CN109377479A - 基于遥感影像的蝶形卫星天线目标检测方法 - Google Patents

基于遥感影像的蝶形卫星天线目标检测方法 Download PDF

Info

Publication number
CN109377479A
CN109377479A CN201811130342.XA CN201811130342A CN109377479A CN 109377479 A CN109377479 A CN 109377479A CN 201811130342 A CN201811130342 A CN 201811130342A CN 109377479 A CN109377479 A CN 109377479A
Authority
CN
China
Prior art keywords
remote sensing
layer
sensing image
satellite dish
deep learning
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
Application number
CN201811130342.XA
Other languages
English (en)
Other versions
CN109377479B (zh
Inventor
帅通
楚博策
王港
党执政
徐小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN201811130342.XA priority Critical patent/CN109377479B/zh
Publication of CN109377479A publication Critical patent/CN109377479A/zh
Application granted granted Critical
Publication of CN109377479B publication Critical patent/CN109377479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于遥感影像的蝶形卫星天线目标检测方法，首先搜集并下载各类遥感影像资源，并人工定位截取其中包含天线目标的影像，构建天线目标影像库，随后对遥感影像中蝶形天线目标进行框标注和逐像素标注，其中框标注和逐像素标注分别支持后续预检测模型训练和二次精准检测模型训练。本发明采用两阶段的深度学习目标检测算法，第一阶段采用语义分割全卷积深度学习网络实现天线目标所在区域的预检测，大范围地排除非天线目标所在区域，获取高概率天线所在区域位置。第二阶段采用Faster R‑CNN目标检测深度学习方法对高概率区域进行二次精准定位检测，得到天线目标的准确位置。两种方法结合使用可有效降低天线目标检测的虚警率、提高检测准确率。

