CN110414509A - 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 - Google Patents
基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 Download PDFInfo
- Publication number
- CN110414509A CN110414509A CN201910674642.2A CN201910674642A CN110414509A CN 110414509 A CN110414509 A CN 110414509A CN 201910674642 A CN201910674642 A CN 201910674642A CN 110414509 A CN110414509 A CN 110414509A
- Authority
- CN
- China
- Prior art keywords
- naval vessel
- remote sensing
- extra large
- land
- 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.)
- Granted
Links
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法。利用已知海洋和陆地样本切片数据构建海陆二分类模型,得到待处理遥感影像中若干个海洋区域的初始点并进行生长,完成海陆分割;沿着海岸线对待处理遥感影像进行无重叠切分,生成一系列初始候选框切片。利用基于区域候选网络的目标检测框架和特征金字塔网络,构建舰船检测网络模型,并利用训练好的舰船检测网络模型对生成的初始候选框切片数据进行检测,依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果。本发明利用海陆分割和深度学习技术,大大提高了对大幅遥感影像舰船检测速度,降低了舰船检测的虚警率,同时,能够应对多种尺度的舰船目标检测问题。
Description
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,涉及基于海陆分割和特征金字塔网络的港口停靠舰船检测方法。
背景技术
近年来,随着光学遥感成像技术的发展,光学遥感图像在空间分辨率、光谱分辨率、时间分辨率等方面取得了巨大进步,对地观测能力得到很大提升,使得军事侦察情报的可侦察内容更加丰富,目标细节辨识能力大幅提高。舰船作为海上运输载体和重要军事目标,其自动检测与识别在民用、军事领域有着广阔的应用前景。其中,港口停靠舰船检测是监视特定港口海运交通、获取舰船部署与动态的主要手段,具有重要的研究价值。
不同于海上舰船,港口停靠舰船所处环境位于海陆交界处,背景较为复杂,各种类型舰船较为集中且尺度大小不一,同时陆地干扰信息较多,为舰船检测带来极大的困难。
目前,针对遥感影像中港口停靠舰船的检测,一般首先对影像进行海陆分割,再利用舰船检测算法对港口停靠舰船进行检测。在海陆分割阶段,所用的方法包括基于先验地理信息的海陆分割、基于纹理、颜色、形状等特征的海陆分割、基于阈值分割的海陆分割和基于简单统计模型的海陆分割。这些方法均能在较小范围内对海洋和陆地进行准确分割,但无法满足大幅遥感影像中的海陆分割,具有一定的局限性。在舰船检测阶段,传统的检测方法包括基于SIFT等特征的舰船检测、基于形状的舰船检测、基于轮廓的舰船检测。这些方法难以应对海陆分界处的复杂环境,容易出现较多的虚警和漏警。随着人工智能技术的不断发展,基于深度学习的目标检测在人脸、车辆等自然图像中显示出优越的性能,但并没有在光学遥感影像中普遍应用。
因此,本发明为了解决上述现有技术的缺点,将深度学习应用于光学遥感影像处理领域,结合海陆分割技术,有效解决大幅遥感影像中港口停靠舰船检测中虚警率过高和由于舰船尺度大小不一带来的漏检问题,大大提升了舰船检测的速度,具有很好的应用价值。
发明内容
本发明利用深度学习,结合海陆分割技术,提出基于海陆分割和特征金字塔网络的港口停靠舰船检测方法,有效解决港口停靠舰船中不同尺度大小的检测问题,降低了检测的虚警率。
本发明提供的基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法包括以下步骤:
(1)利用已知的海洋和陆地样本切片数据,基于深度卷积神经网络构造海陆二分类模型;按照设定尺寸对待处理遥感影像进行切分,将待处理遥感影像切分成一系列设定尺寸的切片数据,利用海陆二分类模型对待处理遥感影像切片数据进行海陆二分类处理,得到若干海洋区域的切片,根据海洋区域切片找到待处理遥感影像中对应的若干个海洋区域的位置,基于该海洋区域位置采用区域多点生长的分割算法对待处理遥感影像中的海洋和陆地进行划分;
(2)根据舰船长度知识信息和遥感影像空间分辨率大小,确定初始候选框的尺寸,基于该尺寸沿着海岸线以设定重叠率对影像进行切分,生成一系列初始候选框切片;
(3)利用基于区域候选网络的目标检测框架和特征金字塔网络,构建舰船检测网络模型,并利用已知的舰船样本数据对舰船检测网络模型进行训练,利用训练好的舰船检测网络模型对所有的初始候选框切片进行舰船检测,依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果。
所述步骤(1)中,深度卷积神经网络包括ResNet-50网络和VGG-16网络。
所述步骤(1)中,将待处理遥感影像切分成一系列设定尺寸的切片数据,具体为:对待处理遥感影像按照设定尺寸进行无重叠切分,生成一系列切片数据。
所述步骤(1)中,基于该海洋区域位置采用区域多点生长的分割算法对待处理遥感影像中的海洋和陆地进行划分,具体为:每个海洋区域切片中按灰度值选取一点作为海洋区域的初始点,基于这些初始点进行多点生长,完成对海洋和陆地的划分。
所述步骤(2)中,初始候选框为正方形,其边长为:2×[L/X],其中,L为舰船的最大长度,X为待处理遥感影像的空间分辨率大小。
所述步骤(2)中,初始候选框为矩形,其短边长为:2×[L/X],其中,L为舰船的最大长度,X为待处理遥感影像的空间分辨率大小。
所述步骤(3)中,利用ResNet-101或VGG-16网络模型构建特征金字塔网络。
所述步骤(3)中,基于区域候选网络的目标检测框架,采用Faster Rcnn或FastRcnn。
本发明所取得的有益效果为:
本发明利用海陆分割技术,确定海岸线的位置,沿着海岸线提取舰船目标的初始候选框,然后利用深度学习技术,基于特征金字塔网络模型完成对舰船目标的检测,相比其他方法,大大提高了对大幅遥感影像舰船检测速度,降低了舰船检测的虚警率,同时,能够应对多种尺度的舰船目标检测问题。
附图说明
图1为本发明方案的流程图;
图2为高分辨率遥感影像海洋多区域生长点图;
图3为高分辨率遥感影像沿海岸线切分图;
图4为特征金字塔网络示意图。
具体实施方式
本发明利用深度学习,结合海陆分割技术,提出基于海陆分割和特征金字塔网络的港口停靠舰船检测方法。
首先,利用大量已知海洋和陆地样本切片数据构建海陆二分类模型并进行训练,针对大幅待处理遥感影像,利用训练好的海陆二分类模型得到待处理遥感影像中若干个海洋区域的初始点,采用区域多点生长算法对这些初始点进行生长,完成海陆分割,确定海岸线位置;然后,沿着海岸线对待处理遥感影像进行无重叠切分,生成一系列初始候选框切片。最后,利用基于区域候选网络的目标检测框架和特征金字塔网络,构建舰船检测网络模型,并利用已知的舰船样本数据对舰船检测网络模型进行训练,利用训练好的舰船检测网络模型对生成的初始候选框切片数据进行检测,依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果,具体的流程如图1所示。
下面结合附图对本发明的具体实施方式和基本原理做进一步说明。
步骤1,利用已知的海洋和陆地样本切片数据,基于深度卷积神经网络构造海陆二分类模型;按照设定尺寸对待处理遥感影像进行切分,将待处理遥感影像切分成一系列设定尺寸的切片数据,利用海陆二分类模型对待处理遥感影像切片数据进行海陆二分类处理,得到若干海洋区域的切片,根据海洋区域切片找到待处理遥感影像中对应的若干个海洋区域的位置,基于该海洋区域位置采用区域多点生长的分割算法对待处理遥感影像中的海洋和陆地进行划分;
实施例中,利用大量已知的海洋和陆地区域的样本切片数据,基于ResNet50分类网络进行训练,得到能够对海洋和陆地切片进行准确分类的网络模型。针对待处理遥感影像数据,按照海洋和陆地样本切片数据的尺寸,对输入的大幅遥感影像无重叠切分,生成若干切片,利用训练好的海陆二分类模型对影像切片进行分类,得到一系列海洋区域的切片。然后,基于灰度特征确定每个海洋切片中概率最高的位置,作为海洋区域的初始点,图2中的点即为得到的若干海洋区域初始点。基于这些海洋区域初始点,利用区域多点生长的分割算法,将周围与其相似的像素进行合并,以此完成“生长”,得到海洋分割结果。
步骤2,根据舰船长度知识信息和遥感影像空间分辨率大小,确定初始候选框的尺寸,基于该尺寸沿着海岸线以设定重叠率对影像进行切分,生成一系列初始候选框切片;
实施例中,根据舰船相关知识和遥感影像空间分辨率大小,确定初始候选框的尺寸,基于该尺寸沿着海岸线以2/3的重叠率生成初始候选框,并在原影像中进行切分。其中,初始候选框为正方形,其边长确定方法如下:
假设遥感影像空间分辨率为x米,由于全球所有舰船长度均小于400米,则为了确定初始候选框能够完全包含舰船目标,设定初始候选框的边长为2*[400/x]个像素,获得的初始候选框如图3所示。
步骤3,利用基于区域候选网络的目标检测框架和特征金字塔网络,构建舰船检测网络模型,并利用已知的舰船样本数据对舰船检测网络模型进行训练,利用训练好的舰船检测网络模型对所有的初始候选框切片进行舰船检测,依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果。
实施例中,利用ResNet-101或VGG-16网络模型构建特征金字塔网络,提取多尺度的卷积神经网络特征,特征金字塔网络示意图如图4所示。其中,将每个尺度特征图定义为一个金字塔级别,记为{C2,C3,C4,C5},分别对应conv2,conv3,conv4和conv5的输出,C5分辨率最低,但语义信息最丰富,C2分辨率最高,但语义信息较差,各级别特征图尺度大小依次为前一级别特征图的1/2。C5经过1*1卷积后得到新的特征图P5,P5进行2倍下采样得到更低分辨率的特征图P6,C4进行1*1卷积后与2倍上采样后的P5进行融合,得到新特征图P4,依次进行迭代,直至得到特征图P2,最终得到经过高层特征和低层特征融合后的5个尺度的特征图,记为{P2,P3,P4,P5,P6}。
基于区域候选网络的目标检测框架,包括Faster Rcnn或Fast Rcnn,与特征金字塔网络共享卷积层,根据舰船形状特性,对区域候选网络产生的感兴趣区域设定5个不同尺度大小和3个不同的长宽比。其中5个不同尺度设定为(32,64,128,256,512),考虑到舰船目标的特性,3个不同长宽比设定为(1:3,1:5,1:10),不同尺度的感兴趣区域使用不同尺度的特征图,其对应公式如下:
其中,k表示特征图的级别,k0为基准值,即原图大小对应的特征图,w,h表示感兴趣区域的宽和高,m训练样本的尺寸大小。
每个感兴趣区域和其对应相应级别的特征图作为输入,进行感兴趣区域池化处理,输出统一尺寸的特征向量,然后通过3*3卷积及两个相邻的1*1卷积后,完成对分类和回归的预测,得到最终的舰船检测结果。
Claims (8)
1.基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于包括以下步骤:
(1)利用已知的海洋和陆地样本切片数据,基于深度卷积神经网络构造海陆二分类模型;按照设定尺寸对待处理遥感影像进行切分,将待处理遥感影像切分成一系列设定尺寸的切片数据,利用海陆二分类模型对待处理遥感影像切片数据进行海陆二分类处理,得到若干海洋区域的切片,根据海洋区域切片找到待处理遥感影像中对应的若干个海洋区域的位置,基于该海洋区域位置采用区域多点生长的分割算法对待处理遥感影像中的海洋和陆地进行划分;
(2)根据舰船长度知识信息和遥感影像空间分辨率大小,确定初始候选框的尺寸,基于该尺寸沿着海岸线以设定重叠率对影像进行切分,生成一系列初始候选框切片;
(3)利用基于区域候选网络的目标检测框架和特征金字塔网络,构建舰船检测网络模型,并利用已知的舰船样本数据对舰船检测网络模型进行训练,利用训练好的舰船检测网络模型对所有的初始候选框切片进行舰船检测,依据每个切片舰船检测结果得到待处理遥感影像的舰船检测结果。
2.根据权利要求1所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(1)中,深度卷积神经网络包括ResNet-50网络和VGG-16网络。
3.根据权利要求2所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(1)中,将待处理遥感影像切分成一系列设定尺寸的切片数据,具体为:对待处理遥感影像按照设定尺寸进行无重叠切分,生成一系列切片数据。
4.根据权利要求3所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(1)中,基于该海洋区域位置采用区域多点生长的分割算法对待处理遥感影像中的海洋和陆地进行划分,具体为:每个海洋区域切片中按灰度值选取一点作为海洋区域的初始点,基于这些初始点进行多点生长,完成对海洋和陆地的划分。
5.根据权利要求2所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(2)中,初始候选框为正方形,其边长为:2×[L/X],其中,L为舰船的最大长度,X为待处理遥感影像的空间分辨率大小。
6.根据权利要求2所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(2)中,初始候选框为矩形,其短边长为:2×[L/X],其中,L为舰船的最大长度,X为待处理遥感影像的空间分辨率大小。
7.根据权利要求3所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(3)中,利用ResNet-101或VGG-16网络模型构建特征金字塔网络。
8.根据权利要求3所述的一种基于海陆分割和特征金字塔网络的港口停靠舰船检测的方法,其特征在于,所述步骤(3)中,基于区域候选网络的目标检测框架,采用Faster Rcnn或Fast Rcnn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674642.2A CN110414509B (zh) | 2019-07-25 | 2019-07-25 | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674642.2A CN110414509B (zh) | 2019-07-25 | 2019-07-25 | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414509A true CN110414509A (zh) | 2019-11-05 |
CN110414509B CN110414509B (zh) | 2021-10-01 |
Family
ID=68362972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910674642.2A Active CN110414509B (zh) | 2019-07-25 | 2019-07-25 | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414509B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582106A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种舰船检测方法及装置 |
CN111666839A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于改进Faster RCNN的道路行人检测系统 |
CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN112966635A (zh) * | 2021-03-19 | 2021-06-15 | 北京理工大学 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
CN113139550A (zh) * | 2021-03-29 | 2021-07-20 | 山东科技大学 | 一种基于深度语义分割网络的遥感影像海岸线提取方法 |
CN116883861A (zh) * | 2023-07-17 | 2023-10-13 | 中国人民解放军战略支援部队航天工程大学 | 面向微小卫星在轨应用的港口大中型舰船活动识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别系统 |
CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
CN106485722A (zh) * | 2016-09-21 | 2017-03-08 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像中靠港舰船检测方法 |
CN106529428A (zh) * | 2016-10-31 | 2017-03-22 | 西北工业大学 | 基于深度学习的水下目标识别方法 |
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
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 |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
-
2019
- 2019-07-25 CN CN201910674642.2A patent/CN110414509B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145200A (zh) * | 2007-10-26 | 2008-03-19 | 浙江工业大学 | 多视觉传感器信息融合的内河船舶自动识别系统 |
CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
CN106485722A (zh) * | 2016-09-21 | 2017-03-08 | 北京航天宏图信息技术股份有限公司 | 一种遥感影像中靠港舰船检测方法 |
CN106529428A (zh) * | 2016-10-31 | 2017-03-22 | 西北工业大学 | 基于深度学习的水下目标识别方法 |
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
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 |
CN108197582A (zh) * | 2018-01-10 | 2018-06-22 | 武汉理工大学 | 基于深度学习的海事雷达图像处理方法 |
Non-Patent Citations (3)
Title |
---|
TSUNG-YI LIN 等: "Feature Pyramid Networks for Object Detection", 《ARXIV:1612.03144V2》 * |
吴金亮 等: "基于Mask R-CNN的舰船目标检测研究", 《信号与信息处理》 * |
陈亮 等: "基于可见光遥感图像的船只目标检测识别方法", 《科技导报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582106A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种舰船检测方法及装置 |
CN111666839A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于改进Faster RCNN的道路行人检测系统 |
CN112686222A (zh) * | 2021-03-12 | 2021-04-20 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN112686222B (zh) * | 2021-03-12 | 2021-06-29 | 耕宇牧星(北京)空间科技有限公司 | 星载可见光探测器对船舶目标检测的方法和系统 |
CN112966635A (zh) * | 2021-03-19 | 2021-06-15 | 北京理工大学 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
CN113139550A (zh) * | 2021-03-29 | 2021-07-20 | 山东科技大学 | 一种基于深度语义分割网络的遥感影像海岸线提取方法 |
CN113139550B (zh) * | 2021-03-29 | 2022-07-12 | 山东科技大学 | 一种基于深度语义分割网络的遥感影像海岸线提取方法 |
CN116883861A (zh) * | 2023-07-17 | 2023-10-13 | 中国人民解放军战略支援部队航天工程大学 | 面向微小卫星在轨应用的港口大中型舰船活动识别方法及系统 |
CN116883861B (zh) * | 2023-07-17 | 2024-01-26 | 中国人民解放军战略支援部队航天工程大学 | 面向微小卫星在轨应用的港口大中型舰船活动识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110414509B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN110264484B (zh) | 一种面向遥感数据的改进海岛岸线分割系统及分割方法 | |
CN109448016A (zh) | 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
CN109711295A (zh) | 一种光学遥感图像近岸舰船检测方法 | |
CN105427305B (zh) | 一种绿潮信息提取方法 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN110516605A (zh) | 基于级联神经网络的任意方向舰船目标检测方法 | |
CN110516606A (zh) | 高分辨率卫星影像任意方向舰船目标检测方法 | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN106709914A (zh) | 一种基于双级dem海陆库的sar图像船舶检测虚警剔除方法 | |
Liu et al. | Aquaculture area extraction and vulnerability assessment in Sanduao based on richer convolutional features network model | |
CN109584284B (zh) | 一种分层决策的滨海湿地地物样本提取方法 | |
Chen et al. | Geospatial transformer is what you need for aircraft detection in SAR Imagery | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN107504923A (zh) | 一种综合遥感影像和延绳信息的海带养殖面积监测方法 | |
Zhang et al. | Coastal oyster aquaculture area extraction and nutrient loading estimation using a GF-2 satellite image | |
CN110120050B (zh) | 基于素描信息和超像素分割的光学遥感图像海陆分割方法 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
Liu et al. | Mapping China’s offshore mariculture based on dense time-series optical and radar data | |
Wang et al. | IDUDL: Incremental double unsupervised deep learning model for marine aquaculture SAR images segmentation | |
CN108717539A (zh) | 一种小尺寸舰船检测方法 | |
Wang et al. | Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images | |
Xu et al. | Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier |
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 |