CN111027508B - 一种基于深层神经网络的遥感图像覆被变化检测方法 - Google Patents

一种基于深层神经网络的遥感图像覆被变化检测方法 Download PDF

Info

Publication number
CN111027508B
CN111027508B CN201911336471.9A CN201911336471A CN111027508B CN 111027508 B CN111027508 B CN 111027508B CN 201911336471 A CN201911336471 A CN 201911336471A CN 111027508 B CN111027508 B CN 111027508B
Authority
CN
China
Prior art keywords
image
remote sensing
network model
training
training sample
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
Application number
CN201911336471.9A
Other languages
English (en)
Other versions
CN111027508A (zh
Inventor
郑文锋
杨波
李婷乔
刘珊
曾庆川
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911336471.9A priority Critical patent/CN111027508B/zh
Publication of CN111027508A publication Critical patent/CN111027508A/zh
Application granted granted Critical
Publication of CN111027508B publication Critical patent/CN111027508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深层神经网络的遥感图像覆被变化检测方法，先建立深层神经网络模型的训练集，再将训练集中每个训练样本前M张图像作为输入，通过深层神经网络模型预测输出最后一张图像，并与图像序列中的第M+1张图像进行对比，获得的相似度差异添加演化场平滑惩罚项作为损失函数，使用梯度下降法优化损失函数，遍历所有训练样本多轮，直到获得满意的损失函数值，完成网络训练，获得训练好的模型，最后将待预测地区最新的时间间隔相近的M张遥感图像输入训练好的模型中，得到的输出图像即为预测的地表覆被图像。

Description

一种基于深层神经网络的遥感图像覆被变化检测方法
技术领域
本发明属于遥感图像变化检测技术领域，更为具体地讲，涉及一种基于深层神经网络的遥感图像覆被变化检测方法。
背景技术
随着遥感技术的发展和观测数据的积累，变化检测技术已成为了遥感图像处理与应用的一个研究热点。遥感图像变化检测技术通常通过分析比较同一区域、不同时期获取的两幅或多幅遥感图像,根据图像之间的差异来获取所感兴趣地物、场景或目标的变化情况,已在环境监测、军事侦察和灾情监测等方面得到了广泛的应用。
现有的遥感变化检测方法通常分为两类：1、分类后比较法：首先对两幅原图像分别进行独立分类，再对两幅分类好的图像进行逐像素地比较，进而得到最终的变化检测结果；2、比较后分类法，首先通过差值法、比值法或者对数比值法等得到两幅图像的差异图，再对该差异图使用变换、概率分布等方法进行分析，得到最终的变化检测结果。这两种方法都只能从时序影像中获取一些统计特征，例如未来覆被的面积大小。而无法提供变化的位置信息，也无法将变化检测的结果可视化。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深层神经网络的遥感图像覆被变化检测方法，通过预测遥感图像来直观的显示该地区未来全方位的地表覆被情况。
为实现上述发明目的，本发明一种基于深层神经网络的遥感图像覆被变化检测方法，其特征在于，包括以下步骤：
(1)、建立深层网络模型的训练样本集
(1.1)、图像采集：获取待预测地区近期的时间间隔相等的N张同类型遥感图像，按时间顺序编号为第1～N张；
(1.2)、图像预处理：对每张遥感图像进行几何校正、缩放、剪切和增强处理；
(1.3)、构建训练样本集：将预处理后的N张遥感图像分成N-M个训练样本，N远大于M；
其中，第1个训练样本由第1～(M+1)张遥感图像构成，第2个训练样本由第2～(M+2)张遥感图像构成，然后以此类推，直到第N-M个训练样本，由第(N-M)～N张遥感图像构成；
(2)、构建深层网络模型
将卷积神经网络CNN和空间变换网络STN级联组成深层网络模型，深层网络模型的输入为某一个训练样本中的前M张图像，输出为预测的遥感图像；
(3)、训练深层网络模型
(3.1)、深层网络模型初始化，设定阈值θ以及学习速率η；
(3.2)、随机选取一个训练样本，将训练样本中的前M帧图像输入至深层网络模型中；
在CNN中，先利用编码器的第一层提取输入图像的特征，再从第二层开始依次对图像特征进行降维处理，得到降维后的特征图；然后利用解码器对特征图进行升维处理，最终输出覆被演化场Φ；
在STN中，基于演化场Φ，利用STN对输入的第M张图像Pm转化成预测输出图像Pn；
(3.3)、计算预测输出图像Pn与该样本中第M+1张图像Pm+1之间的像素误差平方和，记为Σ；计算演化场Φ的梯度值ΔΦ；再将Σ与ΔΦ的和作为该训练样本的损失函数值；
(3.4)、重复步骤(3.2)～(3.3)，直至计算出所有训练样本的损失函数值，将所有训练样本损失函数值相加，作为深层网络模型的损失函数值，记为Ω；
(3.5)、比较Ω与θ的大小，如果Ω＜θ，则终止训练，得到训练好的深层网络模型，否则，进入步骤(3.6)；
(3.6)、利用批量梯度下降算法在损失函数负梯度方向，根据负梯度方向以学习速率η更新深层神经网络模型中的权重参数，然后返回步骤(3.2)，再次利用训练样本集进行下一轮训练；
(4)、地表覆被预测
采集M张待预测地区的遥感图像并按时间顺序编号，然后将编号后的遥感图像序列输入训练好的深层网络模型，其输出图像为该预测地区未来的地表覆被预测图像。
本发明的发明目的是这样实现的：
本发明一种基于深层神经网络的遥感图像覆被变化检测方法，先建立深层神经网络模型的训练集，再将训练集中每个训练样本前M张图像作为输入，通过深层神经网络模型预测输出最后一张图像，并与图像序列中的第M+1张图像进行对比，获得的相似度差异添加演化场平滑惩罚项作为损失函数，使用梯度下降法优化损失函数，遍历所有训练样本多轮，直到获得满意的损失函数值，完成网络训练，获得训练好的模型，最后将待预测地区最新的时间间隔相近的M张遥感图像输入训练好的模型中，得到的输出图像即为预测的地表覆被图像。
本发明一种基于深层神经网络的遥感图像覆被变化检测方法还具有以下有益效果：
1)、本发明可以直接快速获取预测的地表覆被图像，提供变化的位置信息以及统计特征，可用于科研或管理决策。
2)、模型计算简单，无需过多的人工交互，实现了端到端的计算。
3)、该模型无需人工标注数据，可以根据已有的无标注的历史遥感影像数据获取预测结果。
附图说明
图1是本发明一种基于深层神经网络的遥感图像覆被变化检测方法流程图；
图2是CNN模块的结构图；
图3是训练深层网络模型流程图。
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。
实施例
图1是本发明一种基于深层神经网络的遥感图像覆被变化检测方法流程图。
在本实施例中，如图1所示，本发明一种基于深层神经网络的遥感图像覆被变化检测方法，包括以下步骤：
S1、建立深层网络模型的训练样本集
S1.1、图像采集：获取待预测地区近期的时间间隔相等的N张同类型遥感图像，按时间顺序编号为第1～N张；
S1.2、图像预处理：对每张遥感图像进行几何校正、缩放、剪切和增强处理；本实例中，使用ENVI软件对所有遥感图像进行几何校正，消除传感器本身、大气、地形、地球自转引起的遥感图像畸变；使用灰度级校正增强；最后统一所有图像尺寸
S1.3、构建训练样本集：将预处理后的N张遥感图像分成N-M个训练样本，N远大于M；
其中，第1个训练样本由第1～(M+1)张遥感图像构成，第2个训练样本由第2～(M+2)张遥感图像构成，然后以此类推，直到第N-M个训练样本，由第(N-M)～N张遥感图像构成；
在本实施例中，收集待预测地区近20年的单色遥感图像20张，按时间顺序排列并编号为第1～20张，每张图像与前一张图像拍摄时间间隔都近似为1年。对获取的20张遥感图像进行预处理：通过几何校正、缩放、剪切、图像增强等处理完成图形序列的规范化，统一的地理坐标系、分辨率和尺寸。将预处理后的图像序列拆分成4帧一组的训练样本，第1组为第1～4张，第2组为第2～5张，直至第17组为第17～20张。
S2、构建深层网络模型
将卷积神经网络CNN和空间变换网络STN级联组成深层网络模型，深层网络模型的输入为某一个训练样本中的前M张图像，输出为预测的遥感图像；
在本实施例中，深层网络模型的具体结构为：STN级联在CNN之后；其中，CNN采用UNet的结构，包括编码器和解码器，级数均为N；编码器第n层卷积层提取的图像特征Cn与解码器第N-n层反卷积层的输出Rn同尺寸，Cn与Rn进行通道拼接后，输入至第N-n+1层反卷积层，输出得到升维的特征图Rn-1，然后以此类推，直到第N层反卷积层，最后以C1与R1拼接后的多通道特征图为输入，经反卷积得到遥感图像的演化场Φ；
在STN中，基于演化场Φ，将输入的第M张图像Pm转化成预测输出图像Pn，具体转换的公式为：
Pn(p)＝Pm·Φ(p)＝∑q∈Z(p')Pm(q)Πd∈{x,y}(1-|p'd-qd|)
其中，·表示空间变换方法，基于演化场Φ通过线性插值将图像Pm变换成输出预测图像Pn；p为Pn中的任意一个像素点的像素坐标，p'＝p+Φ(p)为根据演化场Φ计算出的p在Pm中所对应的亚像素点坐标；Z(p')为亚像素点p'对应的4个邻域像素点坐标的集合，q为其中任意一个像素点，d表示图像的像素点坐标维度，p'd、qd分别表示p'、q在维度d下的坐标值。
进一步的，如图2所示，CNN模块的结构如下：
1)第一层为输入层，输入层的神经元大小为串联的输入图像的大小。
2)第二层为卷积层，卷积核的维度与输入图像的维度相同，输出特征图为原图像分辨率的1/2。
3)第三层为卷积层，卷积核的个数是第二层卷积核个数的一倍，该层输出特征图为原图像分辨率的1/4。
4)第四层为卷积层，卷积核的个数与第三层卷积核个数相同，该层输出特征图为原图像分辨率的1/8。
5)第五层为卷积层，卷积核的个数与第三层卷积核个数相同，该层输出特征图为原图像分辨率的1/16。
6)第六层为反卷积层，输入为第五层输出，输出特征图为原图像分辨率的1/8。
7)第七层为反卷积层，第六层输出特征图与第四层输出特征图串联后输入到该层中，输出特征图为原图像分辨率的1/4。
8)第八层为反卷积层，第七层输出特征图与第三层输出特征图串联后输入到该层中，输出特征图为原图像分辨率的1/2。
9)第九层为反卷积层，第八输出特征图与第二层输出特征图串联后输入到该层中，输出为预测的覆被演化场。
S3、如图3所示，训练深层网络模型
S3.1、深层网络模型初始化，设定阈值θ以及学习速率η；
S3.2、随机选取一个训练样本，将训练样本中的前M帧图像输入至深层网络模型中；
在CNN中，先利用编码器的第一层提取输入图像的特征，再从第二层开始依次对图像特征进行降维处理，得到降维后的特征图；然后利用解码器对特征图进行升维处理，最终输出覆被演化场Φ；
在STN中，基于演化场Φ，利用STN对输入的第M张图像Pm转化成预测输出图像Pn；
S3.3、计算预测输出图像Pn与该样本中第M+1张图像Pm+1之间的像素误差平方和，记为Σ；计算演化场Φ的梯度值ΔΦ；再将Σ与ΔΦ的和作为该训练样本的损失函数值；
S3.4、重复步骤S3.2～S3.3，直至计算出所有训练样本的损失函数值，将所有训练样本损失函数值相加，作为深层网络模型的损失函数值，记为Ω；
S3.5、比较Ω与θ的大小，如果Ω＜θ，则终止训练，得到训练好的深层网络模型，否则，进入步骤S3.6；
S3.6、利用批量梯度下降算法在损失函数负梯度方向，根据负梯度方向以学习速率η更新深层神经网络模型中的权重参数，然后返回步骤S3.2，再次利用训练样本集进行下一轮训练；
在本实施例中，在训练集中抽取1组训练样本，4帧图像重新编号为P1-P4；将P1-P3以3通道图像的形式输入到CNN模块中，输出预测P4的演化场Φ；基于演化场Φ中的坐标变换量，空间变换模块从P3中通过复制或插值获取像素信息得到预测的第4张遥感图像
Figure BDA0002331053370000061
将预测的第4张遥感图像与真实的第4张图像进行比对，基于损失函数，应用随机梯度下降算法对模型参数进行更新，完成该样本的训练；最后重复以上步骤，遍历训练集中的所有样本完成一轮训练，重复多轮，直到获得满意的损失函数值，完成网络训练，获得训练好的模型。
S4、地表覆被预测
采集M张待预测地区的遥感图像并按时间顺序编号，然后将编号后的遥感图像序列输入训练好的深层网络模型，其输出图像为该预测地区未来的地表覆被预测图像。
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 (2)

1.一种基于深层神经网络的遥感图像覆被变化检测方法，其特征在于，包括以下步骤：
(1)、建立深层网络模型的训练样本集
(1.1)、图像采集：获取待预测地区近期的时间间隔相等的N张同类型遥感图像，按时间顺序编号为第1～N张；
(1.2)、图像预处理：对每张遥感图像进行几何校正、缩放、剪切和增强处理；
(1.3)、构建训练样本集：将预处理后的N张遥感图像分成N-M个训练样本，N远大于M；
其中，第1个训练样本由第1～(M+1)张遥感图像构成，第2个训练样本由第2～(M+2)张遥感图像构成，然后以此类推，直到第N-M个训练样本，由第(N-M)～N张遥感图像构成；
(2)、构建深层网络模型
将卷积神经网络CNN和空间变换网络STN级联组成深层网络模型，深层网络模型的输入为某一个训练样本中的前M张图像，输出为预测的遥感图像；
(3)、训练深层网络模型
(3.1)、深层网络模型初始化，设定阈值θ以及学习速率η；
(3.2)、随机选取一个训练样本，将训练样本中的前M帧图像输入至深层网络模型中；
在CNN中，先利用编码器的第一层提取输入图像的特征，再从第二层开始依次对图像特征进行降维处理，得到降维后的特征图；然后利用解码器对特征图进行升维处理，最终输出覆被演化场Φ；
在STN中，基于演化场Φ，利用STN对输入的第M张图像Pm转化成预测输出图像Pn；
(3.3)、计算预测输出图像Pn与该样本中第M+1张图像Pm+1之间的像素误差平方和，记为Σ；计算演化场Φ的梯度值ΔΦ；再将Σ与ΔΦ的和作为该训练样本的损失函数值；
(3.4)、重复步骤(3.2)～(3.3)，直至计算出所有训练样本的损失函数值，将所有训练样本损失函数值相加，作为深层网络模型的损失函数值，记为Ω；
(3.5)、比较Ω与θ的大小，如果Ω＜θ，则终止训练，得到训练好的深层网络模型，否则，进入步骤(3.6)；
(3.6)、利用批量梯度下降算法在损失函数负梯度方向，根据负梯度方向以学习速率η更新深层神经网络模型中的权重参数，然后返回步骤(3.2)，再次利用训练样本集进行下一轮训练；
(4)、地表覆被预测
采集M张待预测地区的遥感图像并按时间顺序编号，然后将编号后的遥感图像序列输入训练好的深层网络模型，其输出图像为该预测地区未来的地表覆被预测图像。
2.根据权利要求1所述的一种基于深层神经网络的遥感图像覆被变化检测方法，其特征在于，所述深层网络模型的具体结构为：STN级联在CNN之后；其中，CNN采用UNet的结构，包括编码器和解码器，级数均为
Figure FDA0003618543850000021
编码器第
Figure FDA0003618543850000022
层卷积层提取的图像特征
Figure FDA0003618543850000023
与解码器第
Figure FDA0003618543850000024
层反卷积层的输出
Figure FDA0003618543850000025
同尺寸，
Figure FDA0003618543850000026
与
Figure FDA0003618543850000027
进行通道拼接后，输入至第
Figure FDA0003618543850000028
层反卷积层，输出得到升维的特征图
Figure FDA0003618543850000029
然后以此类推，直到第
Figure FDA00036185438500000210
层反卷积层，最后以C1与R1拼接后的多通道特征图为输入，经反卷积得到遥感图像的演化场Φ；
在STN中，基于演化场Φ，将输入的第M张图像Pm转化成预测输出图像Pn，具体转换的公式为：
Pn(p)＝Pm·Φ(p)＝∑q∈Z(p')Pm(q)Πd∈{x,y}(1-|p'd-qd|)
其中，·表示空间变换方法，基于演化场Φ通过线性插值将图像Pm变换成输出预测图像Pn；p为Pn中的任意一个像素点的像素坐标，p'＝p+Φ(p)为根据演化场Φ计算出的p在Pm中所对应的亚像素点坐标；Z(p')为亚像素点p'对应的4个邻域像素点坐标的集合，d表示图像的像素点坐标维度，p'd、qd分别表示p'、q在维度d下的坐标值。
CN201911336471.9A 2019-12-23 2019-12-23 一种基于深层神经网络的遥感图像覆被变化检测方法 Active CN111027508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911336471.9A CN111027508B (zh) 2019-12-23 2019-12-23 一种基于深层神经网络的遥感图像覆被变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911336471.9A CN111027508B (zh) 2019-12-23 2019-12-23 一种基于深层神经网络的遥感图像覆被变化检测方法

Publications (2)

Publication Number Publication Date
CN111027508A CN111027508A (zh) 2020-04-17
CN111027508B true CN111027508B (zh) 2022-09-06

Family

ID=70211578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911336471.9A Active CN111027508B (zh) 2019-12-23 2019-12-23 一种基于深层神经网络的遥感图像覆被变化检测方法

Country Status (1)

Country Link
CN (1) CN111027508B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085068B (zh) * 2020-08-18 2022-11-01 东南大学 基于图像差分的全球电离层电子总含量异常探测方法
CN111932534B (zh) * 2020-09-22 2021-07-06 平安科技（深圳）有限公司 医学影像图片分析方法、装置、电子设备及可读存储介质
CN112686184A (zh) * 2021-01-05 2021-04-20 浙江臻善科技股份有限公司 基于神经网络的遥感房屋变化检测方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957086A (zh) * 2016-05-09 2016-09-21 西北工业大学 一种基于优化神经网络模型的遥感图像变化检测方法
GB201615470D0 (en) * 2016-09-12 2016-10-26 Ucl Business Plc Predicting depth from image data using a statistical model
WO2018000752A1 (zh) * 2016-06-27 2018-01-04 浙江工商大学 一种基于多尺度cnn和连续crf的单目图像深度估计方法
US10089556B1 (en) * 2017-06-12 2018-10-02 Konica Minolta Laboratory U.S.A., Inc. Self-attention deep neural network for action recognition in surveillance videos
CN108830296A (zh) * 2018-05-18 2018-11-16 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
WO2019006221A1 (en) * 2017-06-30 2019-01-03 Kla-Tencor Corporation GENERATING HIGH RESOLUTION IMAGES FROM LOW RESOLUTION IMAGES FOR SEMICONDUCTOR APPLICATIONS
CN109376611A (zh) * 2018-09-27 2019-02-22 方玉明 一种基于3d卷积神经网络的视频显著性检测方法
CN109767459A (zh) * 2019-01-17 2019-05-17 中南大学 新型眼底图配准方法
CN109767461A (zh) * 2018-12-28 2019-05-17 上海联影智能医疗科技有限公司 医学影像配准方法、装置、计算机设备和存储介质
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法
CN109919108A (zh) * 2019-03-11 2019-06-21 西安电子科技大学 基于深度哈希辅助网络的遥感图像快速目标检测方法
US10426442B1 (en) * 2019-06-14 2019-10-01 Cycle Clarity, LLC Adaptive image processing in assisted reproductive imaging modalities
CN110443143A (zh) * 2019-07-09 2019-11-12 武汉科技大学 多分支卷积神经网络融合的遥感图像场景分类方法
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN110599528A (zh) * 2019-09-03 2019-12-20 济南大学 一种基于神经网络的无监督三维医学图像配准方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10803546B2 (en) * 2017-11-03 2020-10-13 Baidu Usa Llc Systems and methods for unsupervised learning of geometry from images using depth-normal consistency
US11449759B2 (en) * 2018-01-03 2022-09-20 Siemens Heathcare Gmbh Medical imaging diffeomorphic registration based on machine learning
TWI651697B (zh) * 2018-01-24 2019-02-21 National Chung Cheng University 停車場空位偵測方法及其偵測模型建立方法
US11222415B2 (en) * 2018-04-26 2022-01-11 The Regents Of The University Of California Systems and methods for deep learning microscopy

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105957086A (zh) * 2016-05-09 2016-09-21 西北工业大学 一种基于优化神经网络模型的遥感图像变化检测方法
WO2018000752A1 (zh) * 2016-06-27 2018-01-04 浙江工商大学 一种基于多尺度cnn和连续crf的单目图像深度估计方法
GB201615470D0 (en) * 2016-09-12 2016-10-26 Ucl Business Plc Predicting depth from image data using a statistical model
CN109791697A (zh) * 2016-09-12 2019-05-21 奈安蒂克公司 使用统计模型从图像数据预测深度
US10089556B1 (en) * 2017-06-12 2018-10-02 Konica Minolta Laboratory U.S.A., Inc. Self-attention deep neural network for action recognition in surveillance videos
WO2019006221A1 (en) * 2017-06-30 2019-01-03 Kla-Tencor Corporation GENERATING HIGH RESOLUTION IMAGES FROM LOW RESOLUTION IMAGES FOR SEMICONDUCTOR APPLICATIONS
CN108830296A (zh) * 2018-05-18 2018-11-16 河海大学 一种改进的基于深度学习的高分遥感影像分类方法
CN109376611A (zh) * 2018-09-27 2019-02-22 方玉明 一种基于3d卷积神经网络的视频显著性检测方法
CN109767461A (zh) * 2018-12-28 2019-05-17 上海联影智能医疗科技有限公司 医学影像配准方法、装置、计算机设备和存储介质
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法
CN109767459A (zh) * 2019-01-17 2019-05-17 中南大学 新型眼底图配准方法
CN109919108A (zh) * 2019-03-11 2019-06-21 西安电子科技大学 基于深度哈希辅助网络的遥感图像快速目标检测方法
US10426442B1 (en) * 2019-06-14 2019-10-01 Cycle Clarity, LLC Adaptive image processing in assisted reproductive imaging modalities
CN110443143A (zh) * 2019-07-09 2019-11-12 武汉科技大学 多分支卷积神经网络融合的遥感图像场景分类方法
CN110473196A (zh) * 2019-08-14 2019-11-19 中南大学 一种基于深度学习的腹部ct图像目标器官配准方法
CN110599528A (zh) * 2019-09-03 2019-12-20 济南大学 一种基于神经网络的无监督三维医学图像配准方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
X.Q.Li等.Agent-based modeling and simulations of land-use and land-cover change according to ant colony optimization: a csae study of the Erhai Lake Basin.《Natural Hazards》.2015,第75卷(第1期),第95-118页. *
基于Landsat时间序列的自贡市土地利用/覆盖动态分析;王磊等;《环保科技》;20180831;第24卷(第4期);第22-26页 *

Also Published As

Publication number Publication date
CN111027508A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN110188765B (zh) 图像语义分割模型生成方法、装置、设备及存储介质
CN111882002B (zh) 一种基于msf-am的低照度目标检测方法
CN111027508B (zh) 一种基于深层神经网络的遥感图像覆被变化检测方法
CN109523013B (zh) 基于浅层卷积神经网络的空气颗粒物污染程度估计方法
US20240233313A1 (en) Model training method, image processing method, computing and processing device and non-transient computer-readable medium
WO2022095253A1 (zh) 一种基于深度通道感知的去除云雾方法
CN106897681B (zh) 一种遥感图像对比分析方法及系统
CN107909084B (zh) 一种基于卷积-线性回归网络的雾霾浓度预测方法
CN113408398B (zh) 基于通道注意力及概率上采样的遥感图像云检测方法
CN112464745B (zh) 一种基于语义分割的地物识别与分类方法和装置
CN111860175B (zh) 一种基于轻量化网络的无人机影像车辆检测方法及装置
CN113887472B (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
CN112926548A (zh) 一种车道线检测方法、装置、电子设备及存储介质
CN112801104A (zh) 基于语义分割的图像像素级伪标签确定方法及系统
CN114360067A (zh) 一种基于深度学习的动态手势识别方法
CN115393690A (zh) 一种轻量化神经网络的空对地观测多目标识别方法
CN113822383A (zh) 一种基于多域注意力机制的无人机检测方法及系统
CN114120036A (zh) 一种轻量化的遥感图像云检测方法
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
CN115147418A (zh) 缺陷检测模型的压缩训练方法和装置
CN115937071A (zh) 一种图像检测方法、装置、设备及介质
CN117036756A (zh) 基于变分自动编码器的遥感图像匹配方法及系统
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN115830514A (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN115578256A (zh) 一种无人机航拍绝缘子红外视频全景拼接方法及系统

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