CN111104850B - 一种基于残差网络的遥感影像建筑物自动提取方法和系统 - Google Patents
一种基于残差网络的遥感影像建筑物自动提取方法和系统 Download PDFInfo
- Publication number
- CN111104850B CN111104850B CN201911043355.8A CN201911043355A CN111104850B CN 111104850 B CN111104850 B CN 111104850B CN 201911043355 A CN201911043355 A CN 201911043355A CN 111104850 B CN111104850 B CN 111104850B
- Authority
- CN
- China
- Prior art keywords
- network model
- residual error
- data set
- remote sensing
- sample data
- 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
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
- G06V20/176—Urban or other man-made structures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于残差网络的遥感影像建筑物自动提取方法和系统，该方法包括：构建训练样本数据集；对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；构建用于遥感影像建筑物自动提取的待训练残差网络模型；根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数；根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型；根据训练残差网络模型，对测试数据进行建筑物检测。本发明实现了对建筑物的自动化提取，降低了解译成本，提高了解译效率。
Description
技术领域
本发明属于多光谱遥感图像技术领域，尤其涉及一种基于残差网络的遥感影像建筑物自动提取方法和系统。
背景技术
遥感是使用运用现代化的运载工具和传感器，探测和识别远距离研究对象的技术。基于人造地球卫星、航空等平台上的遥测仪器，从远距离获取目标物体的电磁波特性，通过该信息的传输、贮存、卫星、修正、识别目标物体，对地球表面实施感应遥测和资源管理。随着经济与科学技术的发展，遥感对地观测技术进入了一个高速发展时期。各种传感器的发射升空，使得卫星遥感数据极为丰富，为人类研究地球创造了前所未有的有利条件，为遥感开拓了更广阔的应用前景，为信息时代的到来建设打下了坚实的基础。
随着经济建设的不断发展，城市化进程的不断推进，土地的利用和管理显得尤其重要。建筑物作为地物类型中分布最广的人工目标类型之一，相关信息的准确获取在城市规划、人口布局、土地分析和环境调查等方面具有重要意义。近年来，我国国力不断增强，发射了多颗高分辨率光学卫星，积累了海量的数据。由于其包含丰富的地物光谱、空间信息，能够准确描述不同地物间的差异，且具有高空间、高时间、高光谱分辨率的特点，能够高效地从高空对地物信息进行大范围、高精度监测，目前已被广泛应用于建筑物提取中。
然而，目前遥感图像仍然较多的需要人工判读，即使存在一些解译算法，也大多自动化程度不高，需要人工干预，
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种基于残差网络的遥感影像建筑物自动提取方法和系统，实现了对建筑物的自动化提取，降低了解译成本，提高了解译效率。
为了解决上述技术问题，本发明公开了一种基于残差网络的遥感影像建筑物自动提取方法，包括：
构建训练样本数据集；
对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；
构建用于遥感影像建筑物自动提取的待训练残差网络模型；
根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数；
根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型；
根据训练残差网络模型，对测试数据进行建筑物检测。
相应的，本发明还公开了一种基于残差网络的遥感影像建筑物自动提取系统，包括：
训练集构建模块，用于构建训练样本数据集；
训练集处理模块，用于对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；
模型构建模块，用于构建用于遥感影像建筑物自动提取的待训练残差网络模型；
参数训练模块，用于根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数；
模型更新模块，用于根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型；
检测模块，用于根据训练残差网络模型，对测试数据进行建筑物检测。
本发明具有以下优点：
(1)本发明公开了一种基于残差网络的遥感影像建筑物自动提取方案，实现了对建筑物的自动化提取，降低了解译成本，提高了解译效率，极大地降低了人工成本。
