CN111582043A - 基于多任务学习的高分辨率遥感影像地物变化检测方法 - Google Patents
基于多任务学习的高分辨率遥感影像地物变化检测方法 Download PDFInfo
- Publication number
- CN111582043A CN111582043A CN202010294564.6A CN202010294564A CN111582043A CN 111582043 A CN111582043 A CN 111582043A CN 202010294564 A CN202010294564 A CN 202010294564A CN 111582043 A CN111582043 A CN 111582043A
- Authority
- CN
- China
- Prior art keywords
- change detection
- remote sensing
- model
- feature
- module
- 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
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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感影像地物变化检测技术领域,具体一种基于多任务学习的遥感影像地物变化检测方法,用以克服现有技术中因地物变化检测的精度依赖于地物分类的精度导致得误差累计的问题。本发明采用多任务学习地物变化检测模型,包括:两条语义分割模型分支与一条变化检测模型分支;通过分割网络构建语义分割模型,该模型的特征提取模块能够有效的提取遥感图像的特征,接着构建孪生网络来训练地物变化检测模型,并且构建多任务学习机制。综上,本发明既能够确定地物变化检测区域,又能够得到不同地物的变化检测结果和区域变化前后的地物类型,同时也避免了误差累计的问题,提高了变化检测的精度。
Description
技术领域
本发明属于遥感影像地物变化检测技术领域,更为具体的讲,涉及在地物解译需求下一种基于多任务学习的遥感影像地物变化检测,其综合了遥感图像语义分割任务和地物变化检测任务,既可以确定变化检测区域,又能得到不同地物的变化检测结果,通过同一地理区域不同时刻的遥感影像来检测地球表面地物的变化过程。
背景技术
监测特定区域的地物变化检测技术目前已经广泛应用到土地勘测、违章建设监测、自然灾害估计等各类应用中,尤其是可以及时发现在规划区范围之外的违章建设。传统的地物变化检测技术主要是通过灰度匹配和差值变化检测算法,将已经进行地物配准和几何校正的同一地区不同时刻的遥感影像进行直方图匹配,以保证两幅影像的灰度一致性,之后再采用差值法提取灰度变化剧烈的区域作为地物变化区域;这种方法存在检测精度不高,易受天气、光照等外部因素影响的问题,且还需要人为设定阈值,得到的结果也只是变化和未变化两类结果,不能对遥感图像进行分类,无法得到不同地物的变化检测图像。
另一种常见的地物变化检测方法是先分类后比较法,首先会采用超像素分割或像素级别的语义分割对同一地区不同时刻的遥感影像进行地物分类,得到两张语义分割结果之后进行逐像素比对,针对不同的地物类型构造差异图像,最后结果不一致的像素区域被认为是变化区域;该方法的优点在于能够得到不同地物的变化检测图像,但是这种方法存在误差累计的问题,即地物变化检测的精度依赖于地物分类的精度。
发明内容
本发明的目的在于针对上述现有技术中因地物变化检测的精度依赖于地物分类的精度导致得误差累计的问题,提出了一种基于多任务学习的遥感影像地物变化检测方法,不仅能够得到地物变化检测图像,还能够得到地物发生变化前后的地物类型,并且有效防止误差累计的问题,从而显著提升变化检测精度,具有广泛的适用范围。
为实现上述目的,本发明采用的技术方案如下:
基于多任务学习的高分辨率遥感影像地物变化检测方法,其特征在于,包括以下步骤:
步骤1、遥感影像数据预处理;
步骤1-1、针对同一地理区域、不同时刻下的原始遥感图像进行数据标定和裁剪,得到像素配准的成对遥感图像;
步骤1-2、将成对遥感图像中的两幅遥感图像分别进行逐像素标注,标注后的数据存储在相同尺寸的单通道标签图像中、得到每幅遥感图像的语义标签图像;
步骤1-3、将成对遥感图像中的两幅遥感图像对应的语义标签图像进行逐像素比对,若前后标签不一致则视为变化区域、记作1,否则视为非变化区域、记作0,将结果存储在相同尺寸大小的单通道标签图像中、得到成对遥感图像的变化标签图像;
步骤2、构建及训练语义分割模型;
步骤2-1、构建语义分割模型,包括:特征提取模块、ASPP模块和上采样模块,其中,特征提取模块采用ResNext50特征提取网络,单幅遥感影像输入特征提取模块,得到初步特征图,初步特征图通过ASPP模块和上采样模块得到语义分割结果图;
步骤2-2、训练语义分割模型:
采用步骤1中单幅遥感图像与其对应的语义标签图构建语义分隔模型训练集;将单幅遥感图像的语义分割结果图与其对应语义标签图逐像素计算多分类交叉熵损失,采用梯度下降和反向传播算法对全模型进行迭代训练,得到训练完成的语义分割模型;
步骤3、构建及训练变化检测模型;
步骤3-1、构建变化检测模型,包括:特征提取模块、ASPP模块和上采样模块,其中,所述特征提取模块采用步骤2训练完成的语义分割模型中的ResNext50特征提取网络,并冻结网络参数;成对遥感图像输入特征提取模块,得到两张初始特征图,两张初始特征图通过差值法得到差值特征图,差值特征图通过ASPP模块和上采样模块之后得到变化检测结果图;
步骤3-2、训练变化检测模型:
采用步骤1中成对遥感图像及其对应的变化标签图构建变化检测模型训练集;将成对遥感图像的变化检测结果图与其对应变化标签图求取二分类交叉熵损失,采用梯度下降和反向传播算法对ASPP模块进行迭代训练,得到训练完成的变化检测模型;
步骤4、构建及训练多任务学习地物变化检测模型;
步骤4-1、构建多任务学习地物变化检测模型,包括:两条语义分割模型分支与一条变化检测模型分支;其中,三条分支共享特征提取模块、所述特征提取模块与步骤2及步骤3中特征提取模块相同,所述语义分割模型分支的ASPP模块和上采样模块与步骤2中训练完成的语义分割模型中的ASPP模块和上采样模块相同,所述变化检测模型分支的ASPP模块和上采样模块与步骤3中训练完成的变化检测模型中的ASPP模块和上采样模块相同;成对遥感图像输入特征提取模块得到两张初始特征图,两张初始特征图分别通过两条语义分割模型分支得到两张语义分割结果图、同时两张初始特征图通过差值法得到差值特征图,差值特征图通过变化检测模型分支得到变化检测结果图;
步骤4-2、训练多任务学习地物变化检测模型:
采用步骤1中成对遥感图像及其对应的语义标签图与变化标签图构建多任务学习地物变化检测模型训练集;将成对遥感图像的两张语义分割结果图与对应语义分割标签图分别求取多分类交叉熵损失,将成对遥感图像的变化检测结果图与对应变化检测标签图求取二分类交叉熵损失,将三个交叉熵损失进行等权重相加,并基于梯度下降和反向传播算法对全网络进行迭代训练,得到训练完成的多任务学习地物变化检测模型;
步骤5、基于步骤4训练完成的多任务学习地物变化检测模型进行高分辨率遥感影像地物变化检测。
进一步的,所述语义标签图像中,0灰度表示背景,1~6灰度分别表示建筑物、耕地、水体、道路、森林、草地6类地物类型。
本发明的有益效果在于:
首先,本发明通过分割网络构建遥感图像语义分割模型,该模型的特征提取模块能够有效的提取遥感图像的特征,接着构建孪生网络来训练地物变化检测模型,通过共享权重,将两张高分遥感影像映射到新的特征空间,并且构建多任务学习机制,通过语义分割模型来获得变化前后的地物分类结果,结合变化区域能得到所有地物种类的变化检测结果;在本发明中,地物变化检测的精度不完全依赖于地物语义分割的精度,且训练出的端到端地物变化检测模型,能有效避免误差累计;
其次,本发明采用DeepLabV3网络结构应用到遥感图像地物变化检测当中,其中的AS PP层能够对遥感影像中不同尺寸的地物特征进行多尺度信息融合,空洞卷积能够解决大尺度遥感图像感受野不足的问题,骨干网络采用的Resnext50结构也保证了遥感图像变化检测任务的健壮性和高效的运行速率;同时,变化检测模型和语义分割模型的参数共享机制也能有效加速网络运算和降低参数冗余;
综上所述,本发明提出了一种基于多任务学习的遥感影像地物变化检测方法,综合了地物变化检测任务和语义分割任务,既能够确定地物变化检测区域,又能够得到不同地物的变化检测结果和区域变化前后的地物类型,同时也避免了误差累计的问题,提高了变化检测的精度;并且采用的参数共享机制和加速策略也能保证方法的运行速度。
附图说明
图1为本发明基于多任务学习的高分辨率遥感影像地物变化检测方法的流程设计图。
图2为本发明依据的全卷积分割网络设计图。
图3为本发明依据的单任务地物变化检测网络设计图。
图4为本发明设计的多任务学习地物变化检测网络设计图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
本实施例提供一种基于多任务学习的高分辨率遥感影像地物变化检测方法,其流程如图1所示,具体包括以下步骤:
步骤1、遥感影像数据预处理;
步骤1-1、数据准备包括同一地理区域、不同时刻遥感影像的采集与标注,其中,采集的原始图像为包含近红外通道的高分辨率遥感影像,对同一地理区域、不同时刻的遥感影像先使用ENVI软件进行数据标定和裁剪,得到像素配准的图像对、即成对遥感图像;
步骤1-2、将成对遥感图像中的两幅遥感图像分别进行逐像素标注,标注后的数据存储在相同尺寸的单通道标签图像中、即语义标签图像,其中,0灰度表示背景,1~6灰度分别表示建筑物、耕地、水体、道路、森林、草地6类地物类型;
步骤1-3、将成对遥感图像中的两幅遥感图像对应的语义标签图像进行逐像素比对,若前后标签不一致则视为变化区域、记作1,否则视为非变化区域、记作0,将结果存储在相同尺寸大小的单通道图像中、即成对遥感图像的变化标签图像;
步骤2、构建及训练语义分割模型;
步骤2-1、构建语义分割模型:模型依据全卷积网络DeeplabV3进行搭建,DeeplabV3网络设计图如图2所示;其中,DeepLabV3采用Resnext50作为特征提取网络,单幅遥感影像经过ResNext50特征提取模块之后,得到(512,W/16,H/16)的特征图,特征图通过ASPP模块和上采样模块得到语义分割结果图;
步骤2-2、训练语义分割模型:
采用步骤1中得到的同一地理区域的任一年份的单幅遥感图像与其对应的语义标签图构建语义分隔模型训练集;基于此训练集对语义分割模型进行训练,单幅遥感图像输入语义分割模型后得到语义分割结果图,将语义分割结果图与输入遥感影像对应语义标签图逐像素计算多分类交叉熵损失,取损失值最大的前N个目标作为难例样本,并返回难例样本的损失值,反馈到全卷积神经网络模型中,使用随机梯度下降法更新全卷积神经网络模型的参数,得到训练完成的语义分割模型;
步骤3、构建及训练变化检测模型;
步骤3-1、构建变化检测模型:首先,提取步骤2训练完成的语义分隔模型中的特征提取模块,并冻结该模块的参数,即在接下来的训练中不更新模型的参数,以保持模型在语义分割中的准确度;然后,构建基于孪生网络思想的单任务地物变化检测模型,该模型的网络结构如图3所示;其中,特征提取模块采用语义分割模型中相同特征特区模块,成对遥感图像经过Resnext50特征提取网络,映射到特定的特征空间,得到两张(512,W/16,H/16)的初始特征图,两张初始特征图通过差值法得到一张全新的差值特征图、该差值特征图中包含了语义是否发生变化的信息,输入到后续的ASPP模块和上采样模块之后得到语义是否发生变化的变化检测结果图;
步骤3-2、训练变化检测模型:
采用步骤1中得到的同一地理区域、不同时刻的成对遥感图像及其对应的变化标签图构建变化检测模型训练集;基于该训练集对地物变化检测模型进行训练,成对遥感图像输入变化检测模型得到变化检测结果图,将变化检测结果图与输入成对遥感图像对应变化标签图求取二分类交叉熵损失,采用梯度下降和反向传播算法对ASPP模块进行迭代训练,得到训练完成的变化检测模型;
步骤4、共享模型参数,构建及训练多任务学习地物变化检测模型;
步骤4-1、构建多任务学习地物变化检测模型:
基于步骤2的语义分割模型分支和步骤3的单任务变化检测模型分支,训练得到全新的基于多任务学习地物变化检测模型,首先该模型的特征提取模块与步骤2和步骤3模型中的特征提取模块完全相同,并在此时允许特征提取模块参数进行更新;该模型包含语义分割分支和变化检测分支,语义分割分支中的ASPP模块和上采样模块来自步骤2中模型,变化检测分支中的ASPP模块和上采样模块来自步骤3中模型,该模型的设计结构如图4所示;输入成对遥感影像经过共享权重的Resnext50特征提取网络,得到两张(512,W/16,H/16)的初始特征图,两张初始特征图通过差值法得到第三张(512,W/16,H/16)的差值特征图;三个特征图通过不同分支的ASPP模块和上采样模块,得到两张语义分割结果图和一张变化检测结果图;
步骤4-2、训练多任务学习地物变化检测模型:
采用步骤1中得到的同一地理区域、不同时刻的成对遥感图像及其对应的语义标签图与变化标签图构建多任务学习地物变化检测模型训练集;基于此训练集对多任务学习地物变化检测模型进行训练,成对遥感图像输入多任务学习地物变化检测模型,得到两张语义分割结果图和一张变化检测结果图,两张语义分割结果图与对应的语义分割标签图分别求取多分类交叉熵损失,变化检测结果图与对应的变化检测标签图求取二分类交叉熵损失,将三个交叉熵损失进行等权重相加,并基于梯度下降和反向传播算法对全网络进行迭代训练,不断优化网络参数,使网络更好适应多任务机制,得到训练完成的多任务学习地物变化检测模型;
步骤5、基于步骤4训练好的多任务学习地物变化检测模型,进行测试,输入一份大尺寸不同时期成对遥感影像进行“裁剪-分割+地物变化检测-精度评价-拼接”,实现对该区域该时间段地物变化检测的分析;
步骤5-1、选取已经裁剪和配准完毕的同一地区不同时期的成对高分辨率遥感影像;
步骤5-2、将上述两相影像输入到多任务地物变化检测模型中,进行地物变化检测后进行拼接输出结果;
具体实施时,以上步骤可采用计算机软件技术实现以上流程的自动运行。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (2)
1.基于多任务学习的高分辨率遥感影像地物变化检测方法,其特征在于,包括以下步骤:
步骤1、遥感影像数据预处理;
步骤1-1、针对同一地理区域、不同时刻下的原始遥感图像进行数据标定和裁剪,得到像素配准的成对遥感图像;
步骤1-2、将成对遥感图像中的两幅遥感图像分别进行逐像素标注,标注后的数据存储在相同尺寸的单通道标签图像中、得到每幅遥感图像的语义标签图像;
步骤1-3、将成对遥感图像中的两幅遥感图像对应的语义标签图像进行逐像素比对,若前后标签不一致则视为变化区域、记作1,否则视为非变化区域、记作0,将结果存储在相同尺寸大小的单通道标签图像中、得到成对遥感图像的变化标签图像;
步骤2、构建及训练语义分割模型;
步骤2-1、构建语义分割模型,包括:特征提取模块、ASPP模块和上采样模块,其中,特征提取模块采用ResNext50特征提取网络,单幅遥感影像输入特征提取模块,得到初步特征图,初步特征图通过ASPP模块和上采样模块得到语义分割结果图;
步骤2-2、训练语义分割模型:
采用步骤1中单幅遥感图像与其对应的语义标签图构建语义分隔模型训练集;将单幅遥感图像的语义分割结果图与其对应语义标签图逐像素计算多分类交叉熵损失,采用梯度下降和反向传播算法对全模型进行迭代训练,得到训练完成的语义分割模型;
步骤3、构建及训练变化检测模型;
步骤3-1、构建变化检测模型,包括:特征提取模块、ASPP模块和上采样模块,其中,所述特征提取模块采用步骤2训练完成的语义分割模型中的ResNext50特征提取网络,并冻结网络参数;成对遥感图像输入特征提取模块,得到两张初始特征图,两张初始特征图通过差值法得到差值特征图,差值特征图通过ASPP模块和上采样模块之后得到变化检测结果图;
步骤3-2、训练变化检测模型:
采用步骤1中成对遥感图像及其对应的变化标签图构建变化检测模型训练集;将成对遥感图像的变化检测结果图与其对应变化标签图求取二分类交叉熵损失,采用梯度下降和反向传播算法对ASPP模块进行迭代训练,得到训练完成的变化检测模型;
步骤4、构建及训练多任务学习地物变化检测模型;
步骤4-1、构建多任务学习地物变化检测模型,包括:两条语义分割模型分支与一条变化检测模型分支;其中,三条分支共享特征提取模块、所述特征提取模块与步骤2及步骤3中特征提取模块相同,所述语义分割模型分支的ASPP模块和上采样模块与步骤2中训练完成的语义分割模型中的ASPP模块和上采样模块相同,所述变化检测模型分支的ASPP模块和上采样模块与步骤3中训练完成的变化检测模型中的ASPP模块和上采样模块相同;成对遥感图像输入特征提取模块得到两张初始特征图,两张初始特征图分别通过两条语义分割模型分支得到两张语义分割结果图、同时两张初始特征图通过差值法得到差值特征图,差值特征图通过变化检测模型分支得到变化检测结果图;
步骤4-2、训练多任务学习地物变化检测模型:
采用步骤1中成对遥感图像及其对应的语义标签图与变化标签图构建多任务学习地物变化检测模型训练集;将成对遥感图像的两张语义分割结果图与对应语义分割标签图分别求取多分类交叉熵损失,将成对遥感图像的变化检测结果图与对应变化检测标签图求取二分类交叉熵损失,将三个交叉熵损失进行等权重相加,并基于梯度下降和反向传播算法对全网络进行迭代训练,得到训练完成的多任务学习地物变化检测模型;
步骤5、基于步骤4训练完成的多任务学习地物变化检测模型进行高分辨率遥感影像地物变化检测。
2.按权利要求1所述基于多任务学习的高分辨率遥感影像地物变化检测方法,其特征在于,所述语义标签图像中,0灰度表示背景,1~6灰度分别表示建筑物、耕地、水体、道路、森林、草地6类地物类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294564.6A CN111582043B (zh) | 2020-04-15 | 2020-04-15 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010294564.6A CN111582043B (zh) | 2020-04-15 | 2020-04-15 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582043A true CN111582043A (zh) | 2020-08-25 |
CN111582043B CN111582043B (zh) | 2022-03-15 |
Family
ID=72124384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010294564.6A Active CN111582043B (zh) | 2020-04-15 | 2020-04-15 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582043B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101168A (zh) * | 2020-09-08 | 2020-12-18 | 中电科大数据研究院有限公司 | 基于卫星与无人机联动的公益诉讼辅助取证系统及方法 |
CN112396594A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
CN112489096A (zh) * | 2020-11-26 | 2021-03-12 | 西北工业大学 | 基于图匹配模型的低配准精度下遥感图像变化检测方法 |
CN112560740A (zh) * | 2020-12-23 | 2021-03-26 | 中国水利水电科学研究院 | 一种基于PCA-Kmeans的可见光遥感影像变化检测方法 |
CN112560874A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
CN112733711A (zh) * | 2021-01-08 | 2021-04-30 | 西南交通大学 | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 |
CN112861829A (zh) * | 2021-04-13 | 2021-05-28 | 山东大学 | 一种基于深度卷积神经网络的水体提取方法及系统 |
CN113033454A (zh) * | 2021-04-07 | 2021-06-25 | 桂林电子科技大学 | 一种城市视频摄像中建筑物变化的检测方法 |
CN113158807A (zh) * | 2021-03-24 | 2021-07-23 | 中科北纬(北京)科技有限公司 | 一种遥感影像的模型自训练和优化系统 |
CN113537023A (zh) * | 2021-07-08 | 2021-10-22 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像语义变化检测方法 |
CN113658138A (zh) * | 2021-08-17 | 2021-11-16 | 天津大学 | 一种应用于变化检测任务的网络结构及方法 |
CN113705538A (zh) * | 2021-09-28 | 2021-11-26 | 黄河水利委员会黄河水利科学研究院 | 基于深度学习的高分遥感影像道路变化检测装置及方法 |
CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
CN114120148A (zh) * | 2022-01-25 | 2022-03-01 | 武汉易米景科技有限公司 | 一种遥感影像建筑物变化区域的检测方法 |
CN114170642A (zh) * | 2020-09-09 | 2022-03-11 | 成都鼎桥通信技术有限公司 | 图像检测的处理方法、装置、设备及存储介质 |
CN114821315A (zh) * | 2022-04-24 | 2022-07-29 | 福州大学 | 结合边缘检测和多任务学习的遥感影像耕地地块提取方法 |
WO2022160753A1 (zh) * | 2021-01-27 | 2022-08-04 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
US11507776B2 (en) | 2020-10-14 | 2022-11-22 | Industrial Technology Research Institute | Image recognition method for detection tasks based on single convolutional neural network and image recognition system thereof |
CN115546671A (zh) * | 2022-11-01 | 2022-12-30 | 北京数字政通科技股份有限公司 | 一种基于多任务学习的无人机变化检测方法及其系统 |
CN116109945A (zh) * | 2023-04-12 | 2023-05-12 | 北京数慧时空信息技术有限公司 | 基于有序持续学习的遥感影像解译方法 |
CN116452983A (zh) * | 2023-06-12 | 2023-07-18 | 合肥工业大学 | 一种基于无人机航拍影像的国土地貌变化快速发现方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN107180430A (zh) * | 2017-05-16 | 2017-09-19 | 华中科技大学 | 一种适用于语义分割的深度学习网络构建方法及系统 |
CN109063569A (zh) * | 2018-07-04 | 2018-12-21 | 北京航空航天大学 | 一种基于遥感影像的语义级变化检测方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
CN109934166A (zh) * | 2019-03-12 | 2019-06-25 | 中山大学 | 基于语义分割和孪生神经网络的无人机图像变化检测方法 |
CN110263705A (zh) * | 2019-06-19 | 2019-09-20 | 上海交通大学 | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 |
US10467500B1 (en) * | 2018-12-31 | 2019-11-05 | Didi Research America, Llc | Method and system for semantic segmentation involving multi-task convolutional neural network |
CN110502977A (zh) * | 2019-07-10 | 2019-11-26 | 广东国地规划科技股份有限公司 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
CN110827415A (zh) * | 2019-11-11 | 2020-02-21 | 吉林大学 | 一种全天候未知环境无人自主工作平台 |
-
2020
- 2020-04-15 CN CN202010294564.6A patent/CN111582043B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN107180430A (zh) * | 2017-05-16 | 2017-09-19 | 华中科技大学 | 一种适用于语义分割的深度学习网络构建方法及系统 |
CN109063569A (zh) * | 2018-07-04 | 2018-12-21 | 北京航空航天大学 | 一种基于遥感影像的语义级变化检测方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
US10467500B1 (en) * | 2018-12-31 | 2019-11-05 | Didi Research America, Llc | Method and system for semantic segmentation involving multi-task convolutional neural network |
CN109934166A (zh) * | 2019-03-12 | 2019-06-25 | 中山大学 | 基于语义分割和孪生神经网络的无人机图像变化检测方法 |
CN110263705A (zh) * | 2019-06-19 | 2019-09-20 | 上海交通大学 | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 |
CN110502977A (zh) * | 2019-07-10 | 2019-11-26 | 广东国地规划科技股份有限公司 | 一种建筑物变化分类检测方法、系统、装置及存储介质 |
CN110827415A (zh) * | 2019-11-11 | 2020-02-21 | 吉林大学 | 一种全天候未知环境无人自主工作平台 |
Non-Patent Citations (5)
Title |
---|
HUI RU等: "Detecting changes in high resolution remote sensing images using superpixels", 《2015 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
付威福: "基于深度学习的遥感影像变化检测算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
刘文祥等: "采用双注意力机制Deeplabv3+算法的遥感影像语义分割", 《热带地理》 * |
方梦梁: "基于深度学习的光学遥感图像目标检测研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
薛丁华: "面向高分辨率遥感图像的变化检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101168A (zh) * | 2020-09-08 | 2020-12-18 | 中电科大数据研究院有限公司 | 基于卫星与无人机联动的公益诉讼辅助取证系统及方法 |
CN114170642A (zh) * | 2020-09-09 | 2022-03-11 | 成都鼎桥通信技术有限公司 | 图像检测的处理方法、装置、设备及存储介质 |
TWI812888B (zh) * | 2020-10-14 | 2023-08-21 | 財團法人工業技術研究院 | 影像辨識方法及影像辨識系統 |
US11507776B2 (en) | 2020-10-14 | 2022-11-22 | Industrial Technology Research Institute | Image recognition method for detection tasks based on single convolutional neural network and image recognition system thereof |
CN112489096A (zh) * | 2020-11-26 | 2021-03-12 | 西北工业大学 | 基于图匹配模型的低配准精度下遥感图像变化检测方法 |
CN112489096B (zh) * | 2020-11-26 | 2024-05-28 | 西北工业大学 | 基于图匹配模型的低配准精度下遥感图像变化检测方法 |
CN112396594A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
CN112396594B (zh) * | 2020-11-27 | 2024-03-29 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
CN112560740A (zh) * | 2020-12-23 | 2021-03-26 | 中国水利水电科学研究院 | 一种基于PCA-Kmeans的可见光遥感影像变化检测方法 |
CN112560874A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
CN112560874B (zh) * | 2020-12-25 | 2024-04-16 | 北京百度网讯科技有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
CN112733711A (zh) * | 2021-01-08 | 2021-04-30 | 西南交通大学 | 基于多尺度场景变化检测的遥感影像损毁建筑物提取方法 |
WO2022160753A1 (zh) * | 2021-01-27 | 2022-08-04 | 上海商汤智能科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN113158807B (zh) * | 2021-03-24 | 2024-02-09 | 中科北纬(北京)科技有限公司 | 一种遥感影像的模型自训练和优化系统 |
CN113158807A (zh) * | 2021-03-24 | 2021-07-23 | 中科北纬(北京)科技有限公司 | 一种遥感影像的模型自训练和优化系统 |
CN113033454B (zh) * | 2021-04-07 | 2023-04-25 | 桂林电子科技大学 | 一种城市视频摄像中建筑物变化的检测方法 |
CN113033454A (zh) * | 2021-04-07 | 2021-06-25 | 桂林电子科技大学 | 一种城市视频摄像中建筑物变化的检测方法 |
CN112861829A (zh) * | 2021-04-13 | 2021-05-28 | 山东大学 | 一种基于深度卷积神经网络的水体提取方法及系统 |
CN113537023B (zh) * | 2021-07-08 | 2022-12-23 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像语义变化检测方法 |
CN113537023A (zh) * | 2021-07-08 | 2021-10-22 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像语义变化检测方法 |
CN113658138B (zh) * | 2021-08-17 | 2023-06-16 | 天津大学 | 一种应用于变化检测任务的网络结构及方法 |
CN113658138A (zh) * | 2021-08-17 | 2021-11-16 | 天津大学 | 一种应用于变化检测任务的网络结构及方法 |
CN113807301B (zh) * | 2021-09-26 | 2024-06-07 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
CN113705538A (zh) * | 2021-09-28 | 2021-11-26 | 黄河水利委员会黄河水利科学研究院 | 基于深度学习的高分遥感影像道路变化检测装置及方法 |
CN114120148A (zh) * | 2022-01-25 | 2022-03-01 | 武汉易米景科技有限公司 | 一种遥感影像建筑物变化区域的检测方法 |
CN114821315A (zh) * | 2022-04-24 | 2022-07-29 | 福州大学 | 结合边缘检测和多任务学习的遥感影像耕地地块提取方法 |
CN114821315B (zh) * | 2022-04-24 | 2024-06-07 | 福州大学 | 结合边缘检测和多任务学习的遥感影像耕地地块提取方法 |
CN115546671A (zh) * | 2022-11-01 | 2022-12-30 | 北京数字政通科技股份有限公司 | 一种基于多任务学习的无人机变化检测方法及其系统 |
CN116109945A (zh) * | 2023-04-12 | 2023-05-12 | 北京数慧时空信息技术有限公司 | 基于有序持续学习的遥感影像解译方法 |
CN116452983B (zh) * | 2023-06-12 | 2023-10-10 | 合肥工业大学 | 一种基于无人机航拍影像的国土地貌变化快速发现方法 |
CN116452983A (zh) * | 2023-06-12 | 2023-07-18 | 合肥工业大学 | 一种基于无人机航拍影像的国土地貌变化快速发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582043B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582043B (zh) | 基于多任务学习的高分辨率遥感影像地物变化检测方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
Li et al. | A 30-year (1984–2013) record of annual urban dynamics of Beijing City derived from Landsat data | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN107918776B (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
CN113076871B (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
CN112287807A (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
WO2021077947A1 (zh) | 图像处理方法、装置、设备及存储介质 | |
CN111160205B (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
Xiao et al. | Treetop detection using convolutional neural networks trained through automatically generated pseudo labels | |
Jiang et al. | Intelligent image semantic segmentation: a review through deep learning techniques for remote sensing image analysis | |
CN112837320B (zh) | 一种基于并行空洞卷积的遥感影像语义分割方法 | |
EP3553700A2 (en) | Remote determination of containers in geographical region | |
CN115240081B (zh) | 一种遥感影像全要素变化检测方法及装置 | |
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 | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
CN114418021B (zh) | 模型优化方法、装置及计算机程序产品 | |
CN112686184A (zh) | 基于神经网络的遥感房屋变化检测方法 | |
Thati et al. | A systematic extraction of glacial lakes for satellite imagery using deep learning based technique | |
Dong et al. | A cloud detection method for GaoFen-6 wide field of view imagery based on the spectrum and variance of superpixels | |
CN114463624A (zh) | 一种应用于城市管理监督的违章建筑物检测方法及装置 | |
Bagwari et al. | A comprehensive review on segmentation techniques for satellite images | |
CN112597996A (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 |
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 |