Description

基于遥感影像的蝶形卫星天线目标检测方法
技术领域
本发明属于遥感图像智能处理技术领域，更为具体地讲，涉及在目标侦查需求下一种基于深度学习的遥感天线目标检测方法。
背景技术
遥感数据已经在农业、林业、国土安全、灾害管理等行业领域有了广泛的应用，针对目标检测也开展了大量研究工作，如图像分割、支持向量机、聚类分析等算法。以上传统目标检测识别算法在一定程度上实现了处理的自动化，提高了人工处理的效率，但始终无法突破检测率受限的瓶颈，无法达到业务化、自动化运行的精度要求。蝶形卫星天线主要用于对卫星数据进行接收，包括对地观测数据、电子侦察数据、通信数据等等，基于遥感影像对蝶形卫星天线进行检测有助于发现天线目标位置，从而获取高价值情报信息。因此研究自动化、高精度的遥感天线目标检测技术具体深远意义。
目前已有的目标检测方法，
(1)应用SIFT特征对遥感目标进行检测，SIFT的旋转、缩放、光照等不变性使得检测效果较好。
(2)随着人工智能的发展，深度学习技术开始广泛应用于目标检测，主要采用CNN卷积神经网络对目标图像进行建模，通过大量标注数据训练模型，从而实现较好的检测效果。
(3)本发明创新性地提出一种两阶段的深度学习天线目标检测方法，第一阶段采用语义分割深度学习网络对遥感影像进行天线目标预检测，可以初步获取天线目标出现区域位置，做到粗定位。第二阶段采用Faster R-CNN架构的深层卷积神经网络对天线目标进行精准检测定位。两种方法相结合可以有效降低虚警率、提升检测准确率。实验证明，本发明提出的方法相比以往的方法在天线目标检测效果上具有较大提升。
发明内容
本发明的目的在于克服现有技术的不足，提出基于遥感影像的蝶形卫星天线目标检测方法，来进一步提高检测精度与效率，减少检测虚警。
本发明的目的是这样实现的，一种基于遥感影像的蝶形卫星天线目标检测方法，包括以下步骤：
(1)获取蝶形卫星天线遥感影像；
(2)分别采用框标注和逐像素标注对蝶形卫星天线遥感影像进行标注，形成两种对应标注文件；
(3)构建全卷积深度学习网络与Faster R-CNN架构的深层卷积神经网络；
(4)采用蝶形卫星天线遥感影像与对应的逐像素标注得到的标注文件训练全卷积深度学习网络，得到第一阶段检测所需要的深度学习模型；采用蝶形卫星天线遥感影像与对应的框标注得到的标注文件训练Faster R-CNN架构的深层卷积神经网络，得到第二阶段检测所需要的深度学习模型；
(5)对待检测的蝶形卫星天线遥感影像依次采用第一阶段检测所需要的深度学习模型和第二阶段检测所需要的深度学习模型进行定位检测，获得蝶形卫星天线目标的准确位置。
其中，步骤(5)具体为：
对待检测的蝶形卫星天线遥感影像采用第一阶段检测所需要的深度学习模型进行预检测，得到像素级的检测结果，对像素级检测结果进行边缘扩充，得到包含全部像素的矩形区域，将矩形区域采用第二阶段检测所需要的深度学习模型进行精准定位检测，获得取蝶形卫星天线目标的准确位置。
其中，步骤(3)中全卷积深度学习网络具体为：
模型分为向下和向上两段，其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层，输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层；向上通路中，对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸，对第7层进行上采样后融合第5层多孔卷积生成第8层；对第8层进行上采样后融合第6层多孔卷积生成第9层，对第9层的输出进行尺寸变换还原至原始遥感图像尺寸，得到检测结果。
本发明与背景技术相比具有如下优点：
本发明提出了两阶段的目标检测方法，通过全卷积网络和Faster R-CNN架构的结合，实现检测率较大提高的同时有效降低虚警率。
附图说明
图1是本发明的流程设计图。
图2是本发明搜集天线目标影像图。
图3是本发明中逐像素标注图。
图4是本发明中框标注图。
图5是本发明中语义分割全卷积深度学习网络图。
图6是本发明中Faster R-CNN架构图。
图7是本发明第一阶段预检测效果图。
图8是本发明第二阶段精准定位检测效果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
图1是本发明基于遥感影像的蝶形卫星天线目标检测方法一种具体实施下的原理框图。
在本实施例中，如图1所示基于遥感影像的蝶形卫星天线目标检测方法包括以下步骤：
1、影像搜集
首先人工搜索整理一系列全球主要天线网址；然后采用爬虫技术根据关键词从网站上自动获取天线目标的名称和坐标，形成表格文件，表格中含有名称、经纬度坐标、地点属性等信息。根据上述信息人工筛选后得到天线经纬度坐标，在谷歌地球上确定需要下载的经纬度范围，进行该经纬度不同时间影像的下载，得到蝶形卫星天线遥感影像，如图2所示。
2.影像标注
考虑本发明采用两阶段的目标检测方法，分别设计框标注和逐像素标注，对天线遥感影像进行两种标注形成对应标注文件，如图3和图4所示，分别为两个阶段检测方法所需的模型训练过程提供标注数据。
3.构建模型
构建全卷积深度学习网络与Faster R-CNN架构的深层卷积神经网络；
全卷积深度学习网络具体为：
模型分为向下和向上两段，其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层，输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层；向上通路中，对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸，对第7层进行上采样后融合第5层多孔卷积生成第8层；对第8层进行上采样后融合第6层多孔卷积生成第9层，对第9层的输出进行尺寸变换还原至原始遥感图像尺寸，得到最终检测结果。
4、模型训练
采用蝶形卫星天线遥感影像与对应的逐像素标注得到的标注文件训练全卷积深度学习网络，得到第一阶段检测所需要的深度学习模型，如图5所示；采用蝶形卫星天线遥感影像与对应的框标注得到的标注文件训练Faster R-CNN架构的深层卷积神经网络，得到第二阶段检测所需要的深度学习模型，如图6所示。
5、两阶段目标检测
对待检测的蝶形卫星天线遥感影像采用第一阶段检测所需要的深度学习模型进行预检测，得到像素级的检测结果，如图7所示。对像素级检测结果进行边缘扩充，得到包含全部像素的矩形区域。将矩形区域采用第二阶段检测所需要的深度学习模型进行精准定位检测，最终获得蝶形卫星天线目标的准确位置，如图8所示。
在本实施例中，选用Tensorflow框架实现全卷积网络架构和Faster R-CNN架构用于第一阶段目标预检测和第二阶段的目标精细检测。为了验证本发明的有效性，我们首先使用训练数据集进行模型的训练，采用训练外数据集进行测试，然后针对不同天线目标检测方法进行对比验证。验证结果如表1所示。
表1
本发明实现遥感天线目标的自动化检测，采用检测率和虚警率作为最后衡量指标，其中检测率为算法检测到天线目标数目与影像中实际包含目标总数的比值，虚警率为算法检测到的非天线目标数目与影像中实际包含目标总数的比值。本发明中两种算法相结合的两阶段目标检测方法最终检测率为99％，虚警率为0.8％，相比Faster R-CNN模型、全卷积模型此类单一阶段检测方法具有较大性能提升。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于遥感影像的蝶形卫星天线目标检测方法，其特征在于包括以下步骤：
(1)获取蝶形卫星天线遥感影像；
(2)分别采用框标注和逐像素标注对蝶形卫星天线遥感影像进行标注，形成两种对应标注文件；
(3)构建全卷积深度学习网络与Faster R-CNN架构的深层卷积神经网络；
(4)采用蝶形卫星天线遥感影像与对应的逐像素标注得到的标注文件训练全卷积深度学习网络，得到第一阶段检测所需要的深度学习模型；采用蝶形卫星天线遥感影像与对应的框标注得到的标注文件训练Faster R-CNN架构的深层卷积神经网络，得到第二阶段检测所需要的深度学习模型；
(5)对待检测的蝶形卫星天线遥感影像依次采用第一阶段检测所需要的深度学习模型和第二阶段检测所需要的深度学习模型进行定位检测，获得蝶形卫星天线目标的准确位置。
2.根据权利要求1所述的一种基于遥感影像的蝶形卫星天线目标检测方法，其特征在于，步骤(5)具体为：
对待检测的蝶形卫星天线遥感影像采用第一阶段检测所需要的深度学习模型进行预检测，得到像素级的检测结果，对像素级检测结果进行边缘扩充，得到包含全部像素的矩形区域，将矩形区域采用第二阶段检测所需要的深度学习模型进行精准定位检测，获得取蝶形卫星天线目标的准确位置。
3.根据权利要求1所述的一种基于遥感影像的蝶形卫星天线目标检测方法，其特征在于，步骤(3)中全卷积深度学习网络具体为：
模型分为向下和向上两段，其中向下的通路根据分类强度将VGGnet原有13层卷积层改为6层，输入层经过6层卷积和池化之后得到16×16维特征热度图作为第7层；向上通路中，对第7层反卷积层进行插值上采样恢复至与第6层相同尺寸，对第7层进行上采样后融合第5层多孔卷积生成第8层；对第8层进行上采样后融合第6层多孔卷积生成第9层，对第9层的输出进行尺寸变换还原至原始遥感图像尺寸，得到检测结果。
CN201811130342.XA 2018-09-27 2018-09-27 基于遥感影像的蝶形卫星天线目标检测方法 Active CN109377479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811130342.XA CN109377479B (zh) 2018-09-27 2018-09-27 基于遥感影像的蝶形卫星天线目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811130342.XA CN109377479B (zh) 2018-09-27 2018-09-27 基于遥感影像的蝶形卫星天线目标检测方法