(2)本发明公开了一种基于残差网络的遥感影像建筑物自动提取方案，通过对训练样本数据集进行扩充，以此来进一步提升了残差网络模型的准确率。
附图说明
图1是本发明实施例中一种基于残差网络的遥感影像建筑物自动提取方法的步骤流程图；
图2是本发明实施例中一种残差网络模型的结构图；
图3是本发明实施例中一种真实遥感影像与建筑物提取结果；
图4是本发明实施例中一种真实遥感影像与建筑物提取结果细节图；
图5是本发明实施例中一种真实遥感影像与建筑物提取结果细节图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
实施例1
如图1，在本实施例中，该基于残差网络的遥感影像建筑物自动提取方法，包括：
步骤101，构建训练样本数据集。
在本实施例中，可以通过如下方式构建训练样本数据集：获取通过遥感卫星相机采集到的多光谱(包含红、绿、蓝、红外四个波段)与全色影像；将多光谱与全色影像进行融合，得到融合影像；对融合影像进行分割处理，得到分割影像；确定与分割影像对应匹配的标签；根据得到的携带有标签的各分割影像，得到训练样本数据集。其中，标签，用于指示建筑物的位置。
优选的，在对融合影像进行分割处理时，分割尺寸大小包括但不仅限于：500x500大小。
步骤102，对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集。
在本实施例中，可以通过如下方式对训练样本数据集进行扩充：将训练样本数据集中的样本进行旋转和变换，完成对对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；其中，旋转角度：0°、90°、180°和270°四种旋转角度；变换，包括：伽马变换、对比度变换、饱和度变换、锐化处理和散焦模糊处理。
步骤103，构建用于遥感影像建筑物自动提取的待训练残差网络模型。
在本实施例中，可以在Caffe框架下逐层搭建残差神经网络，得到用于遥感影像建筑物自动提取的待训练残差网络模型。该待训练残差网络模型采用卷积层进行残差学习，代替直接映射关系的学习，在增加网络深度的同时减缓退化问题，提升了网络效果。
优选的，待训练残差网络模型的网络架构可以包括：卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层pool。其中：
卷积层Conv1为：采用64个7×7的卷积核进行卷积操作，缩放倍数为2。
卷积层Conv2为：首先采用3×3的核对特征影像进行最大池化，缩放倍数为2；然后进行三组卷积操作，每组分别由64个1×1的卷积核、64个3×3的卷积核及256个1×1的卷积核组成。
卷积层Conv3为：进行三组卷积操作，每组分别由128个1×1的卷积核、128个3×3的卷积核及512个1×1的卷积核组成。
卷积层Conv4为：进行三组卷积操作，每组分别由256个1×1的卷积核、256个3×3的卷积核及1024个1×1的卷积核组成。
卷积层Conv5为：进行三组卷积操作，每组分别由512个1×1的卷积核、512个3×3的卷积核及2048个1×1的卷积核组成。
池化层pool为：对特征影像先进行平均池化操作，然后连接softmax层进行损失函数计算。
步骤104，根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数。
在本实施例中，可以通过如下方式对待训练残差网络模型进行训练：对待训练残差网络模型进行初始化；将扩充后的训练样本数据集中的训练样本输入到初始化后的待训练残差网络模型中进行训练，得到预测结果和扩充后的训练样本数据集中的标签的误差；根据得到的预测结果和扩充后的训练样本数据集中的标签的误差，对待训练残差网络模型中的权重和偏置进行调整；当待训练残差网络模型迭代更新至预设次数时，记录此时的网络参数。
步骤105，根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型。
步骤106，根据训练残差网络模型，对测试数据进行建筑物检测。
在本实施例中，对建筑物的检测具体流程可以如下：获取待测试遥感影像，并将待测试遥感影像进行分割处理，得到待测试的分割影像；加载训练残差网络模型，将待测试的分割影像输入到训练残差网络模型中，得到各区域的建筑物提取结果；对各区域的建筑物提取结果进行拼接处理，得到最终的建筑物提取结果。
实施例2
在上述实施例的基础上，下面结合一个具体实例进行说明。
本发明实施例公开了一种基于残差网络的遥感影像建筑物自动提取方法，用于大范围的提取建筑物。在Caffe框架下，首先完成网络的搭建，迁移在ImageNet上训练好的模型，对扩充后的训练样本进行训练，然后使用调优后的模型参数，对测试遥感影像进行建筑物提取。
步骤一：准备训练样本数据集。
本实施例使用了北京、天津、浙江等区域的10景高分一号影像及5景ZY302影像制作训练样本。本次实验训练样本为全色和多光谱融合后的影像，分辨率为2米，包含四个通道，分别为蓝、绿、红及红外通道；然后，标注出影像对应位置的建筑物作为训练标签影像，像素值为0的区域代表非建筑物区域，像素值为1的区域代表建筑物区域；最能，将遥感影像与其对应的标签影像裁剪为500x500的大小，即完成了训练样本的制作。残差网络模型的如图2所示，输入为融合后的遥感多光谱与全色影像，输出为建筑物提取二值图结果，像素值为0的区域表示非建筑物区域，像素值为255的区域为建筑物区域。
步骤二：对训练样本数据集中的样本进行扩充。
