使用聚类支持向量机对所述图片进行场景分类;
所述压缩后的卷积神经网络中:
删除所述卷积神经网络中的全连接层;
减少所述卷积神经网络中卷积核的参数数量;
对应的减少所述卷积神经网络中卷积核的输入通道数量;
所述分类模块,具体用于:
基于所述图片特征向量和预设的相似场景判别条件,将具有相似场景特征向量的图片聚类;
对聚类后的图片使用支持向量机进行分类。
7.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至5任一所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308541.4A CN108804988B (zh) | 2017-05-04 | 2017-05-04 | 一种遥感影像场景分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710308541.4A CN108804988B (zh) | 2017-05-04 | 2017-05-04 | 一种遥感影像场景分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108804988A CN108804988A (zh) | 2018-11-13 |
CN108804988B true CN108804988B (zh) | 2020-11-20 |
Family
ID=64054608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710308541.4A Active CN108804988B (zh) | 2017-05-04 | 2017-05-04 | 一种遥感影像场景分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804988B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543766A (zh) * | 2018-11-28 | 2019-03-29 | 钟祥博谦信息科技有限公司 | 图像处理方法和电子设备、存储介质 |
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824051A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于局部区域匹配的人脸搜索方法 |
CN105894046A (zh) * | 2016-06-16 | 2016-08-24 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及图像处理的方法和系统、计算机设备 |
CN105989336A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于带权重的解卷积深度网络学习的场景识别方法 |
CN106023220A (zh) * | 2016-05-26 | 2016-10-12 | 史方 | 一种基于深度学习的车辆外观部件图像分割方法 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN106529602A (zh) * | 2016-11-21 | 2017-03-22 | 中国科学院上海微系统与信息技术研究所 | 一种毫米波图像自动目标识别方法及装置 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
-
2017
- 2017-05-04 CN CN201710308541.4A patent/CN108804988B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824051A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于局部区域匹配的人脸搜索方法 |
CN105989336A (zh) * | 2015-02-13 | 2016-10-05 | 中国科学院西安光学精密机械研究所 | 基于带权重的解卷积深度网络学习的场景识别方法 |
CN106023220A (zh) * | 2016-05-26 | 2016-10-12 | 史方 | 一种基于深度学习的车辆外观部件图像分割方法 |
CN105894046A (zh) * | 2016-06-16 | 2016-08-24 | 北京市商汤科技开发有限公司 | 卷积神经网络训练及图像处理的方法和系统、计算机设备 |
CN106203330A (zh) * | 2016-07-08 | 2016-12-07 | 西安理工大学 | 一种基于卷积神经网络的车辆分类方法 |
CN106529602A (zh) * | 2016-11-21 | 2017-03-22 | 中国科学院上海微系统与信息技术研究所 | 一种毫米波图像自动目标识别方法及装置 |
CN106599941A (zh) * | 2016-12-12 | 2017-04-26 | 西安电子科技大学 | 基于卷积神经网络与支持向量机的手写数字识别方法 |
Non-Patent Citations (5)
Title |
---|
Going deeper with convolutions;Christian Szegedy 等;《2015 IEEE Conference on Computer Vision and Pattern Recognition》;20151015;摘要,第1-10节 * |
Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery;Fan Hu 等;《Remote Sening》;20151105(第7期);摘要,第1-7节 * |
基于K-means与SVM结合的遥感图像全自动分类方法;居红云 等;《计算机应用研究》;20071130;第24卷(第11期);第318-320页 * |
改进卷积神经网络在遥感图像分类中的应用研究;刘雨桐 等;《计算机应用》;20161231;第1-7页 * |
深度学习在航拍场景分类中的应用;李晓龙 等;《计算机科学与探索》;20130929;第8卷(第3期);第305-312页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108804988A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469073B (zh) | 一种基于轻量级深度学习的sar图像舰船检测方法及系统 | |
Bayar et al. | On the robustness of constrained convolutional neural networks to jpeg post-compression for image resampling detection | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
US20200126209A1 (en) | System and method for detecting image forgery through convolutional neural network and method for providing non-manipulation detection service using the same | |
CN110826684B (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN109615604B (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
CN111325271B (zh) | 图像分类方法及装置 | |
CN110059728B (zh) | 基于注意力模型的rgb-d图像视觉显著性检测方法 | |
CN112132205B (zh) | 一种基于卷积神经网络的遥感图像分类方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108804988B (zh) | 一种遥感影像场景分类方法及装置 | |
CN115861799A (zh) | 基于注意力梯度的轻量化空对地目标检测方法 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及系统 | |
CN107180419B (zh) | 一种基于pca网络的中值滤波检测方法 | |
CN113743300A (zh) | 基于语义分割的高分遥感图像云检测方法和装置 | |
CN110796650A (zh) | 图像质量的评估方法及装置、电子设备、存储介质 | |
Chin et al. | Plant Disease Detection and Classification Using Deep Learning Methods: A Comparison Study | |
CN115512207A (zh) | 一种基于多路特征融合及高阶损失感知采样的单阶段目标检测方法 | |
CN112184843B (zh) | 图像数据压缩的冗余数据去除系统及方法 | |
CN115578624A (zh) | 农业病虫害模型构建方法、检测方法及装置 | |
CN114494887A (zh) | 遥感图像分类方法、装置、计算机设备和可读存储介质 | |
CN112883956A (zh) | 文本字符的识别方法、装置和服务器 | |
CN113723464B (zh) | 一种遥感影像分类方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20191225 Address after: 518109 first floor, building 1b, yunantong Industrial Park, langrong Road, Dalang community, Dalang street, Longhua District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Jinghong Technology Co., Ltd Address before: 201203 Shanghai Pudong New Area Shanghai free trade trial area, 1 spring 3, 400 Fang Chun road. Applicant before: Shanghai Jinghong Electronic Technology Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |