CN109766467B - 基于图像分割和改进vlad的遥感图像检索方法及系统 - Google Patents
基于图像分割和改进vlad的遥感图像检索方法及系统 Download PDFInfo
- Publication number
- CN109766467B CN109766467B CN201811623482.0A CN201811623482A CN109766467B CN 109766467 B CN109766467 B CN 109766467B CN 201811623482 A CN201811623482 A CN 201811623482A CN 109766467 B CN109766467 B CN 109766467B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- retrieval
- images
- convolution layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003709 image segmentation Methods 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229920001917 Ficoll Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于图像分割和改进VLAD的遥感图像检索方法及系统,包括利用全卷积网络训练分割,获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征;提取出分割后每个区域的信息熵,利用改进VLAD和信息熵获取特征表示,利用主成分分析降维;根据图像特征表示进行相似性度量,返回检索结果。本发明结合图像分割和改进的VLAD,同时考虑了不同区域的特征信息,在卷积层特征上进一步提取有效特征表示,降低了计算成本,并且对于尺度变化,噪声干扰均具有鲁棒性。
Description
技术领域
本发明属于遥感影像处理技术领域,涉及一种基于图像分割和改进VLAD的遥感图像检索方法。
背景技术
随着遥感图像的快速增长,遥感数据管理工作已经成为了重中之重。作为遥感数据管理问题的一种解决方法,遥感图像检索是从海量数据源中快速检索出感兴趣的遥感图像,更加方便高效地实现数据管理。在遥感图像检索中,分为特征提取和相似度度量两步,有效的特征表示能大大提高检索进度,因此,如何提取出有效特征成为一项研究热点。
目前常用的提取特征方法是利用常见的卷积神经网络在目标数据集上进行训练分类,然后提取出中间的卷积层特征或者全连接层特征,再利用不同的编码方法对特征进行编码,得到最终的特征表示。然而,一张遥感图像往往含有多种类别,利用分类的卷积神经网络进行训练时得到一种场景分类结果,却忽略了遥感图像的多类性。常见的编码方法有BOVW(词袋模型)、VLAD(局部特征描述符)和IFK(改进费雪尔核):其中BOVW是将特征点进行聚类,用离特征点最近的一个聚类中心去代替该特征点,损失较多信息;IFK是对特征点用高斯混合模型建模,高斯混合模型实际也是一种聚类,只不过它是考虑了特征点到每个聚类中心的距离,也就是用所有聚类中心的线性组合去表示该特征点,在建模的过程中也有损失信息;VLAD和BOVW类似,只考虑离特征点最近的聚类中心,但VLAD保存了每个特征点到离它最近的聚类中心的距离,考虑了特征点的每一维的值,对图像局部信息有更细致的刻画,没有损失信息。但VLAD只计算每个特征点到离它最近的聚类中心的距离,也有可能一些特征点在两个或多个聚类中心之间具有相似甚至相同的距离,将其归属于任何一个聚类中心都会损失信息。
发明内容
针对现有技术的不足,本发明提供一种基于图像分割和改进VLAD的遥感图像检索技术方案。
为实现上述目的,本发明的技术方案提供一种基于图像分割和改进VLAD的遥感图像检索方法,包括以下步骤,
步骤a,利用全卷积网络训练分割,获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征;
步骤b,对于检索图像库中的每一幅图像,根据步骤a所得区域的局部卷积层特征,提取出分割后每个区域的信息熵;
步骤c,利用改进VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示,实现如下,
首先,对检索图像库中的所有图像的全局卷积层特征进行k-means聚类,得到M个聚类中心,聚类中心集合C={ci|i=1,…,M},其中,M为聚类中心的总数,i为聚类中心的标号,ci为第i个聚类中心;
然后,设检索图像库中的所有图像的局部卷积层特征集为F={fj|j=1,2,...,N},fj代表第j个图像的局部卷积层特征向量,N是检索图像库中图像数量;其中,fj是由第j个图像的所有区域的局部卷积层特征构成的向量。
利用第j个图像的局部卷积层特征向量fj到各聚类中心ci的距离vi构成该图像的特征表示,记为V={v1,v2,...vM},
其中,enj是第j个图像中所有区域的信息熵构成的向量,αji是图像的局部卷积层特征向量fj与聚类中心ci的距离权重,是指离图像的局部卷积层特征向量特征fj距离相同或相似的聚类中心ci;
步骤d,利用主成分分析,对步骤c所得检索图像库中的每一幅图像的特征表示进行降维,得到最终的图像特征表示;
步骤e,对于给定的待检测遥感影像,以与步骤a至步骤d一致的方式提取图像特征表示,与检索图像库中各图像的图像特征表示进行相似性度量,返回相似度最高的若干图像作为检索结果。
而且,距离权重利用以下高斯函数得到,
其中,σ为方差值。
而且,步骤a中,针对检索图像库中遥感图像进行全卷积网络训练分割,得到每一幅图像的不同区域,并提取第五个卷积层经过激活后的特征映射图,作为该图像的全局卷积层特征;对每幅图像,从第五个卷积层经过激活后的特征映射图中,分别根据不同的分割区域提取出相应区域的卷积层特征映射图,获得不同区域的局部卷积层特征。
而且,步骤e中,基于图像特征表示进行相似性度量,是采用欧氏距离实现。
本发明还提供一种基于图像分割和改进VLAD的遥感图像检索系统,包括以下模块,
第一模块,用于利用全卷积网络训练分割,获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征;
第二模块,用于对于检索图像库中的每一幅图像,根据第一模块所得区域的局部卷积层特征,提取出分割后每个区域的信息熵;
第三模块,用于利用改进VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示,实现如下,
首先,对检索图像库中的所有图像的全局卷积层特征进行k-means聚类,得到M个聚类中心,聚类中心集合C={ci|i=1,...,M},其中,M为聚类中心的总数,i为聚类中心的标号,ci为第i个聚类中心;
然后,设检索图像库中的所有图像的局部卷积层特征集为F={fj|j=1,2,...,N},fj代表第j个图像的局部卷积层特征向量,N是检索图像库中图像数量;其中,fj是由第j个图像的所有区域的局部卷积层特征构成的向量。
利用第j个图像的局部卷积层特征向量fj到各聚类中心ci的距离vi构成该图像的特征表示,记为V={v1,v2,...vM},
其中,enj是第j个图像中所有区域的信息熵构成的向量,αji是图像的局部卷积层特征向量fj与聚类中心ci的距离权重,是指离图像的局部卷积层特征向量特征fj距离相同或相似的聚类中心ci;
第四模块,用于利用主成分分析,对第三模块所得检索图像库中的每一幅图像的特征表示进行降维,得到最终的图像特征表示;
第五模块,用于对于给定的待检测遥感影像,提取图像特征表示,与检索图像库中各图像的图像特征表示进行相似性度量,返回相似度最高的若干图像作为检索结果。
而且,距离权重利用以下高斯函数得到,
其中,σ为方差值。
而且,第一模块中,针对检索图像库中遥感图像进行全卷积网络训练分割,得到每一幅图像的不同区域,并提取第五个卷积层经过激活后的特征映射图,作为该图像的全局卷积层特征;对每幅图像,从第五个卷积层经过激活后的特征映射图中,分别根据不同的分割区域提取出相应区域的卷积层特征映射图,获得不同区域的局部卷积层特征。
而且,第五模块中,基于图像特征表示进行相似性度量,是采用欧氏距离实现。
考虑到遥感图像的复杂性,本发明先利用全卷积网络进行分割训练,再利用改进的VLAD方法对不同区域的特征进行编码,提取的特征含有丰富信息,对于图像检索而言,将图像分割和VLAD编码区域特征整合能得到更好的检索结果。与现有技术相比,本发明具有如下特点和有益效果:
(1)采用全卷积网络进行训练,在得到区域分割图的同时得到不同区域的卷积层特征,不需要二次训练提取,降低了计算成本;
(2)采取改进的VLAD方法,结合信息熵,提取丰富的区域特征,更加有效,对于尺度变化,噪声干扰均具有鲁棒性。通过利用改进的VLAD方法进行编码形成最终特征,对遥感图像实现有效检索,可以显著提高遥感图像检索的精度。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的特征表示过程示意图。
具体实施方式
本发明提出的一种基于图像分割和改进VLAD的遥感图像检索方法先利用全卷积网络对图像库进行训练,提取不同区域的卷积层特征,其次利用不同区域的卷积层特征计算信息熵。然后,利用改进的VLAD方法和信息熵对不同区域的卷积层特征进行编码计算并降维,得到最终的特征表示。最后,对于给定的检索遥感图像,将其按步骤提取特征,并与图像库中的图像特征进行相似性度量,返回相似性高的图像作为相似图像。
为详细说明具体实施方式,参见图1,实施例流程如下:
步骤a,利用训全卷积网络获取检索图像库中的所有图像的全局卷积层特征和图像内不同区域的局部卷积层特征。
针对检索图像库中遥感图像进行全卷积网络训练分割,得到每一幅图像的不同区域,并提取第五个卷积层经过激活后的特征映射图,作为该图像的全局卷积层特征;对每幅图像,从第五个卷积层经过激活后的特征映射图中,分别根据不同的分割区域提取出相应区域的卷积层特征映射图,即获得不同区域的局部卷积层特征。
实施例中为了提高检索精度,全卷积网络训练也是用检索图像库实现。全卷积网络训练实现是现有技术,本发明不予赘述。
全卷积网络(FCN)相比于常见的卷积神经网络,将最后的全连接层换成卷积层,采用反卷积层对最后一个卷积层的特征映射图进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。全卷积网络一般有五个卷积层,以及最后一个替换全连接层的卷积层。第五个卷积层则是指原全连接层前的最后卷积层,在经过前面卷积后,提取的特征更能表示图像的语义内容。
利用全卷积网络进行训练后输出的是标记楚不同类别的图片,根据图片上的不同类别可提取出图像的不同分割区域,可提取第五个卷积层输出的特征映射图作为图像特征,得到每个分割区域相应的图像特征。
步骤b,获取对检索图像库中每幅图像不同区域的信息熵。
对于检索图像库中的每一幅图像,根据步骤a所得区域的局部卷积层特征,提取出分割后每个区域的信息熵。图像熵是一种图像特征的统计形式,反映了图像中平均信息量的多少。信息熵计算是现有技术,本发明不予赘述。
步骤c,利用改进的VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示。
本发明提出,利用改进的VLAD算法将特征整合成一个向量。
首先对检索图像库中的所有图像的全局卷积层特征进行k-means聚类,得到M个聚类中心,一般M=1000,聚类中心集合C={ci|i=1,...,M},其中,M为聚类中心的总数,i为聚类中心的标号,ci为第i个聚类中心。k-means聚类为现有技术,本发明不予赘述。
然后,设检索图像库中的所有图像的局部卷积层特征集为F={fj|j=1,2,...,N},fj代表第j个图像的局部卷积层特征向量,N则是检索图像库中图像数量;其中fj由第j个图像的所有区域的局部卷积层特征构成的向量。
利用图像的局部卷积层特征向量fj到各聚类中心ci的距离vi构成该图像的特征表示,特征表示V={v1,v2,...vM},
常用的VLAD方法中,
而本发明,考虑到有时特征在两个或多个聚类中心之间具有相同或相似的距离,因此提出:
其中,enj是第j个图像中所有区域的信息熵构成的向量,αji是图像的局部卷积层特征向量fj与聚类中心ci的距离权重,可利用高斯函数得到,高斯函数中的参数σ为方差值,具体实施时可根据数据情况预设;是指离图像的局部卷积层特征向量特征fj距离相同或相似的聚类中心ci。距离相似是指距离相差不大,例如小于某预设差值,具体可以根据距离实际计算情况而定。
步骤d,利用主成分分析降维得到对检索图像库中的所有图像最终的图像特征表示。
由于步骤c得到的特征维数较大,可以采用主成分分析方法将特征维数降到指定维,得到检索图像库中的所有图像最终的低维特征。实施例中主成分分析方法是现有技术,本发明不予赘述。
步骤e,遥感图像检索。
参见图2,对于作为查询图像的给定待检测遥感影像,先按照步骤abcd一致的方式进行特征提取,然后将查询图像的特征与检索图像库中其他图像的特征进行相似性度量,度量距离的计算有很多种,实施例中用欧氏距离作为特征距离计算方法。其中,欧式距离是特征向量计算公式,属于现有技术,这里不再赘述。计算出两幅图像的相似性后,按一定顺序(相似性从高到低)返回一定数目(具体实施时可预设数值)的相似图像。
对于查询图像进行特征提取的实现如下:
步骤e1,将查询图像p输入步骤a训练好的全卷积网络,得到查询图像的不同区域,获取不同区域的局部卷积层特征,以及查询图像的全局卷积层特征;
步骤e2,获取查询图像不同区域的信息熵;
步骤e3,利用改进的VLAD和信息熵获取查询图像编码后的特征表示vp,如下式
其中,enp是查询图像p中所有区域的信息熵构成的向量,αpi是查询图像p的局部卷积层特征向量fp与聚类中心ci的距离权重;是指离查询图像p的局部卷积层特征向量特征fp距离相同或相似的聚类中心ci;
步骤e4,利用主成分分析降维得到查询图像p最终的图像特征表示。
步骤e5,将步骤e4所得查询图像p最终的图像特征表示,与步骤d所得对检索图像库中的各图像最终的图像特征表示计算相似性,返回相似性高的若干图像,作为查询结果。
具体实施时,也可以将检索图像库中的任一图像作为查询图像,图像库中其他图像作为候选图像,检索候选图像中与查询图像相似的图像,那么步骤e直接计算相似性即可。以图像库中其他图像为查询图像时处理方式相同,可以先将图像库中的特征提取入库再处理。
具体实施时,可采用软件方式实现自动运行流程。也可采用模块化方式提供相应的系统。本发明实施例还提供一种基于图像分割和改进VLAD的遥感图像检索系统,包括以下模块,
第一模块,用于利用全卷积网络训练分割,获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征;
第二模块,用于对于检索图像库中的每一幅图像,根据第一模块所得区域的局部卷积层特征,提取出分割后每个区域的信息熵;
第三模块,用于利用改进VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示,实现如下,
首先,对检索图像库中的所有图像的全局卷积层特征进行k-means聚类,得到M个聚类中心,聚类中心集合C={ci|i=1,...,M},其中,M为聚类中心的总数,i为聚类中心的标号,ci为第i个聚类中心;
然后,设检索图像库中的所有图像的局部卷积层特征集为F={fj|j=1,2,...,N},fj代表第j个图像的局部卷积层特征向量,N是检索图像库中图像数量;其中,fj是由第j个图像的所有区域的局部卷积层特征构成的向量。
利用第j个图像的局部卷积层特征向量fj到各聚类中心ci的距离vi构成该图像的特征表示,记为V={v1,v2,...vM},
其中,enj是第j个图像中所有区域的信息熵构成的向量,αji是图像的局部卷积层特征向量fj与聚类中心ci的距离权重,是指离图像的局部卷积层特征向量特征fj距离相同或相似的聚类中心ci;
第四模块,用于利用主成分分析,对第三模块所得检索图像库中的每一幅图像的特征表示进行降维,得到最终的图像特征表示;
第五模块,用于对于给定的待检测遥感影像,提取图像特征表示,与检索图像库中各图像的图像特征表示进行相似性度量,返回相似度最高的若干图像作为检索结果。
各模块具体实现可参见相应步骤,本发明不予赘述。
以上内容是结合最佳实施方案对本发明所做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应能理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为本发明的保护范围。
Claims (8)
1.一种基于图像分割和改进VLAD的遥感图像检索方法,其特征在于:包括以下步骤,
步骤a,利用全卷积网络训练分割,获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征;
步骤b,对于检索图像库中的每一幅图像,根据步骤a所得区域的局部卷积层特征,提取出分割后每个区域的信息熵;
步骤c,利用VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示,实现如下,
首先,对检索图像库中的所有图像的全局卷积层特征进行k-means聚类,得到M个聚类中心,聚类中心集合C={ci|i=1,...,M},其中,M为聚类中心的总数,i为聚类中心的标号,ci为第i个聚类中心;
然后,设检索图像库中的所有图像的局部卷积层特征集为F={fj|j=1,2,...,N},fj代表第j个图像的局部卷积层特征向量,N是检索图像库中图像数量;其中,fj是由第j个图像的所有区域的局部卷积层特征构成的向量;
利用第j个图像的局部卷积层特征向量fj到各聚类中心ci的距离vi构成该图像的特征表示,记为V={v1,v2,...vM},
其中,enj是第j个图像中所有区域的信息熵构成的向量,αji是图像的局部卷积层特征向量fj与聚类中心ci的距离权重,是指离图像的局部卷积层特征向量特征fj距离相同或相似的聚类中心ci;
步骤d,利用主成分分析,对步骤c所得检索图像库中的每一幅图像的特征表示进行降维,得到最终的图像特征表示;
步骤e,对于给定的待检测遥感影像,以与步骤a至步骤d一致的方式提取图像特征表示,与检索图像库中各图像的图像特征表示进行相似性度量,返回相似度最高的若干图像作为检索结果。
2.根据权利要求1所述基于图像分割和改进VLAD的遥感图像检索方法,其特征在于:距离权重利用以下高斯函数得到,
其中,σ为方差值。
3.根据权利要求1或2所述基于图像分割和改进VLAD的遥感图像检索方法,其特征在于:步骤a中,针对检索图像库中遥感图像进行全卷积网络训练分割,得到每一幅图像的不同区域,并提取第五个卷积层经过激活后的特征映射图,作为该图像的全局卷积层特征;对每幅图像,从第五个卷积层经过激活后的特征映射图中,分别根据不同的分割区域提取出相应区域的卷积层特征映射图,获得不同区域的局部卷积层特征。
4.根据权利要求1或2所述基于图像分割和改进VLAD的遥感图像检索方法,其特征在于:步骤e中,基于图像特征表示进行相似性度量,是采用欧氏距离实现。
5.一种基于图像分割和改进VLAD的遥感图像检索系统,其特征在于:包括以下模块,
第一模块,用于利用全卷积网络训练分割,获取检索图像库中所有图像的全局卷积层特征和图像内分割所得不同区域的局部卷积层特征;
第二模块,用于对于检索图像库中的每一幅图像,根据第一模块所得区域的局部卷积层特征,提取出分割后每个区域的信息熵;
第三模块,用于利用VLAD和信息熵获取对检索图像库中的每一幅图像编码后的特征表示,实现如下,
首先,对检索图像库中的所有图像的全局卷积层特征进行k-means聚类,得到M个聚类中心,聚类中心集合C={ci|i=1,...,M},其中,M为聚类中心的总数,i为聚类中心的标号,ci为第i个聚类中心;
然后,设检索图像库中的所有图像的局部卷积层特征集为F={fj|j=1,2,...,N},fj代表第j个图像的局部卷积层特征向量,N是检索图像库中图像数量;其中,fj是由第j个图像的所有区域的局部卷积层特征构成的向量;
利用第j个图像的局部卷积层特征向量fj到各聚类中心ci的距离vi构成该图像的特征表示,记为V={v1,v2,...vM},
其中,enj是第j个图像中所有区域的信息熵构成的向量,αji是图像的局部卷积层特征向量fj与聚类中心ci的距离权重,是指离图像的局部卷积层特征向量特征fj距离相同或相似的聚类中心ci;
第四模块,用于利用主成分分析,对第三模块所得检索图像库中的每一幅图像的特征表示进行降维,得到最终的图像特征表示;
第五模块,用于对于给定的待检测遥感影像,提取图像特征表示,与检索图像库中各图像的图像特征表示进行相似性度量,返回相似度最高的若干图像作为检索结果。
6.根据权利要求5所述基于图像分割和改进VLAD的遥感图像检索系统,其特征在于:距离权重利用以下高斯函数得到,
其中,σ为方差值。
7.根据权利要求5或6所述基于图像分割和改进VLAD的遥感图像检索系统,其特征在于:第一模块中,针对检索图像库中遥感图像进行全卷积网络训练分割,得到每一幅图像的不同区域,并提取第五个卷积层经过激活后的特征映射图,作为该图像的全局卷积层特征;对每幅图像,从第五个卷积层经过激活后的特征映射图中,分别根据不同的分割区域提取出相应区域的卷积层特征映射图,获得不同区域的局部卷积层特征。
8.根据权利要求5或6所述基于图像分割和改进VLAD的遥感图像检索系统,其特征在于:第五模块中,基于图像特征表示进行相似性度量,是采用欧氏距离实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811623482.0A CN109766467B (zh) | 2018-12-28 | 2018-12-28 | 基于图像分割和改进vlad的遥感图像检索方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811623482.0A CN109766467B (zh) | 2018-12-28 | 2018-12-28 | 基于图像分割和改进vlad的遥感图像检索方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766467A CN109766467A (zh) | 2019-05-17 |
CN109766467B true CN109766467B (zh) | 2019-12-13 |
Family
ID=66450475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811623482.0A Active CN109766467B (zh) | 2018-12-28 | 2018-12-28 | 基于图像分割和改进vlad的遥感图像检索方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766467B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956213A (zh) * | 2019-11-29 | 2020-04-03 | 珠海大横琴科技发展有限公司 | 遥感影像特征库生成、遥感影像检索方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846835A (zh) * | 2018-05-31 | 2018-11-20 | 西安电子科技大学 | 基于深度可分离卷积网络的图像变化检测方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909924B (zh) * | 2017-02-18 | 2020-08-28 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN109086405B (zh) * | 2018-08-01 | 2021-09-14 | 武汉大学 | 基于显著性和卷积神经网络的遥感图像检索方法及系统 |
-
2018
- 2018-12-28 CN CN201811623482.0A patent/CN109766467B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846835A (zh) * | 2018-05-31 | 2018-11-20 | 西安电子科技大学 | 基于深度可分离卷积网络的图像变化检测方法 |
CN109086773A (zh) * | 2018-08-29 | 2018-12-25 | 电子科技大学 | 基于全卷积神经网络的断层面识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109766467A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679250B (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
CN107515895B (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
Lu et al. | Object detection based on SSD-ResNet | |
CN111191583B (zh) | 基于卷积神经网络的空间目标识别系统及方法 | |
CN107169117B (zh) | 一种基于自动编码器和dtw的手绘图人体运动检索方法 | |
CN107622229A (zh) | 一种基于融合特征的视频车辆重识别方法与系统 | |
CN107085731B (zh) | 一种基于rgb-d融合特征与稀疏编码的图像分类方法 | |
CN106778768A (zh) | 基于多特征融合的图像场景分类方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN110334628B (zh) | 一种基于结构化随机森林的室外单目图像深度估计方法 | |
CN109492589A (zh) | 通过二进制特征与联合层叠结构融合的人脸识别工作方法以及智能芯片 | |
CN113269224A (zh) | 一种场景图像分类方法、系统及存储介质 | |
CN115131580B (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN113051984A (zh) | 视频拷贝检测方法和装置、存储介质和电子装置 | |
CN114357307B (zh) | 一种基于多维度特征的新闻推荐方法 | |
CN105183845A (zh) | 一种结合语义特征的ervq图片索引与检索方法 | |
CN109766467B (zh) | 基于图像分割和改进vlad的遥感图像检索方法及系统 | |
CN114067128A (zh) | 一种基于语义特征的slam回环检测方法 | |
CN117765258A (zh) | 基于密度自适应和注意力机制的大规模点云语义分割方法 | |
CN112668662A (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN112084353A (zh) | 一种快速陆标-卷积特征匹配的词袋模型方法 | |
CN116796248A (zh) | 森林康养环境评估系统及其方法 | |
Ahmad et al. | SSH: Salient structures histogram for content based image retrieval | |
CN106886783A (zh) | 一种基于区域特征的图像检索方法及系统 | |
CN116415210A (zh) | 图像侵权检测方法、装置及存储介质 |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: 519031 floors 1-7, unit 1, No. 33, Haihe street, Hengqin new area, Zhuhai City, Guangdong Province Patentee after: ZHUHAI DAHENGQIN TECHNOLOGY DEVELOPMENT Co.,Ltd. Address before: No.33 Haihe street, Hengqin New District, Zhuhai City, Guangdong Province 519031 Patentee before: ZHUHAI DAHENGQIN TECHNOLOGY DEVELOPMENT Co.,Ltd. |