CN111931689B - 一种在线提取视频卫星数据鉴别特征的方法 - Google Patents

一种在线提取视频卫星数据鉴别特征的方法 Download PDF

Info

Publication number
CN111931689B
CN111931689B CN202010881676.1A CN202010881676A CN111931689B CN 111931689 B CN111931689 B CN 111931689B CN 202010881676 A CN202010881676 A CN 202010881676A CN 111931689 B CN111931689 B CN 111931689B
Authority
CN
China
Prior art keywords
image
feature
satellite data
video satellite
semantic
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
CN202010881676.1A
Other languages
English (en)
Other versions
CN111931689A (zh
Inventor
吕京国
曹逸飞
运则辉
耿宇
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202010881676.1A priority Critical patent/CN111931689B/zh
Publication of CN111931689A publication Critical patent/CN111931689A/zh
Application granted granted Critical
Publication of CN111931689B publication Critical patent/CN111931689B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/08—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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

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)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种在线提取视频卫星数据鉴别特征的方法，涉及视频卫星数据图像处理技术领域；本发明中提取鉴别特征的方法通过获取视频卫星数据的图像，对获取到的图像进行数据标注，然后将数据标注后的标注区域作为鉴别特征提取范围，在线训练对称语义分割模型，采用训练后的对称语义分割模型和自编码网络模型提取鉴别特征。该方法不仅有效减少前向传播过程中造成的像素信息损失，准确定位图像的分割边界；同时自编码网络模型自动地从无标注数据中学习特征，当视频卫星数据通过神经网络前向传播得到中高层的语义信息后，可借助自编码网络进行语义信息压缩与还原得到更加清晰的特征描述，从而扩大不同背景间的差异，达到更好的分割背景的效果。

Description

一种在线提取视频卫星数据鉴别特征的方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种在线提取视频卫星数据鉴别特征的方法。
背景技术
机器学习与计算机视觉应用领域普遍认为，机器理解世界有两种主流方式：“相似式”与“鉴别式”。虽然现有技术中利用深度学习理论对地面视频的图像进行检测处理已有成熟应用。但由于视频卫星数据与地面视频数据有本质不同，其中包括拍摄角度不同、观测角度不同、传感器搭载平台不同、空间分辨率不同、成像方式不同以及图像对比度不同，因而无法将计算机视觉应用领域的图像处理方法直接应用到视频卫星中。
在现有视频图像检测处理技术方面，典型深度学习模型往往根源于“相似式”学习，注重目标自身特征的表示。而“鉴别式”学习，也注重目标特征，但此目标特征，是与背景不一致的、目标的专属特征，即鉴别特征。“鉴别特征”对于图像识别过程有着重要意义，目前对于“鉴别式”的学习应用相对而言较少。因此如何提高鉴别特征提取效率，准确提取出视频卫星数据的鉴别特征，将鉴别特征有效应用在图像处理过程，对视频对象中图像识别或目标检测具有重要意义。
发明内容
本发明的目的在于提供一种在线提取视频卫星数据鉴别特征的方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种在线提取视频卫星数据鉴别特征的方法，获取视频卫星数据的图像，对获取到的图像进行数据标注，然后将数据标注后的标注区域作为鉴别特征提取范围，在线训练对称语义分割模型，采用训练后的对称语义分割模型和自编码网络模型提取鉴别特征，具体包括以下步骤：
S1，采用UC-MERCED数据集在线训练对称语义分割模型，以便更有效地获取到视频卫星数据中的影像特征；
S2,利用训练后的对称语义分割模型对视频卫星数据进行语义分割，得到一系列的影像特征图，最终分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，从而得到具有逐像素语义标注的分割图像；
S3，建立特征筛选机制，根据标注区域目标模板，从分割图像中筛选出含有语义的目标影像特征；
S4,将目标影像特征通过自编码网络模型进行语义信息优化与重构，得到与背景不一致的、目标的专属特征，从而提取得到视频卫星数据中目标的鉴别特征。
优选地，步骤S1中具体包括：
S11，选取UC-MERCED数据集，所述UC-MERCED数据集中包括多种地物分类；
S12，对UC-MERCED数据集中的地物类别进行选择，有针对性地在线训练对称语义分割模型；
S13，最终获取已训练后的对称语义分割模型进入步骤S2。
优选地，步骤S13中所述已训练后的对称语义分割模型包括特征提取部分和上采样部分，所述特征提取部分利用下采样方式逐渐展现背景信息，所述上采样部分结合下采样过程中生成的特征图和上一次上采样生成的特征图还原细节信息，逐步还原至原图像精度，最后通过分类器输出不同分类的最大值，得到最终分割结果。
优选地，步骤S3中具体包括：
利用SIFT特征匹配算法，将标注区域目标模板与分割图像中的区域块进行匹配，进行特征点提取；
具体为：建立特征筛选机制，取标注区域目标模板中的一个SIFT关键点，并找出其与分割图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率rat io少于某个阈值T，则认定该目标模板中SIFT关键点和分割图像中与其欧氏距离最近的关键点为匹配点，否则剔除这对匹配点，从而筛选出含有语义的目标影像特征。
优选地，阈值T取值为0.55，既保证匹配点数目多，又保证匹配精度相对高。
优选地，所述自编码网络模型包括编码器和解码器，所述自编码网络模型中编码和解码的过程为：
Figure GDA0002959101890000031
其中，x和
Figure GDA0002959101890000032
分别为输入和输出数据；y为网络学习的特征表达；W1和W2分别为编码和解码网络的权重；b1和b2分别表示隐藏层和输出层的单元偏置；f和g表示激活函数。
本发明的有益效果是：
本发明公开了一种在线提取视频卫星数据鉴别特征的方法，该方法首次将鉴别特征提取过程应用在视频卫星数据上，结合对称语义分割模型和自编码网络模型，能够有效减少前向传播过程中造成的像素信息损失，从而准确定位图像的分割边界；
同时自编码网络模型自动地从无标注数据中学习特征，当视频卫星数据通过神经网络前向传播得到中高层的语义信息后，可借助自编码网络进行语义信息压缩与还原得到更加清晰的特征描述，从而扩大不同背景间的差异，达到更好的分割背景的效果。
附图说明
图1是实施例1中采用的对称语义分割模型结构示意图；
图2是实施例1中采用的自编码网络模型结构示意图；
图3是实施例1中一种在线提取视频卫星数据鉴别特征的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例公开了一种在线提取视频卫星数据鉴别特征的方法，首先获取视频卫星数据的图像，并对获取到的图像进行数据标注，对数据标注后的标注区域作为鉴别特征提取范围，采用对称语义分割模型和自编码网络模型提取鉴别特征，具体包括以下步骤：
S1，采用UC-MERCED数据集在线训练对称语义分割模型，以便更有效地获取到视频卫星数据中的影像特征；
S2,利用训练后的对称语义分割模型对视频卫星数据进行语义分割，得到一系列的影像特征图，最终分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，从而得到具有逐像素语义标注的分割图像；
S3，建立特征筛选机制，根据标注区域目标模板，从分割图像中筛选出含有语义的目标影像特征；
S4,将目标影像特征通过自编码网络模型进行语义信息优化与重构，得到与背景不一致的、目标的专属特征，从而提取得到视频卫星数据中目标的鉴别特征。
本实施例中的采用UC-MERCED数据集对对称语义分割模型进行训练的过程具体包括：
S11，构建UC-MERCED数据集，所述UC-MERCED数据集中包括多种地物分类；
S12，对UC-MERCED数据集中的地物类别进行选择，针对背景这一关键词挑选不同的地物类别对对称语义分割模型进行训练；
S13，最终获取已训练后的对称语义分割模型进入步骤S2。
本实施例中采用的所述对称语义分割模型包括特征提取部分和上采样部分，所述特征提取部分利用下采样方式逐渐展现背景信息，所述上采样部分结合下采样过程中生成的特征图和上一次上采样生成的特征图还原细节信息，逐步还原至原图像精度，最后通过分类器输出不同分类的最大值，得到最终分割结果。
步骤S3中具体包括：
利用SIFT特征匹配算法，将标注区域目标模板与分割图像中的区域块进行匹配，进行特征点提取；
具体为：建立特征筛选机制，取标注区域目标模板中的一个SIFT关键点，并找出其与分割图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率rat io少于某个阈值T，则认定该目标模板中SIFT关键点和分割图像中与其欧氏距离最近的关键点为匹配点，否则剔除这对匹配点，从而筛选出含有语义的目标影像特征，本实施例中的阈值T取值为0.55。
本实施例中所述自编码网络包括编码器和解码器，所述自编码网络中编码和解码的过程为：
Figure GDA0002959101890000061
其中，x和
Figure GDA0002959101890000062
输入和输出数据；y为网络学习的特征表达；W1和W2分别为编码和解码网络的权重；b1和b2分别表示隐藏层和输出层的单元偏置；f和g表示激活函数。
本实施例构建UC-MERCED数据集,该数据及中包括21中地物分类，每个类别中都包含100张图片，总计图片数为2100个，每张图像的尺寸为256*256像素，像素分辨率为1英尺。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种在线提取视频卫星数据鉴别特征的方法，该方法首次将鉴别特征提取过程应用在视频卫星数据上，结合对称语义分割模型和自编码网络模型，不仅有效减少前向传播过程中造成的像素信息损失，准确定位图像的分割边界；
同时自编码网络模型自动地从无标注数据中学习特征，当视频卫星数据通过神经网络前向传播得到中高层的语义信息后，可借助自编码网络进行语义信息压缩与还原得到更加清晰的特征描述，从而扩大不同背景间的差异，达到更好的分割背景的效果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.一种在线提取视频卫星数据鉴别特征的方法，其特征在于，获取视频卫星数据的图像，对获取到的图像进行数据标注，然后将数据标注后的标注区域作为鉴别特征提取范围，在线训练对称语义分割模型，采用训练后的对称语义分割模型和自编码网络模型提取鉴别特征，具体包括以下步骤：
S1，采用UC-MERCED数据集在线训练对称语义分割模型，以便更有效地获取到视频卫星数据中的影像特征；
S2,利用训练后的对称语义分割模型对视频卫星数据进行语义分割，得到一系列的影像特征图，最终分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，从而得到具有逐像素语义标注的分割图像；
S3，建立特征筛选机制，根据标注区域目标模板，从分割图像中筛选出含有语义的目标影像特征；
S4,将目标影像特征通过自编码网络模型进行语义信息优化与重构，得到与背景不一致的、目标的专属特征，从而提取得到视频卫星数据中目标的鉴别特征。
2.根据权利要求1所述的在线提取视频卫星数据鉴别特征的方法，其特征在于，步骤S1中具体包括：
S11，选取UC-MERCED数据集，所述UC-MERCED数据集中包括多种地物分类；
S12，对UC-MERCED数据集中的地物类别进行选择，有针对性地在线训练对称语义分割模型；
S13，最终获取已训练后的对称语义分割模型进入步骤S2。
3.根据权利要求2所述的在线提取视频卫星数据鉴别特征的方法，其特征在于，步骤S13中所述已训练后的对称语义分割模型包括特征提取部分和上采样部分，所述特征提取部分利用下采样方式逐渐展现背景信息，所述上采样部分结合下采样过程中生成的特征图和上一次上采样生成的特征图还原细节信息，逐步还原至原图像精度，最后通过分类器输出不同分类的最大值，得到最终分割结果。
4.根据权利要求1所述的在线提取视频卫星数据鉴别特征的方法，其特征在于，步骤S3中具体包括：
利用SIFT特征匹配算法，将标注区域目标模板与分割图像中的区域块进行匹配，进行特征点提取；
具体为：建立特征筛选机制，取标注区域目标模板中的一个SIFT关键点，并找出其与分割图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离得到的比率ratio少于某个阈值T，则认定该目标模板中的所述SIFT关键点和分割图像中与其欧氏距离最近的关键点为一对匹配点，否则剔除这对匹配点，从而筛选出含有语义的目标影像特征。
5.根据权利要求4所述的在线提取视频卫星数据鉴别特征的方法，其特征在于，所述阈值T取值为0.55，既保证匹配点数目多，又保证匹配精度相对高。
6.根据权利要求1所述的在线提取视频卫星数据鉴别特征的方法，其特征在于，所述自编码网络模型包括编码器和解码器，所述自编码网络模型中编码和解码的过程为：
Figure FDA0002959101880000021
其中，x和
Figure FDA0002959101880000022
分别为输入和输出数据；y为网络学习的特征表达；W1和W2分别为编码和解码网络的权重；b1和b2分别表示隐藏层和输出层的单元偏置；f和g表示激活函数。
CN202010881676.1A 2020-08-26 2020-08-26 一种在线提取视频卫星数据鉴别特征的方法 Active CN111931689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010881676.1A CN111931689B (zh) 2020-08-26 2020-08-26 一种在线提取视频卫星数据鉴别特征的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010881676.1A CN111931689B (zh) 2020-08-26 2020-08-26 一种在线提取视频卫星数据鉴别特征的方法

Publications (2)

Publication Number Publication Date
CN111931689A CN111931689A (zh) 2020-11-13
CN111931689B true CN111931689B (zh) 2021-04-23

Family

ID=73309981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010881676.1A Active CN111931689B (zh) 2020-08-26 2020-08-26 一种在线提取视频卫星数据鉴别特征的方法

Country Status (1)

Country Link
CN (1) CN111931689B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065467B (zh) * 2021-04-01 2024-05-14 中科星图空间技术有限公司 一种基于深度学习的卫星图像低相干区域识别方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810158A (zh) * 2011-05-31 2012-12-05 中国科学院电子学研究所 一种基于多尺度语义模型的高分辨率遥感目标提取方法
CN103400156A (zh) * 2013-07-04 2013-11-20 西安电子科技大学 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN103473551A (zh) * 2013-09-16 2013-12-25 中国传媒大学 基于sift算子的台标识别方法及系统
CN106709500A (zh) * 2015-11-13 2017-05-24 国网辽宁省电力有限公司检修分公司 一种图像特征匹配的方法
WO2018076212A1 (zh) * 2016-10-26 2018-05-03 中国科学院自动化研究所 基于反卷积神经网络的场景语义分割方法
CN108829826A (zh) * 2018-06-14 2018-11-16 清华大学深圳研究生院 一种基于深度学习和语义分割的图像检索方法
US10147193B2 (en) * 2017-03-10 2018-12-04 TuSimple System and method for semantic segmentation using hybrid dilated convolution (HDC)
CN109670392A (zh) * 2018-09-04 2019-04-23 中国人民解放军陆军工程大学 基于混合自动编码器道路图像语义分割方法
CN109727249A (zh) * 2018-12-10 2019-05-07 南京邮电大学 卷积神经网络中的一种语义图像分割方法
CN110610458A (zh) * 2019-04-30 2019-12-24 北京联合大学 一种基于岭回归的gan图像增强交互处理方法及系统
CN110942013A (zh) * 2019-11-22 2020-03-31 佛山科学技术学院 一种基于深度神经网络的卫星影像特征提取方法及系统
CN111325794A (zh) * 2020-02-23 2020-06-23 哈尔滨工业大学 一种基于深度卷积自编码器的视觉同时定位与地图构建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255334B (zh) * 2018-09-27 2021-12-07 中国电子科技集团公司第五十四研究所 基于深度学习语义分割网络的遥感影像地物分类方法
CN111259900A (zh) * 2020-01-13 2020-06-09 河海大学 一种卫星遥感图像的语义分割方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102810158A (zh) * 2011-05-31 2012-12-05 中国科学院电子学研究所 一种基于多尺度语义模型的高分辨率遥感目标提取方法
CN103400156A (zh) * 2013-07-04 2013-11-20 西安电子科技大学 基于cfar和稀疏表示的高分辨sar图像舰船检测方法
CN103473551A (zh) * 2013-09-16 2013-12-25 中国传媒大学 基于sift算子的台标识别方法及系统
CN106709500A (zh) * 2015-11-13 2017-05-24 国网辽宁省电力有限公司检修分公司 一种图像特征匹配的方法
WO2018076212A1 (zh) * 2016-10-26 2018-05-03 中国科学院自动化研究所 基于反卷积神经网络的场景语义分割方法
US10147193B2 (en) * 2017-03-10 2018-12-04 TuSimple System and method for semantic segmentation using hybrid dilated convolution (HDC)
CN108829826A (zh) * 2018-06-14 2018-11-16 清华大学深圳研究生院 一种基于深度学习和语义分割的图像检索方法
CN109670392A (zh) * 2018-09-04 2019-04-23 中国人民解放军陆军工程大学 基于混合自动编码器道路图像语义分割方法
CN109727249A (zh) * 2018-12-10 2019-05-07 南京邮电大学 卷积神经网络中的一种语义图像分割方法
CN110610458A (zh) * 2019-04-30 2019-12-24 北京联合大学 一种基于岭回归的gan图像增强交互处理方法及系统
CN110942013A (zh) * 2019-11-22 2020-03-31 佛山科学技术学院 一种基于深度神经网络的卫星影像特征提取方法及系统
CN111325794A (zh) * 2020-02-23 2020-06-23 哈尔滨工业大学 一种基于深度卷积自编码器的视觉同时定位与地图构建方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Object Detection utilizing Modified Auto Encoder and Convolutional Neural Networks;Jalil Nourmohammadi-Khiarak et al;《2018 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA)》;20181206;全文 *
Renal Segmentation Algorithm Combined Low-level Features with Deep Coding Feature;Kai-Jian Xia et al;《2018 27th IEEE International Symposium on Robot and Human Interactive Communication (RO-MAN)》;20181108;全文 *
信息受限的SAR图像变化检测及目标分类方法研究;王燕;《中国博士学位论文全文数据库信息科技辑》;20200715;I136-67 *
卫星船舶图像识别和语义分割方法研究;董全帅;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200315;C036-299 *
基于自编码网络特征优化的城市高分遥感影像分类;张丹璐等;《北京建筑大学学报》;20191231;29-36 *
自编码神经网络理论及应用综述;袁非牛等;《计算机学报》;20190131;204-230 *
面向图像标注的张量表示与语义建模方法研究;钱智明;《中国博士学位论文全文数据库信息科技辑》;20170215;I138-191 *

Also Published As

Publication number Publication date
CN111931689A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111931684B (zh) 一种基于视频卫星数据鉴别特征的弱小目标检测方法
CN112132156B (zh) 多深度特征融合的图像显著性目标检测方法及系统
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN111681273A (zh) 图像分割方法、装置、电子设备及可读存储介质
CN112907598A (zh) 一种基于注意力cnn文档证件类图像篡改检测方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN111738295B (zh) 图像的分割方法及存储介质
CN113591831A (zh) 一种基于深度学习的字体识别方法、系统及存储介质
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN113706562B (zh) 图像分割方法、装置、系统及细胞分割方法
CN110728214B (zh) 一种基于尺度匹配的弱小人物目标检测方法
CN116189162A (zh) 一种船牌检测与识别方法、装置、电子设备和储存介质
Qin et al. Face inpainting network for large missing regions based on weighted facial similarity
CN111931689B (zh) 一种在线提取视频卫星数据鉴别特征的方法
Cho et al. Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation
CN112818983B (zh) 一种利用图片相识度判断字符倒置的方法
CN114329050A (zh) 视觉媒体数据去重处理方法、装置、设备和存储介质
CN117994573A (zh) 一种基于超像素和可形变卷积的红外弱小目标检测方法
CN110555406B (zh) 一种基于Haar-like特征及CNN匹配的视频运动目标识别方法
CN110490210B (zh) 一种基于紧致通道间t采样差分的彩色纹理分类方法
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统
Hüsem et al. A survey on image super-resolution with generative adversarial networks
CN116843715A (zh) 一种基于深度学习的多视图协同图像分割方法和系统
CN106778732A (zh) 基于Gabor滤波器的文字信息特征提取与识别方法
CN106650629A (zh) 一种基于核稀疏表示的快速遥感目标检测识别方法

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