Publications (2)

Publication Number Publication Date
CN109377479A true CN109377479A (zh) 2019-02-22
CN109377479B CN109377479B (zh) 2021-10-22

Family

ID=65401995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811130342.XA Active CN109377479B (zh) 2018-09-27 2018-09-27 基于遥感影像的蝶形卫星天线目标检测方法

Country Status (1)

Country Link
CN (1) CN109377479B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555424A (zh) * 2019-09-10 2019-12-10 深圳前海微众银行股份有限公司 港口集装箱布局检测方法、装置、设备及可读存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709568A (zh) * 2016-12-16 2017-05-24 北京工业大学 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法
CN106991397A (zh) * 2017-03-31 2017-07-28 中国科学院电子学研究所 基于视觉显著性约束深度置信网络的遥感图像检测方法
CN107153822A (zh) * 2017-05-19 2017-09-12 北京航空航天大学 一种基于深度学习的半自动图像精标注方法
CN107403183A (zh) * 2017-07-21 2017-11-28 桂林电子科技大学 整合目标检测和图像分割为一体的智能分割方法
CN107527352A (zh) * 2017-08-09 2017-12-29 中国电子科技集团公司第五十四研究所 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法
CN107563303A (zh) * 2017-08-09 2018-01-09 中国科学院大学 一种基于深度学习的鲁棒性舰船目标检测方法
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
CN107808141A (zh) * 2017-11-08 2018-03-16 国家电网公司 一种基于深度学习的输电线路绝缘子爆裂识别方法
US20180189604A1 (en) * 2016-12-30 2018-07-05 Baidu Online Network Technology (Beijing) Co., Ltd Character detection method and apparatus
CN108334938A (zh) * 2018-02-09 2018-07-27 广东省公共卫生研究院 一种基于图像识别的蚊媒自动监测系统
CN108460341A (zh) * 2018-02-05 2018-08-28 西安电子科技大学 基于集成深度卷积网络的光学遥感图像目标检测方法
CN108491854A (zh) * 2018-02-05 2018-09-04 西安电子科技大学 基于sf-rcnn的光学遥感图像目标检测方法
CN108564113A (zh) * 2018-03-27 2018-09-21 华南理工大学 一种基于深度神经网络和复杂度感知的舌苔体质识别方法
CN108564587A (zh) * 2018-03-07 2018-09-21 浙江大学 一种基于全卷积神经网络的大范围遥感影像语义分割方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709568A (zh) * 2016-12-16 2017-05-24 北京工业大学 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法
US20180189604A1 (en) * 2016-12-30 2018-07-05 Baidu Online Network Technology (Beijing) Co., Ltd Character detection method and apparatus
CN106991397A (zh) * 2017-03-31 2017-07-28 中国科学院电子学研究所 基于视觉显著性约束深度置信网络的遥感图像检测方法
CN107153822A (zh) * 2017-05-19 2017-09-12 北京航空航天大学 一种基于深度学习的半自动图像精标注方法
CN107403183A (zh) * 2017-07-21 2017-11-28 桂林电子科技大学 整合目标检测和图像分割为一体的智能分割方法
CN107527352A (zh) * 2017-08-09 2017-12-29 中国电子科技集团公司第五十四研究所 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法
CN107563303A (zh) * 2017-08-09 2018-01-09 中国科学院大学 一种基于深度学习的鲁棒性舰船目标检测方法
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
CN107808141A (zh) * 2017-11-08 2018-03-16 国家电网公司 一种基于深度学习的输电线路绝缘子爆裂识别方法
CN108460341A (zh) * 2018-02-05 2018-08-28 西安电子科技大学 基于集成深度卷积网络的光学遥感图像目标检测方法
CN108491854A (zh) * 2018-02-05 2018-09-04 西安电子科技大学 基于sf-rcnn的光学遥感图像目标检测方法
CN108334938A (zh) * 2018-02-09 2018-07-27 广东省公共卫生研究院 一种基于图像识别的蚊媒自动监测系统
CN108564587A (zh) * 2018-03-07 2018-09-21 浙江大学 一种基于全卷积神经网络的大范围遥感影像语义分割方法
CN108564113A (zh) * 2018-03-27 2018-09-21 华南理工大学 一种基于深度神经网络和复杂度感知的舌苔体质识别方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
CHAO YAN 等: "A New Two-Stage Object Detection Network without ROI-Pooling", 《2018 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 *
JONATHAN HUANG等: "Speed/accuracy trade-offs for modern convolutional object detectors", 《ARXIV:1611.10012V3》 *
REN JIN-SHENG等: "Joint Semantic Segmentation and Object Detection with Improved Detector Potentials", 《电子科技大学学报》 *
ZEMING LI等: "Light-Head R-CNN: In Defense of Two-Stage Object Detector", 《ARXIV:1711.07264V2》 *
ZHANGJUNIOR: "从FCN到DeepLab", 《HTTPS://BLOG.CSDN.NET/JUNPARADOX/ARTICLE/DETAILS/52610744》 *
徐逸之 等: "基于全卷积网络的高分辨遥感影像目标检测", 《测绘通报》 *
桑军 等: "Faster-RCNN的车型识别分析", 《重庆大学学报》 *
王志恒等: "基于语义分割的分拣系统目标检测与定位", 《计量与测试技术》 *
邓广晖: "基于卷积神经网络的RGB-D图像物体检测和语义分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555424A (zh) * 2019-09-10 2019-12-10 深圳前海微众银行股份有限公司 港口集装箱布局检测方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN109377479B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Du et al. Fusion of difference images for change detection over urban areas
Huang et al. Road centreline extraction from high‐resolution imagery based on multiscale structural features and support vector machines
US9251420B2 (en) System for mapping and identification of plants using digital image processing and route generation
Yin et al. Mapping urban expansion using night-time light images from Luojia1-01 and International Space Station
CN115546656B (zh) 一种基于深度学习的遥感影像养殖区域提取方法
Ghanea et al. Automatic building extraction in dense urban areas through GeoEye multispectral imagery
Zhao et al. Multiscale object detection in high-resolution remote sensing images via rotation invariant deep features driven by channel attention
Boller et al. Automated localization of urban drainage infrastructure from public-access street-level images
Liu et al. MS-CNN: multiscale recognition of building rooftops from high spatial resolution remote sensing imagery
Tang et al. Spatial–temporal landscape pattern change under rapid urbanization
Hong et al. Object-oriented multiscale deep features for hyperspectral image classification
Duarte et al. Detection of seismic façade damages with multi-temporal oblique aerial imagery
Liu et al. Robust multi-scale image matching for deriving ice surface velocity field from sequential satellite images
Miao et al. Integration of satellite images and open data for impervious surface classification
Li et al. Dept: depth estimation by parameter transfer for single still images
Jiang et al. AFSNet: Attention-guided full-scale feature aggregation network for high-resolution remote sensing image change detection
Bin et al. Parcel-based change detection in land-use maps by adopting the holistic feature
Merchant Classifying open water features using optical satellite imagery and an object-oriented convolutional neural network
Qiao et al. Spatial relationship-assisted classification from high-resolution remote sensing imagery
CN109377479A (zh) 基于遥感影像的蝶形卫星天线目标检测方法
Yang et al. Extracting road centrelines from high-resolution satellite images using active window line segment matching and improved SSDA
Huang et al. Deep residual network training for reinforced concrete defects intelligent classifier
Miao et al. Use of colour transformation and the geodesic method for road centreline extraction from VHR satellite images
Zhang et al. MFI-CD: a lightweight siamese network with multidimensional feature interaction for change detection
Shafique et al. BCD-Net: building change detection based on fully scale connected U-Net and subpixel convolution

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