首先，可以借助GDAL读取制作好的训练样本影像。再对数据进行旋转和变换，旋转的角度为0度，90度，180度，270度，共四种情况，变换包含伽马变换、对比度变换、饱和度变换、锐化、散焦模糊。在程序运行时，自动地选择旋转和变换各一种情况对数据进行变换。变换完毕后，经由裁剪步骤，提取适合神经网络输入尺寸的图像，载入神经网络中进行训练。
步骤三：构建用于遥感影像建筑物自动提取的待训练残差网络模型。
在Caffe框架下逐层搭建残差网络，该残差网络模型具体的组成结构如下表1所示：
表1
步骤四：对待训练残差网络模型进行参数更新，得到训练残差网络模型。
1、迁移原有在ImageNet上已经训练好的模型，为网络权值进行初始化；
2、将样本扩充之后的训练数据集输入到初始化后的网络中进行训练；
3、通过Softmax损失函数来计算残差网络得到的预测结果和训练集中标签的误差：
4、利用误差反向传播算法调整网络的权重和偏置，并返回步骤2。对网络重复迭代30000次，记录此时的网络参数。
步骤五：进行建筑物检测。
1、将包含建筑物的测试影像(如，20000x20000)切割为1000x 1000的小图像输入到残差网络中，得到该区域的建筑物提取结果；
3、将裁剪后影像提取出的结果进行拼接，即可获得建筑物提取结果。
如图3～5，为了对该基于残差网络的遥感影像建筑物自动提取方案进行性能评估，对2景高分一号影像及1景ZY302影像进行了建筑物提取，并将提取结果与真实地表建筑物分布情况进行了对比分析。分析结果显示，本发明实施例所述的基于残差网络的遥感影像建筑物自动提取方案提取的建筑物召回率均在90％左右，且准确率在90％左右，可以满足实际生产需求。
从实验结果来看，本发明实施例所述的基于残差网络的遥感影像建筑物自动提取方案在大范围建筑物提取方面具有较高的召回率及准确率，提取精度高，且自动化程度高，不需要人工干预，能够大幅度降低人工成本，具有广阔的应用前景和价值。
实施例3
在上述实施例的基础上，本发明还公开了一种基于残差网络的遥感影像建筑物自动提取系统，包括：训练集构建模块，用于构建训练样本数据集；训练集处理模块，用于对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；模型构建模块，用于构建用于遥感影像建筑物自动提取的待训练残差网络模型；参数训练模块，用于根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数；模型更新模块，用于根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型；检测模块，用于根据训练残差网络模型，对测试数据进行建筑物检测。
对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (5)
1.一种基于残差网络的遥感影像建筑物自动提取方法，其特征在于，包括：
构建训练样本数据集；包括：获取通过遥感卫星相机采集到的多光谱与全色影像；将多光谱与全色影像进行融合，得到融合影像；对融合影像进行分割处理，得到分割影像；确定与分割影像对应匹配的标签；根据得到的携带有标签的各分割影像，得到训练样本数据集；其中，标签，用于指示建筑物的位置；
对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；
构建用于遥感影像建筑物自动提取的待训练残差网络模型；包括：在Caffe框架下逐层搭建残差神经网络，得到用于遥感影像建筑物自动提取的待训练残差网络模型；其中，所述残差神经网络采用卷积层进行残差学习；待训练残差网络模型的网络架构，包括：卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层pool；卷积层Conv1为：采用64个7×7的卷积核进行卷积操作，缩放倍数为2；卷积层Conv2为：首先采用3×3的核对特征影像进行最大池化，缩放倍数为2；然后进行三组卷积操作，每组分别由64个1×1的卷积核、64个3×3的卷积核及256个1×1的卷积核组成；卷积层Conv3为：进行三组卷积操作，每组分别由128个1×1的卷积核、128个3×3的卷积核及512个1×1的卷积核组成；卷积层Conv4为：进行三组卷积操作，每组分别由256个1×1的卷积核、256个3×3的卷积核及1024个1×1的卷积核组成；卷积层Conv5为：进行三组卷积操作，每组分别由512个1×1的卷积核、512个3×3的卷积核及2048个1×1的卷积核组成；池化层pool为：对特征影像先进行平均池化操作，然后连接softmax层进行损失函数计算；
根据扩充后的训练样本数据集中的训练样本，对待训练残差网络模型进行训练，得到网络参数；包括：对待训练残差网络模型进行初始化；将扩充后的训练样本数据集中的训练样本输入到初始化后的待训练残差网络模型中进行训练，得到预测结果和扩充后的训练样本数据集中的标签的误差；根据得到的预测结果和扩充后的训练样本数据集中的标签的误差，对待训练残差网络模型中的权重和偏置进行调整；当待训练残差网络模型迭代更新至预设次数时，记录此时的网络参数；
根据得到的网络参数，对待训练残差网络模型进行参数更新，得到训练残差网络模型；
根据训练残差网络模型，对测试数据进行建筑物检测。
2.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集，包括：
将训练样本数据集中的样本进行旋转和变换，完成对训练样本数据集中的样本进行扩充，得到扩充后的训练样本数据集；其中，旋转角度：0°、90°、180°和270°四种旋转角度；变换，包括：伽马变换、对比度变换、饱和度变换、锐化处理和散焦模糊处理。
3.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，根据训练残差网络模型，对测试数据进行建筑物检测，包括：
获取待测试遥感影像，并将待测试遥感影像进行分割处理，得到待测试的分割影像；
加载训练残差网络模型，将待测试的分割影像输入到训练残差网络模型中，得到各区域的建筑物提取结果；
对各区域的建筑物提取结果进行拼接处理，得到最终的建筑物提取结果。
4.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，在对融合影像进行分割处理时，分割尺寸大小为500x500。
5.根据权利要求1所述的基于残差网络的遥感影像建筑物自动提取方法，其特征在于，预设次数为：30000次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043355.8A CN111104850B (zh) | 2019-10-30 | 2019-10-30 | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911043355.8A CN111104850B (zh) | 2019-10-30 | 2019-10-30 | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111104850A CN111104850A (zh) | 2020-05-05 |
| CN111104850B true CN111104850B (zh) | 2023-09-26 |
Family
ID=70421403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911043355.8A Active CN111104850B (zh) | 2019-10-30 | 2019-10-30 | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111104850B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990041B (zh) * | 2021-03-25 | 2022-10-18 | 武汉大学 | 一种基于改进型U-net的遥感影像建筑物提取方法 |
| CN113205052A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 基于残差深度网络的孢子芽孢识别方法、系统及介质 |
| CN117372564B (zh) * | 2023-12-04 | 2024-03-08 | 长春理工大学 | 一种重构多光谱图像的方法、系统及存储介质 |
| CN117765361B (zh) * | 2023-12-26 | 2024-06-11 | 西安电子科技大学 | 一种基于残差神经网络检测双时相遥感影像中建筑物变化区域的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106535133A (zh) * | 2016-11-11 | 2017-03-22 | 天津大学 | 一种基于机器学习的蜂窝网络中室内话务精确定位方法 |
| CN107679441A (zh) * | 2017-02-14 | 2018-02-09 | 郑州大学 | 基于多时相遥感影像阴影提取城市建筑物高度的方法 |
| CN108681692A (zh) * | 2018-04-10 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
| CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
| CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
| CN109993803A (zh) * | 2019-02-25 | 2019-07-09 | 复旦大学 | 城市色调的智能分析与评价方法 |
| CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
-
2019
- 2019-10-30 CN CN201911043355.8A patent/CN111104850B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106535133A (zh) * | 2016-11-11 | 2017-03-22 | 天津大学 | 一种基于机器学习的蜂窝网络中室内话务精确定位方法 |
| CN107679441A (zh) * | 2017-02-14 | 2018-02-09 | 郑州大学 | 基于多时相遥感影像阴影提取城市建筑物高度的方法 |
| CN108681692A (zh) * | 2018-04-10 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
| CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
| CN109993803A (zh) * | 2019-02-25 | 2019-07-09 | 复旦大学 | 城市色调的智能分析与评价方法 |
| CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
| CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 乔文凡等.联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别.《地理与地理信息科学》.2018,第34卷(第05期),第56-62页. * |
| 吕争等."资源三号"卫星正视影像区域网平差.《航天返回与遥感》.2014,(第01期),第72-80页. * |
| 李大成等.一种单时相高分辨率遥感影像时空融合算法.计算机工程与应用.2018,(第05期),191-199. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111104850A (zh) | 2020-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
| CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
| CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
| CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
| CN111178149B (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
| CN109063569A (zh) | 一种基于遥感影像的语义级变化检测方法 | |
| CN112949407B (zh) | 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法 | |
| CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
| CN113052106B (zh) | 一种基于PSPNet网络的飞机起降跑道识别方法 | |
| CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
| CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
| CN114998251B (zh) | 一种基于联邦学习的空中多视觉平台地面异常检测方法 | |
| CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
| CN115494007A (zh) | 基于随机森林的土壤有机质高精度快速检测方法及装置 | |
| CN108932474B (zh) | 一种基于全卷积神经网络复合特征的遥感影像云判方法 | |
| CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
| CN115457396B (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
| CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
| CN117688313A (zh) | 一种网络协同处理测绘数据的方法 | |
| CN114266932B (zh) | 一种基于自学习的遥感多光谱数据半监督标注方法 | |
| CN116977586A (zh) | 一种基于电网gis平台的实景三维建模方法 | |
| CN115690597A (zh) | 一种基于深度背景差分的遥感影像城市地物变化检测方法 | |
| CN115393731A (zh) | 一种基于交互想定和深度学习生成虚拟云图的方法和系统 | |
| Wu et al. | A DCNN Geographic Object Extraction Method for National Geographic Condition Monitoring | |
| Yu et al. | An integrative object-based image analysis workflow for UAV images |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201112 Address after: 1201, block a, building 1, yard 65, Zhichun Road, Haidian District, Beijing 100048 Applicant after: CHINA SURVEY SURVEYING AND MAPPING TECHNOLOGY Co.,Ltd. Address before: 100094, Beijing, Yongfeng Haidian District industrial base, No. 5 East Feng Feng Road Applicant before: CHINA CENTRE FOR RESOURCES SATELLITE DATA AND APPLICATION |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |