CN111160128B - 一种基于对抗神经网络模型的遥感图像处理方法及系统 - Google Patents
一种基于对抗神经网络模型的遥感图像处理方法及系统 Download PDFInfo
- Publication number
- CN111160128B CN111160128B CN201911269701.4A CN201911269701A CN111160128B CN 111160128 B CN111160128 B CN 111160128B CN 201911269701 A CN201911269701 A CN 201911269701A CN 111160128 B CN111160128 B CN 111160128B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- neural network
- model
- standard
- 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
- G06V20/13—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
一种基于对抗神经网络模型的遥感图像处理方法及系统,通过利用包含同种地物标记的卫星遥感图像及标准遥感图像作为训练数据构建对抗神经网络模型,再对模型进行反复训练更新,可获取接近标准遥感图像的卫星遥感图像,突破了传统模型的限制,不依赖于设计者的先验知识,自动化、实时化的完成多平台、多光谱、多时相、大范围遥感影像地物分类和变化信息的检测,处理流程清晰,自动化程度高。
Description
技术领域
本发明涉及一种基于对抗神经网络模型的遥感图像处理方法及系统,属于可见光遥感图像计算机解译领域。
背景技术
遥感观测技术是指利用遥感技术和遥感设备,对地表覆盖和自然现象进行观测的人造卫星,主要应用于国土资源勘查、环境监测与保护、城市规划、农作物估产、防灾减灾和空间科学试验等领域,与人们生活也密切相关。
目前我国已经发射了多颗高分辨率光学卫星,并积累了海量的数据,目前主流的光学国产卫星有GF1、GF2、ZY302、GF1B、GF1C、GF1 D、GF6,未来仍旧发射多颗光学遥感卫星ZY02D及GF7,但是国产卫星载荷在色调上存在差异,因此卫星数据色彩变化拉伸是卫星领域研究一个重要的内容。
遥感数字图像色彩变化的主要目的是将遥感图像由于质量和载荷差异导致的偏色消除,目前遥感图像仍然较多的需要人工调色,由于质量和载荷差异导致的偏色较为明显,同时人工工作量也较大。
发明内容
本发明解决的技术问题是:针对目前现有技术中,人工进行图像调色时容易造成偏色及图片差异的问题,提出了一种基于对抗神经网络模型的遥感图像处理方法。
本发明解决上述技术问题是通过如下技术方案予以实现的:
一种基于对抗神经网络模型的遥感图像处理方法,步骤如下:
(1)将所选包含同种地物标记的卫星遥感图像及标准遥感图像作为训练图像数据,利用训练图像数据以Pytorch框架为基础,预设框架参数并构建对抗神经网络模型;
(2)以所选同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,将对抗神经网络模型输出的遥感信息图像及标准遥感图像进行对比,根据标准遥感图像判定标准判断遥感信息图像是否符合可用,若可用,则作为输出图像发送给用户,若不可用,则进入步骤(3);
(3)调整并优化对抗神经网络模型的框架参数,并继续以同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,对输出的遥感信息图像及标准遥感图像进行对比,若可用,则作为输出图像发送给用户,若不可用,继续调整对抗神经网络模型的框架参数直至遥感信息图像可用。
一种基于对抗神经网络模型的遥感图像处理系统,包括生成器模块、判别器模块,其中:
生成器模块:接收所选同种地物标记的卫星遥感图像并根据模型预设参数生成遥感信息图像;同时若接收到继续训练指令,则调整模型预设参数并重新利用同种地物标记的卫星遥感图像生成遥感信息图像,直至不再收到继续训练指令;
判别器模块:对生成器模块生成的遥感信息图像及由外部接收的同种地物标记的标准遥感图像进行对比,若遥感信息图像满足标准遥感图像判定标准,则将该遥感信息图像向外输出,否则向生成器模块发送继续训练指令。
所述对抗神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的卫星遥感图像输出遥感影像色彩变换后的遥感信息图像。
所述对抗神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的不相同分辨率的卫星遥感图像输出清晰度满足需求的遥感信息图像
本发明与现有技术相比的优点在于:
本发明提供的一种基于对抗神经网络模型的遥感图像处理方法及系统,通过构建循环对抗结构的对抗神经网络模型,通过将包含同种地物标记的卫星遥感图像及标准遥感图像作为训练数据构建模型,并根据模型参数和输出结果不断进行模型更新,实现了图像高精度处理的同时,还可对遥感影像进行色彩变换,提高影像分辨率及自动化程度,节省了色彩变换的人工成本。
附图说明
图1为发明提供的对抗模型遥感图像处理流程图;
图2为发明提供的对抗神经网络模型结构示意图;
图3为发明提供的相同分辨率下不同色调卫星融合图像对比图;
图4为发明提供的不同分辨率下卫星融合图像对比图;
具体实施方式
一种基于对抗神经网络模型的遥感图像处理方法,通过包含同种地物标记的卫星遥感图像及标准遥感图像作为训练数据集进行模型构建及反复训练,提升输出图像数据的准确性,具体步骤为:
(1)将所选包含同种地物标记的卫星遥感图像及标准遥感图像作为训练图像数据,利用训练图像数据以Pytorch框架为基础,预设框架参数并构建对抗神经网络模型;
其中,卫星遥感图像为不同载荷类型的国产光学卫星融合图像数据,将部分卫星遥感图像及标准遥感图像制作成符合训练模型的数据集,同时对其他卫星遥感图像作为测试数据,并对所有数据提取红、绿、蓝通道以合成真彩色遥感图像;
构建的对抗神经网络模型即为遥感图像处理系统,主要包括生成器模块、判别器模块,其中:
生成器模块G:接收所选同种地物标记的卫星遥感图像并根据模型预设参数生成遥感信息图像;同时若接收到继续训练指令,则调整模型预设参数并重新利用同种地物标记的卫星遥感图像生成遥感信息图像,直至不再收到继续训练指令;
判别器模块D:对生成器模块生成的遥感信息图像及由外部接收的同种地物标记的标准遥感图像进行对比,若遥感信息图像满足标准遥感图像判定标准,则将该遥感信息图像向外输出,否则向生成器模块发送继续训练指令;
(2)以所选同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,将对抗神经网络模型输出的遥感信息图像及标准遥感图像进行对比,根据标准遥感图像判定标准判断遥感信息图像是否符合可用,若可用,则作为输出图像发送给用户,若不可用,则进入步骤(3);
(3)调整并优化对抗神经网络模型的框架参数,并继续以同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,对输出的遥感信息图像及标准遥感图像进行对比,若可用,则作为输出图像发送给用户,若不可用,继续调整对抗神经网络模型的框架参数直至遥感信息图像可用。
在Pytorch框架下逐层搭建纯卷积神经网络,生成对抗神经网络,网络中有生成器G、和判别器D,两个数据域分别为X,Y,G负责把X域中的数据拿过来拼命地模仿成真实数据并把它们藏在真实数据中,而D就拼命地要把伪造数据和真实数据分开。经过二者的博弈以后,G的伪造技术越来越厉害,D的判别技术也越来越厉害。直到D再也分不出数据是真实的还是G生成的数据的时候,说明G的生成图像达到了完全一致的判定标准,这个对抗的过程达到一个动态的平衡。
循环生成对抗网络本质上是两个镜像对称的GAN,构成了一个环形网络。两个GAN共享两个生成器,并各自带一个判别器,即共有两个判别器和两个生成器。一个单向GAN两个loss,两个GAN即共四个loss;
对抗模型使用的是一一对应的所选样本地表区的多时相遥感图像和人工绘制的标准遥感信息图像,输入该样本地表区的多时相遥感图像后,得到的输出图像会随着不断训练以及对网络模型内由数个卷积层构成的残差层、多尺度的卷积层和降采样层的参数进行调整优化而变得更接近标准遥感信息图像,从而实现越来越好的图像处理效果,当对所选样本地表区的图像处理程度达标后,其他样本地表区的图像处理也能够达标。
在对抗模型中,首先要根据均匀分布的原则对所有神经网络的权重进行初始化,具体权重可以根据任务需求确定,再将所选同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,同时将它对应的标准遥感图像共同作为训练数据输入到神经网络中并进行多层卷积操作,对比神经网络的生成器输出图片和判别器标准图片,确认是否可用,若可用即可输出,否则利用误差反向传播算法调整网络的权重和偏置,重新进行多层卷积操作,记录此时的网络参数并进行调优直至模型训练完毕;
具体为:
1.初始化神经网络的参数:按照均匀分布对神经网络的权重进行初始化,分布函数如下:
式中,x为某一层神经网络的参数,F(x)为服从均匀分布的概率密度函数,边界值a、b与该层网络的输入维度和输出维度有关,神经网络权重初始化对模型的收敛速度和性能有着至关重要的影响,一个好的权重初始化不仅加快梯度下降的收敛速度、增加梯度下降收敛到较低训练错误的几率,还可以削弱深层网络中梯度下降过程中极易出现的梯度消失和梯度爆炸。
将训练数据输入到神经网络中并进行多层卷积操作,即每卷积层的输出,作为下一卷积层的输入;
计算神经网络的输出结果和相对标签的误差值,Loss函数计算公式为:
式中,定义判别器D,生成器G,x为真实数据,其概率分布为pdata(x);z为噪声,其概率分布为pz(z);D(x)为判别器D的损失函数,G(z)是噪声z通过生成器生成的样本,通过判别器D对其进行判别;
对抗网络的优化过程:固定G,最大化V(G,D),更新D的参数;固定D,最小化V(G,D),更新G的参数;通过交替迭代,调整神经网络的权重参数和偏置参数,当神经网络迭代更新至预设次数时,记录此时的网络参数并进行模型调优。
对图片进行输出前,要对测试数据进行遥感影像色彩变换检测,首先载入调优的网络参数,将测试数据切割为500*500的小图像输入神经网络中,对子区域小图像处理后于输出时进行拼接,即可获得色彩变换结果,实现各种图形属性更加接近标准遥感图像的目的。
下面结合具体实施例进行进一步说明:
以GF6融合后遥感影像作为输入图像,以转化为GF1色调的GF6融合后遥感影像为模型输出图像,具体步骤如下:
准备数据集,通过数据集形成训练数据及测试数据,GF6号8景全色和多光谱融合的遥感影像作为训练数据中的卫星遥感图像,以20景GF1号全色和多光谱融合的遥感影像作为训练数据中的标准遥感图像,分辨率均为2米,涉及区域为山东沿海某区域,制作数据集时,首先将GF6真彩色遥感影像随机地分为两部分,其中6景用于训练,2景用于测试,GF1影像全部用于训练且与6景GF6影像对应,这些影像将被均匀地切割成500*500的小幅图像,用于神经网络的训练。
在Pytorch框架下逐层搭建纯卷积神经网络,生成对抗神经网络,如图2所示,为神经网络模型结构示意图,网络中有生成器G、和判别器D,判别器神经网络具体的组成结构如下表所示:
生成器神经网络具体的组成结构如下表所示:
此时,根据上述结构组成,按照均匀分布原则对神经网络的权重进行初始化,将训练数据后进行多层卷积操作,输出的遥感信息图像及标准遥感图像进行对比,计算误差值,若该图片可用则作为输出,若不可用,利用误差反向传播算法调整网络的权重和偏置,不断对模型进行网络参数调整,更新训练直至输出图像全部可用。
同时,利用训练完成的对抗模型将测试数据切割为500*500的小图像输入神经网络中,对子区域小图像处理后于输出时进行拼接获取色彩变换输出图像;
在本实施例中,使用了20张GF1号和6张GF6号遥感影像作为训练数据,2张GF6作为测试数据。对于该方法的性能评估,主要是比较转换后GF6影像色彩和GF1影像色彩的差距。如图3所示,得到的结果与GF1色调大致相符;
以影像分辨率2米的GF1融合后遥感影像作为输入图像,以转化为影像分辨率0.8米的GF2分辨率的GF1融合后遥感影像为模型输出图像,具体步骤如下:
准备数据集,通过数据集形成训练数据及测试数据,GF1号10景全色和多光谱融合的遥感影像作为训练数据中的卫星遥感图像,以18景GF2号全色和多光谱融合的遥感影像作为训练数据中的标准遥感图像,其中GF1分辨率为2米,GF2分辨率为0.8米,涉及区域为山东沿海某区域,制作数据集时,首先将GF1真彩色遥感影像随机地分为两部分,其中8景用于训练,2景用于测试,GF2影像全部用于训练且与8景GF6影像对应,这些影像将被均匀地切割成500*500的小幅图像,用于神经网络的训练。
在Pytorch框架下逐层搭建纯卷积神经网络,生成对抗神经网络,如图2所示,为神经网络模型结构示意图,网络中有生成器G、和判别器D,判别器神经网络具体的组成结构如下表所示
生成器神经网络具体的组成结构如下表所示:
此时,根据上述结构组成,按照均匀分布原则对神经网络的权重进行初始化,将训练数据后进行多层卷积操作,输出的遥感信息图像及标准遥感图像进行对比,计算误差值,若该图片可用则作为输出,若不可用,利用误差反向传播算法调整网络的权重和偏置,不断对模型进行网络参数调整,更新训练直至输出图像全部可用。
同时,利用训练完成的对抗模型将测试数据切割为500*500的小图像输入神经网络中,对子区域小图像处理后于输出时进行拼接获取色彩变换输出图像;
在本实施例中,使用了8张GF1号和18张GF2号遥感影像作为训练数据,2张GF1作为测试数据。对于该方法的性能评估,主要是比较转换后GF1影像分辨率和GF2影像分辨率的差距。如图4所示,得到的结果与GF2分辨率大致相符;
从实验结果来看,本发明很好地解决了国产光学卫星影像色彩转换和提升影像清晰度的问题,具备自动化程度,能够大幅度降低人工成本,具有广阔的应用前景和价值。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (1)
1.一种基于对抗神经网络模型的遥感图像处理方法,其特征在于步骤如下:
(1)将所选包含同种地物标记的卫星遥感图像及标准遥感图像作为训练图像数据,利用训练图像数据以Pytorch框架为基础,预设框架参数并构建对抗神经网络模型;
(2)以所选同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,将对抗神经网络模型输出的遥感信息图像及标准遥感图像进行对比,根据标准遥感图像判定标准判断遥感信息图像是否符合可用,若可用,则作为输出图像发送给用户,若不可用,则进入步骤(3);
(3)调整并优化对抗神经网络模型的框架参数,并继续以同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,对输出的遥感信息图像及标准遥感图像进行对比,若可用,则作为输出图像发送给用户,若不可用,继续调整对抗神经网络模型的框架参数直至遥感信息图像可用;
所述对抗神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的卫星遥感图像输出遥感影像色彩变换后的遥感信息图像;
所述对抗神经网络模型可根据地物标记种类对输入的卫星遥感图像进行标记,并根据标记后的不相同分辨率的卫星遥感图像输出清晰度满足需求的遥感信息图像;
基于对抗神经网络模型的遥感图像处理系统,包括生成器模块、判别器模块,其中:
生成器模块:接收所选同种地物标记的卫星遥感图像并根据模型预设参数生成遥感信息图像;同时若接收到继续训练指令,则调整模型预设参数并重新利用同种地物标记的卫星遥感图像生成遥感信息图像,直至不再收到继续训练指令;
判别器模块:对生成器模块生成的遥感信息图像及由外部接收的同种地物标记的标准遥感图像进行对比,若遥感信息图像满足标准遥感图像判定标准,则将该遥感信息图像向外输出,否则向生成器模块发送继续训练指令;
其中,在Pytorch框架下逐层搭建纯卷积神经网络,生成对抗神经网络,包括生成器模块G、判别器模块D,数据域分别为X,Y,G负责将数据域X中的数据模仿为真实数据并隐藏于真实数据中,判别器模块D将模仿数据与真实数据进行区分,生成器模块G、判别器模块D持续工作直至判别器模块D不能分辨出生成器模块G生成的模仿数据与真实数据区别为止;
对抗神经网络中,采用所选样本地表区的多时相遥感图像和人工绘制的标准遥感信息图像作为输入,输出图像于对抗神经网络中进行训练后,逐步接近准遥感信息图像以实现图像处理效果的提升;
对抗神经网络中,根据均匀分布原则对所有神经网络的权重进行初始化,具体权重根据任务需求确定,将所选同种地物标记的卫星遥感图像作为对抗神经网络模型输入图像,将对应的标准遥感图像共同作为训练数据输入到神经网络中并进行多层卷积操作,对比神经网络的生成器输出图片和判别器标准图片,确认是否可用,若可用即可输出,否则利用误差反向传播算法调整网络的权重和偏置,重新进行多层卷积操作,记录此时的网络参数并进行调优直至模型训练完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911269701.4A CN111160128B (zh) | 2019-12-11 | 2019-12-11 | 一种基于对抗神经网络模型的遥感图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911269701.4A CN111160128B (zh) | 2019-12-11 | 2019-12-11 | 一种基于对抗神经网络模型的遥感图像处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160128A CN111160128A (zh) | 2020-05-15 |
CN111160128B true CN111160128B (zh) | 2023-07-18 |
Family
ID=70557042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911269701.4A Active CN111160128B (zh) | 2019-12-11 | 2019-12-11 | 一种基于对抗神经网络模型的遥感图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160128B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362287B (zh) * | 2021-05-24 | 2022-02-01 | 江苏星月测绘科技股份有限公司 | 一种人机协同的遥感影像智能解译方法 |
WO2023150943A1 (zh) * | 2022-02-09 | 2023-08-17 | Oppo广东移动通信有限公司 | 无线信道模型的更新方法、装置、设备及存储介质 |
CN116991298B (zh) * | 2023-09-27 | 2023-11-28 | 子亥科技(成都)有限公司 | 一种基于对抗神经网络的虚拟镜头控制方法 |
CN117612020B (zh) * | 2024-01-24 | 2024-07-05 | 西安宇速防务集团有限公司 | 基于sgan对抗神经网络遥感影像要素变化的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
CN113239830A (zh) * | 2021-05-20 | 2021-08-10 | 北京航空航天大学 | 一种基于全尺度特征融合的遥感图像云检测方法 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10007866B2 (en) * | 2016-04-28 | 2018-06-26 | Microsoft Technology Licensing, Llc | Neural network image classifier |
US10397498B2 (en) * | 2017-01-11 | 2019-08-27 | Sony Corporation | Compressive sensing capturing device and method |
CN108399625B (zh) * | 2018-02-28 | 2020-06-30 | 电子科技大学 | 一种基于深度卷积生成对抗网络的sar图像定向生成方法 |
CN108510532B (zh) * | 2018-03-30 | 2022-07-15 | 西安电子科技大学 | 基于深度卷积gan的光学和sar图像配准方法 |
CN110189253B (zh) * | 2019-04-16 | 2023-03-31 | 浙江工业大学 | 一种基于改进生成对抗网络的图像超分辨率重建方法 |
CN110263612A (zh) * | 2019-04-25 | 2019-09-20 | 北京工业大学 | 基于生成对抗网络的多光谱遥感图像道路提取方法 |
CN110211046B (zh) * | 2019-06-03 | 2023-07-14 | 重庆邮电大学 | 一种基于生成对抗网络的遥感图像融合方法、系统和终端 |
CN110516539A (zh) * | 2019-07-17 | 2019-11-29 | 苏州中科天启遥感科技有限公司 | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 |
CN114973021A (zh) * | 2022-06-15 | 2022-08-30 | 北京鹏鹄物宇科技发展有限公司 | 一种基于深度学习的卫星图像数据处理系统和方法 |
-
2019
- 2019-12-11 CN CN201911269701.4A patent/CN111160128B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256424A (zh) * | 2017-12-11 | 2018-07-06 | 中交信息技术国家工程实验室有限公司 | 一种基于深度学习的高分辨率遥感图像道路提取方法 |
WO2021226977A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
CN113239830A (zh) * | 2021-05-20 | 2021-08-10 | 北京航空航天大学 | 一种基于全尺度特征融合的遥感图像云检测方法 |
Non-Patent Citations (1)
Title |
---|
Image Super-Resolution Using a Wavelet-based Generative Adversarial Network;Qi Zhang等;《ARXIV》;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN111160128A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160128B (zh) | 一种基于对抗神经网络模型的遥感图像处理方法及系统 | |
CN108710831B (zh) | 一种基于机器视觉的小数据集人脸识别算法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN109685743A (zh) | 基于噪声学习神经网络模型的图像混合噪声消除方法 | |
CN110533631A (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN105930877A (zh) | 一种基于多模态深度学习的遥感影像分类方法 | |
CN109801218B (zh) | 基于多层耦合卷积神经网络的多光谱遥感图像Pan-sharpening方法 | |
CN108921830A (zh) | 一种基于图像检索的人数统计方法 | |
CN112419196B (zh) | 一种基于深度学习的无人机遥感影像阴影去除方法 | |
CN107589093A (zh) | 一种基于回归分析的煤质在线检测分析方法 | |
CN108921932A (zh) | 一种基于卷积神经网络的黑白人物图片实时生成多种合理着色的方法 | |
CN114998757A (zh) | 用于无人机航摄图像分析的目标检测方法 | |
CN113989100A (zh) | 一种基于样式生成对抗网络的红外纹理样本扩充方法 | |
CN113436060A (zh) | 一种异源遥感图像风格迁移方法和装置 | |
CN111178503A (zh) | 面向移动终端的去中心化目标检测模型训练方法及系统 | |
CN116664954A (zh) | 基于图卷积与卷积融合的高光谱地物分类方法 | |
CN112529828B (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 | |
CN110717960B (zh) | 一种建筑垃圾遥感图像样本的生成方法 | |
CN107194917A (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN110441820A (zh) | 地质构造的智能解释方法 | |
Hu et al. | Multi-information PointNet++ fusion method for DEM construction from airborne LiDAR data | |
CN117152435A (zh) | 一种基于U-Net3+的遥感语义分割方法 | |
CN114972124B (zh) | 一种遥感图像亮度自适应均衡方法及系统 | |
Hu et al. | A spatial constraint and deep learning based hyperspectral image super-resolution method |
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 |
Effective date of registration: 20201201 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 |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |