CN110826394A - 基于卷积神经网络算法的水库识别方法和装置 - Google Patents

基于卷积神经网络算法的水库识别方法和装置 Download PDF

Info

Publication number
CN110826394A
CN110826394A CN201910880736.5A CN201910880736A CN110826394A CN 110826394 A CN110826394 A CN 110826394A CN 201910880736 A CN201910880736 A CN 201910880736A CN 110826394 A CN110826394 A CN 110826394A
Authority
CN
China
Prior art keywords
reservoir
water body
neural network
image
remote sensing
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.)
Pending
Application number
CN201910880736.5A
Other languages
English (en)
Inventor
方唯振
王存光
洪阳
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Publication of CN110826394A publication Critical patent/CN110826394A/zh
Pending legal-status Critical Current

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
    • 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

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)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于信息技术、目标识别技术领域，涉及一种基于卷积神经网络算法的水库识别方法和装置。该方法包括以下步骤：步骤1、预先建立结合卷积神经网络的水库分类神经网络模型，并利用制作的水库和非水库遥感图像对水库分类神经网络模型进行训练；步骤2、对于新输入的原始有遥感影像，利用水体敏感波段，提取出影像中水体的区域，再利用形态学操作，锁定块状水体区域，并将该区域在原始影像中进行裁剪；步骤3、将裁剪后的影像统一缩小为相同的正方形大小；步骤4、影像统一放入水库分类神经网络模型进行判别，识别出水库区域。本发明能够全程自动化，极大节省了人工调查的时间和成本。

Description

基于卷积神经网络算法的水库识别方法和装置
技术领域
本发明属于信息技术、目标识别技术领域，具体涉及一种基于卷积神经网络算法的水库识别方法和装置。
背景技术
水库和大坝作为人类控制洪涝灾害、灌溉农田、发电的重要设施，在连接人与自然，促进经济的发展中起到了至关重要的作用。迄今为止，几乎所有的水库记录都是通过人工的地面调查获得的，或是通过人工目视解译遥感影像的方式获取水库目标。
在计算机领域，针对于现实图片，开发了一些目标识别算法。传统的目标识别方法通常通过人工设计特征，虽然借鉴专业的先验知识和巧妙设计，在特殊情况和区域实验中取得了较好的效果，然而这些人工设计的特征无法表征目标中高层次的语义信息，使得模型的抽象和泛化能力较弱。
近年来，随着海量数据的积累，基于深层神经网络的深度学习技术得到迅猛的发展。目前，基于深度卷积神经网络的目标识别算法是目标识别领域的发展方向，这些方法大致可以分为两类，基于区域的目标识别方法和基于回归的目标识别方法。自Girshick提出R-CNN模型(R.Girshick,J.Donahue,T.Darrell,and J.Malik,"Rich featurehierarchies for accurate object detection and semantic segmentation,"arXiv e-prints,Accessed on:November 01,2013[Online].Available:https://ui.adsabs.harvard.edu/abs/2013arXiv1311.2524G)至今，涌现出了SPP-Net(K.He,X.Zhang,S.Ren,and J.Sun,"Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition,"arXiv e-prints,Accessed on:June 01,2014[Online].Available:https://ui.adsabs.harvard.edu/abs/2014arXiv1406.4729H)、Fast R-CNN(R.Girshick,"Fast R-CNN,"arXiv e-prints,Accessed on:April 01,2015[Online].Available:https://ui.adsabs.harvard.edu/abs/2015arXiv150408083G)、Faster R-CNN(S.Ren,K.He,R.Girshick,and J.Sun,"Faster R-CNN:Towards Real-TimeObject Detection with Region Proposal Networks,"Computer Science,2015.)、YOLO(J.Redmon,S.Divvala,R.Girshick,and A.Farhadi,"You Only Look Once:Unified,Real-Time Object Detection,"arXiv e-prints,Accessed on:June 01,2015[Online].Available:https://ui.adsabs.harvard.edu/abs/2015arXiv150602640R)、SSD(W.Liuet al.,"SSD:Single Shot MultiBox Detector,"arXiv e-prints,Accessed on:December 01,2015[Online].Available:https://ui.adsabs.harvard.edu/abs/2015arXiv151202325L)等越来越快速而准确的基于卷积神经网络的目标识别方法。
尽管通过水利调查我们能够得到一个较为完整的统计，然而统计调研的方法的时效性差、耗费巨大的人力物力，对更好的了解水库的分布造成了困难。
遥感图像具有覆盖范围大、时效性强、信息客观现实等优势，随着人工智能技术的兴起，基于遥感图像的目标检测成为研究的热点，也为解决大范围的获取水库数据提供了强有力的数据和工具支持。
现在虽然已经有很多的目标识别算法，但对于水库识别这个任务来说，在真实图片影像上开发的算法都不能达到理想的效果，因为从遥感图像进行目标识别问题具有训练数据相对不足、输入图像巨大等难点。而遥感图像背景的复杂，很难将目标定位在类似水库的区域，因此很难将水库识别出来。
发明内容
本发明针对上述问题，提供一种基于卷积神经网络算法的水库识别方法和装置。
本发明采用的技术方案如下：
一种基于卷积神经网络算法的水库识别方法，包括以下步骤：
利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域；
利用预先建立并训练完成的结合卷积神经网络的水库分类神经网络模型，对提取的类似水库的区域进行判别，识别出水库区域。
进一步地，所述利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域，包括：
利用水体敏感波段提取遥感影像中水体的区域；
利用形态学操作锁定块状水体区域，并将该块状水体区域在原始遥感影像中进行裁剪。
进一步地，将所述裁剪得到的影像统一缩小为相同的正方形大小，然后放入所述水库分类神经网络模型进行判别以识别出水库区域。
进一步地，所述利用水体敏感波段提取遥感影像中水体的区域，包括：
建立水体指数；
设定水体指数的阈值，将图像大于该阈值的部分设为1，反之为0，提取出水体图像。
进一步地，所述利用形态学操作锁定块状水体区域，包括：
对水体图像进行图像腐蚀操作；
对图像腐蚀操作得到的影像进行图像膨胀操作；
利用4-连通域，锁定块状水体区域。
进一步地，所述水库分类神经网络模型采用深度残差网络，也可以采用其它网络；利用制作的水库和非水库遥感图像对水库分类神经网络模型进行训练。
进一步地，所述水库分类神经网络模型在训练时，从图像数据库中取一定尺寸大小的图像作为训练样本对水库分类神经网络模型进行训练，训练过程包括前向传导过程、反向传导过程和卷积核更新过程。
一种基于卷积神经网络算法的水库识别装置，其包括：
类似水库区域提取模块，负责利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域；
水库区域识别模块，负责利用预先建立并训练完成的结合卷积神经网络的水库分类神经网络模型，对提取的类似水库的区域进行判别，识别出水库区域。
进一步地，所述类似水库区域提取模块利用水体敏感波段提取遥感影像中水体的区域，然后利用形态学操作锁定块状水体区域，并将该块状水体区域在原始遥感影像中进行裁剪；所述水库区域识别模块将所述裁剪得到的影像统一缩小为相同的正方形大小，然后放入所述水库分类神经网络模型进行判别以识别出水库区域。
一种计算机，其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法的指令。
本发明的有益效果如下：
本发明提供一种基于卷积神经网络算法的水库识别方法，由于传统的水库调查多采用人工的方式，方法的时效性差、耗费巨大的人力物力。与其不同，本发明方法利用遥感影像的水体敏感波段，先在遥感影像中提取类似水库的区域并裁剪，再利用训练好的模型对裁剪后的影像进行判别，提取水库区域，全程自动化，极大节省了人工调查的时间和成本。
附图说明
图1是本发明方法的步骤流程图。
图2是水库分类神经网络模型示意图。
图3是裁剪过程的示意图。
图4是缩小后的裁剪区域示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。
如图1所示，本发明一个实施例的基于卷积神经网络算法的水库识别方法，主要包括如下步骤：
步骤1、预先建立结合卷积神经网络的水库分类神经网络模型，并利用制作的水库和非水库遥感图像对水库分类神经网络模型进行训练。
本实施例所建立的水库分类神经网络模型如图2所示，同时，还建立了训练库对水库分类神经网络模型进行训练。
本实施例的水库分类神经网络模型采用深度残差网络(Deep residual network,ResNet，是卷积神经网络的一种)。如图2所示的ResNet-50，其中50表示网络层数有50层。
图2中，左边一列表示网络结构的总体概述，右边一列表示残差结构。
左边一列中：
7x7 convl,64,/2中，7x7表示7×7的卷积核大小，convl表示第一个卷积层，64表示卷积核数量，/2表示步长。
3x3,maxpool,/2中，3x3表示3×3的卷积核大小，maxpool表示最大池化层)，/2表示步长。
conv2-1～conv2-3表示第2-x个残差层，具体结构在右列；
conv3-1～conv3-4表示第3-x个残差层，具体结构在右列；
conv4-1～conv4-6表示第4-x个残差层，具体结构在右列；
conv5-1～conv5-3表示第5-x个残差层，具体结构在右列。
average pool表示平均池化层。
2-d fc,softmax中，2-d表示2个类别标签，fc表示全连接结构，softmax表示结果经过softmax函数。
右边一列中：
con 2-x～con 5-x表示第n-x(x＝1,2,3…)个残差层结构。
类似“1x1,64”的表达式中，1x1表示1×1的卷积核大小，64表示卷积核数量。
relu表示激活函数为relu激活函数。
⊕表示相加。
训练时，从图像数据库中取一定尺寸大小(例如224×224大小)的图像作为训练样本对水库分类神经网络模型进行训练，训练过程包括前向传导过程、反向传导过程和卷积核更新过程。
步骤2、对于新输入的原始有遥感影像，利用水体敏感波段，提取出影像中水体的区域，再利用形态学操作，锁定块状水体区域，并将该区域在原始影像中进行裁剪。
其中，所述利用水体敏感波段，提取出影像中水体的区域，可以采用以下方法：
1)建立水体指数，即利用水体的物理信息建立的指数，如归一化差异水体指数NDWI、改进的归一化差异水体指数MNDWI。
2)设定水体指数的阈值，将图像大于该阈值的部分设为1，反之为0，提取出水体图像。
其中，所述“利用形态学操作，锁定块状水体区域”可以采用以下方法：
1)对水体图像进行图像腐蚀操作；
2)对步骤1)得到的影像进行图像膨胀操作；
3)利用4-连通域，锁定块状水体区域。
如图3所示为裁剪过程的示意图。图3中子图(a1)、(a2)、(a3)为不同地区的原始遥感影像，子图(b1)、(b2)、(b3)分别为影像(a1)、(a2)、(a3)中的水体区域，子图(c1)、(c2)、(c3)分别为在影像(b1)、(b2)、(b3)中裁剪的区域。
步骤3、将裁剪后的影像统一缩小为相同的正方形大小(例如224×224大小)。
如图4所示为缩小后的裁剪区域。
步骤4、影像统一放入训练完成的水库分类神经网络模型进行判别，识别出水库区域。
本发明的关键点是：1.基于卷积神经网络算法的水库识别方法的流程创新；2.利用水体敏感波段先确定类似水库的区域范围。
本发明中进行识别的网络可以替换成其他的卷积神经网络；比如Alexnet，VGG等。另外也可以采用其它方法进行水体提取。
基于同一发明构思，本发明的另一个实施例提供一种基于卷积神经网络算法的水库识别装置，其包括：
类似水库区域提取模块，负责利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域；
水库区域识别模块，负责利用预先建立并训练完成的结合卷积神经网络的水库分类神经网络模型，对提取的类似水库的区域进行判别，识别出水库区域。
其中，所述类似水库区域提取模块利用水体敏感波段提取遥感影像中水体的区域，然后利用形态学操作锁定块状水体区域，并将该块状水体区域在原始遥感影像中进行裁剪；所述水库区域识别模块将所述裁剪得到的影像统一缩小为相同的正方形大小，然后放入所述水库分类神经网络模型进行判别以识别出水库区域。
基于同一发明构思，本发明的另一个实施例提供一种计算机/服务器，其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思，本发明的另一个实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘)，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现本发明方法的各个步骤。
本发明未详细阐述的部分属于本领域技术人员的公知技术。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。

Claims (10)

1.一种基于卷积神经网络算法的水库识别方法，其特征在于，包括以下步骤：
利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域；
利用预先建立并训练完成的结合卷积神经网络的水库分类神经网络模型，对提取的类似水库的区域进行判别，识别出水库区域。
2.根据权利要求1所述的方法，其特征在于，所述利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域，包括：
利用水体敏感波段提取遥感影像中水体的区域；
利用形态学操作锁定块状水体区域，并将该块状水体区域在原始遥感影像中进行裁剪。
3.根据权利要求2所述的方法，其特征在于，将所述裁剪得到的影像统一缩小为相同的正方形大小，然后放入所述水库分类神经网络模型进行判别以识别出水库区域。
4.根据权利要求2所述的方法，其特征在于，所述利用水体敏感波段提取遥感影像中水体的区域，包括：
建立水体指数；
设定水体指数的阈值，将图像大于该阈值的部分设为1，反之为0，提取出水体图像。
5.根据权利要求2所述的方法，其特征在于，所述利用形态学操作锁定块状水体区域，包括：
对水体图像进行图像腐蚀操作；
对图像腐蚀操作得到的影像进行图像膨胀操作；
利用4-连通域，锁定块状水体区域。
6.根据权利要求1所述的方法，其特征在于，所述水库分类神经网络模型采用深度残差网络，并利用制作的水库和非水库遥感图像对水库分类神经网络模型进行训练。
7.根据权利要求1所述的方法，其特征在于，所述水库分类神经网络模型在训练时，从图像数据库中取一定尺寸大小的图像作为训练样本对水库分类神经网络模型进行训练，训练过程包括前向传导过程、反向传导过程和卷积核更新过程。
8.一种基于卷积神经网络算法的水库识别装置，其特征在于，包括：
类似水库区域提取模块，负责利用遥感影像的水体敏感波段提取遥感影像中类似水库的区域；
水库区域识别模块，负责利用预先建立并训练完成的结合卷积神经网络的水库分类神经网络模型，对提取的类似水库的区域进行判别，识别出水库区域。
9.根据权利要求1所述的方法，其特征在于，所述类似水库区域提取模块利用水体敏感波段提取遥感影像中水体的区域，然后利用形态学操作锁定块状水体区域，并将该块状水体区域在原始遥感影像中进行裁剪；所述水库区域识别模块将所述裁剪得到的影像统一缩小为相同的正方形大小，然后放入所述水库分类神经网络模型进行判别以识别出水库区域。
10.一种计算机，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1～7中任一权利要求所述方法的指令。
CN201910880736.5A 2019-07-16 2019-09-17 基于卷积神经网络算法的水库识别方法和装置 Pending CN110826394A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910640230 2019-07-16
CN2019106402307 2019-07-16

Publications (1)

Publication Number Publication Date
CN110826394A true CN110826394A (zh) 2020-02-21

Family

ID=69548015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910880736.5A Pending CN110826394A (zh) 2019-07-16 2019-09-17 基于卷积神经网络算法的水库识别方法和装置

Country Status (1)

Country Link
CN (1) CN110826394A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753647A (zh) * 2020-05-11 2020-10-09 广东无限阵列科技有限公司 一种禽畜养殖舍棚的自动识别方法、装置及存储介质
CN117809052A (zh) * 2024-03-01 2024-04-02 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778622A (zh) * 2013-10-29 2014-05-07 中国科学院东北地理与农业生态研究所 一种基于ndvi与lswi相结合的湿地信息提取方法
CN104915954A (zh) * 2015-05-25 2015-09-16 同济大学 基于Landsat OLI多光谱遥感影像的水体自动提取方法
CN106407940A (zh) * 2016-09-23 2017-02-15 交通运输部规划研究院 一种港口水域图像的提取方法及系统
CN106650812A (zh) * 2016-12-27 2017-05-10 辽宁工程技术大学 一种卫星遥感影像的城市水体提取方法
CN107025467A (zh) * 2017-05-09 2017-08-08 环境保护部卫星环境应用中心 一种水体分类模型的建立方法及装置
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
CN109740485A (zh) * 2018-12-27 2019-05-10 中国水利水电科学研究院 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
CN110032928A (zh) * 2019-02-27 2019-07-19 成都数之联科技有限公司 一种适用于颜色敏感的卫星遥感影像水体识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778622A (zh) * 2013-10-29 2014-05-07 中国科学院东北地理与农业生态研究所 一种基于ndvi与lswi相结合的湿地信息提取方法
CN104915954A (zh) * 2015-05-25 2015-09-16 同济大学 基于Landsat OLI多光谱遥感影像的水体自动提取方法
CN106407940A (zh) * 2016-09-23 2017-02-15 交通运输部规划研究院 一种港口水域图像的提取方法及系统
CN106650812A (zh) * 2016-12-27 2017-05-10 辽宁工程技术大学 一种卫星遥感影像的城市水体提取方法
CN107025467A (zh) * 2017-05-09 2017-08-08 环境保护部卫星环境应用中心 一种水体分类模型的建立方法及装置
CN109325395A (zh) * 2018-04-28 2019-02-12 二十世纪空间技术应用股份有限公司 图像的识别方法、卷积神经网络模型的训练方法及装置
CN109740485A (zh) * 2018-12-27 2019-05-10 中国水利水电科学研究院 基于光谱分析和深度卷积神经网络的水库或塘坝识别方法
CN110032928A (zh) * 2019-02-27 2019-07-19 成都数之联科技有限公司 一种适用于颜色敏感的卫星遥感影像水体识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753647A (zh) * 2020-05-11 2020-10-09 广东无限阵列科技有限公司 一种禽畜养殖舍棚的自动识别方法、装置及存储介质
CN111753647B (zh) * 2020-05-11 2021-01-29 广东无限阵列科技有限公司 一种禽畜养殖舍棚的自动识别方法、装置及存储介质
CN117809052A (zh) * 2024-03-01 2024-04-02 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质
CN117809052B (zh) * 2024-03-01 2024-05-14 海豚乐智科技(成都)有限责任公司 一种块状目标检测及特征提取方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN113011427B (zh) 基于自监督对比学习的遥感图像语义分割方法
Amit et al. Disaster detection from aerial imagery with convolutional neural network
Xu et al. Overcoming small minirhizotron datasets using transfer learning
Guo et al. Semantic segmentation for urban planning maps based on U-Net
CN109299305A (zh) 一种基于多特征融合的空间图像检索系统及检索方法
CN112861575A (zh) 一种行人结构化方法、装置、设备和存储介质
CN113111947B (zh) 图像处理方法、装置和计算机可读存储介质
Liu et al. Subtler mixed attention network on fine-grained image classification
CN114092487A (zh) 目标果实实例分割方法及系统
CN108805102A (zh) 一种基于深度学习的视频字幕检测与识别方法及系统
Geng et al. An improved helmet detection method for YOLOv3 on an unbalanced dataset
CN110826394A (zh) 基于卷积神经网络算法的水库识别方法和装置
Ni et al. Joint clusters and iterative graph cuts for ALS point cloud filtering
Kamoona et al. Anomaly detection of defect using energy of point pattern features within random finite set framework
Han et al. Precise object detection using adversarially augmented local/global feature fusion
Luo et al. Boundary-aware and semiautomatic segmentation of 3-D object in point clouds
Wang et al. TBC-YOLOv7: a refined YOLOv7-based algorithm for tea bud grading detection
Koyun et al. Adversarial nuclei segmentation on H&E stained histopathology images
Chen et al. An image restoration and detection method for picking robot based on convolutional auto-encoder
CN113408651B (zh) 基于局部判别性增强的无监督三维物体分类方法
Li et al. A new algorithm of vehicle license plate location based on convolutional neural network
CN108109125A (zh) 基于遥感图像的信息提取方法和装置
Abraham et al. Automatic building extraction from satellite images using artificial neural networks
Zhang et al. Image Segmentation Based on Visual Attention Mechanism.
Greenwell et al. Implicit land use mapping using social media imagery

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221