CN111950465A - 基于sae-cnn的sar图像洪水检测和预防方法 - Google Patents
基于sae-cnn的sar图像洪水检测和预防方法 Download PDFInfo
- Publication number
- CN111950465A CN111950465A CN202010813862.1A CN202010813862A CN111950465A CN 111950465 A CN111950465 A CN 111950465A CN 202010813862 A CN202010813862 A CN 202010813862A CN 111950465 A CN111950465 A CN 111950465A
- Authority
- CN
- China
- Prior art keywords
- layer
- sparse
- cnn
- sar image
- river
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000002265 prevention Effects 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 230000035945 sensitivity Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于SAE‑CNN的SAR图像洪水检测和预防方法，首先为去除河流SAR图像噪声、提取河流SAR图像特征，将图像数据作为输入数据，重构SAR图像数据，训练稀疏自编码器模型；为去除SAR图像的平移敏感性、旋转敏感，再结合CNN模型，将SAR图像数据稀疏特征作为CNN模型输入，图像所对应的水位信息作为CNN模型输出，训练CNN网络，构建SAE‑CNN模型；然后将待检测的图像数据稀疏特征输入到训练完成的CNN网络中，输出河流的水位信息监测结果；最后将河流水位信息监测结果通过北斗卫星发送到监测平台，实现对河流水位信息的实时监测。
Description
技术领域
本发明涉及洪水检测领域，特别设计基于SAE-CNN的SAR图像洪水检测和预防方法。
背景技术
洪水灾害一般具有突发性强、危害性大、时空分布广的特点，如果能对洪涝灾害进行及时的监测、评估和救灾，对拯救人民生命、挽救重大经济损失和节约人力具有极其重要的影响。要开展洪涝灾害的监测、评估、救灾及安排灾后重建,需要对洪涝灾害相关信息进行及时、准确、可靠的采集和反馈。水文信息采集传统的基本途径可分为:驻测、巡测和间测等，其中，驻测是在河流或流域内的固定点上对水文要素所进行的观测称驻测。这是我国收集水位信息的最基本方式，但存在着用人多、站点不足、效益低等缺点。巡测是观测人员以巡回流动的方式定期或不定期地对一地区或流域内各观测点进行流量等水文要素的观测。
近年来，卫星遥感、无人机遥感技术得到迅猛发展，在各类的灾害监测中得到了极大的应用。合成孔径雷达(Synthetic Aperture Radar，SAR)具有主动式相干成像的特点，其形成的虚拟天线能够不受光照和气候条件等限制，甚至可以穿透一定程度的地表和植被，全天时、全天候、大面积获取高分辨率的地表图像数据，可以用来对洪水进行有效的监测。但是SAR图像存在着噪声干扰、平移敏感性、旋转敏感等缺点。
编码器是一种无监督的逐层特征学习算法，编码网络首先对输入层的数据进行非线性变换，将高维的输入信号转变为隐含层中低维的编码矢量。然后解码网络对隐含层的编码矢量再进行非线性变换，将编码矢量转换为与输入层维度相同的输出。编码网络的隐含层可作为图像特征的通用提取器，自动提取图像特征，可减少图片的噪声干扰和人工提取特征造成的人为误差。
发明内容
为了解决上述存在问题。本发明提供基于SAE-CNN的SAR图像洪水检测和预防方法，解决河流洪水检测和预防。为达此目的：
本发明提供基于SAE-CNN的SAR图像洪水检测和预防方法，具体步骤如下：
步骤1：使用星载SAR图图像雷达摄影测量河流的SAR图像；
步骤2：为去除河流SAR图像噪声、提取河流SAR图像特征，将图像数据作为输入数据，重构SAR图像数据，训练稀疏自编码器模型，并将稀疏自编码器第二层神经元的输出作为图像数据稀疏特征；
步骤3：再将SAR图像数据稀疏特征作为CNN模型输入，图像所对应的水位信息作为CNN模型输出，训练CNN网络，构建SAE-CNN模型；
步骤4：检测待测河流SAR图像，经过步骤2的处理后，将图像数据稀疏特征输入到训练完成的CNN网络中，并输出河流的水位信息监测结果；
步骤5：将河流水位信息监测结果通过北斗卫星发送到监测平台，实现对河流水位信息的实时监测，若超过警戒水位，则启动洪水报警系统。
作为本发明进一步改进，所述步骤2中训练稀疏自编码器模型如下：
首先设计三层稀疏自编码器模型，包括输入层、隐藏层和输出层，输入层和输出层的维度相同，输出层可将图像的稀疏特征还原成原始的输入图像，隐藏层负责将原始输入数据转换为稀疏特征，假设输入样本集为x，则编码器网络运算公式为：
h1＝f(W(1)x+b(1)) (1)
h1是第二层隐藏层输出的稀疏特征，则解码器网络的运算公式为：
其中：W(1)和W(2)是网络模型权重，b(1)和b(2)是网络模型偏置，f(·)是网络的激活函数，本发明使用sigmoid函数，sigmoid函数有着平滑、易于求导等优点，其定义如下：
稀疏自编码器优化了隐藏层神经元激活的稀疏系约束，可使得大多数隐含层神经元处于抑制状态；其优化的目标函数是平方重构误差与某个稀疏惩罚项之和，具定义如下：
JSAE(W,b)是稀疏自编码器优化的目标函数，ρ是稀疏系数，
是第j个隐含层神经元的平均激活值，hj(xl)是第l个样本时，第j个隐藏层神经元的激活值；β是稀疏惩罚因子，
是惩罚项：
设计好稀疏自编码网络模型后，使用梯度下降法训练稀疏自编码网络模型，直至网络模型满足目标函数的设定值。
作为本发明进一步改进，所述步骤3中构建SAE-CNN模型如下：
在训练好稀疏自编码网络模型后，将稀疏自编码网络的输出层，替换为CNN网络的卷积层、池化层和全连接层；
将步骤2提取的稀疏特征作为第一层卷积层输入，输入到CNN网络的卷积层，卷积层函数如下：
其中，
是第n层卷积上第l个卷积核输出，f(·)是非线性激活函数，
是第n层卷积第l个卷积核的权重系数，
为n-1层第m个特征输出，
是偏置项；
再将卷积核输出值输入到池化层，本发明选用Max pooling池化，可保留输入的局部最大值，去除河流SAR图像样本的平移敏感性、旋转敏感，Max pooling公式如下：
其中，
是池化层的输出向量，
为第l-1卷积层的输出向量，l为卷积区域的长度；
并将池化层的输出值输入到全连接层，本发明的全连接层选用Softmax逻辑回归实现对河流水位信息的识别，Softmax回归的输出定义如下：
式中，t为河流水位信息类别数，θi(1≤i≤t)为分类层参数；最后使用随机梯度下降法对输出结果的交叉熵损失函数进行优化，并将结果反向传播，实现网络权重和阈值的更新，交叉熵损失函如下：
式中，t为样本数，y(i)为实际样本标签，
为网络模型判别的标签。
作为本发明进一步改进，所述步骤4中检测待测河流SAR图像如下：
将河流SAR图像输入到SAE-CNN网络模型中，通过SAE模型的隐含层输出河流SAR图像的稀疏特征，再通过CNN模型的卷积层、池化层和全连接层，使用Softmax逻辑回归实现对河流水位信息的识别，输出待测河流SAR图像的水位信息。
本发明基于SAE-CNN的SAR图像洪水检测和预防方法，有益效果在于：
1.本发明使用星载SAR图图像雷达摄影可实时监测河流的水位信息；
2.本发明通过SAE算法提取SAR图像的稀疏特征，可减少SAR图像噪声，并自动提取SAR图像特征；
3.本发明使用CNN模型对河流的水位信息进行建模，通过池化层可消除图像的平移敏感性、旋转敏感；
4.本发明融合了SAE和CNN算法，提高了洪水预测的准确性和效率；
5.本发明为洪水检测和预防提供了一种重要技术手段。
附图说明
图1是本发明整体算法原理流程图；
图2是本发明SAE模型结构图；
图3是本发明CNN模型结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于SAE-CNN的SAR图像洪水检测和预防方法，利用SAE算法的重构能力，重构河流SAR图像、消除图像噪声，并提取SAE模型隐含层的输出作为稀疏特征，同时结合CNN模型，去除SAR图像的平移敏感性和旋转敏感，并输出河流的水位信息，实现洪水的检测和预防。本发明的整体算法原理流程如图1所示，具体步骤如下所示：
步骤1：使用星载SAR图图像雷达摄影测量河流的SAR图像；
步骤2：为去除河流SAR图像噪声、提取河流SAR图像特征，将图像数据作为输入数据，重构SAR图像数据，训练稀疏自编码器模型，并将稀疏自编码器第二层神经元的输出作为图像数据稀疏特征；
步骤2中训练稀疏自编码器模型具体描述如下：
首先设计三层稀疏自编码器模型，包括输入层、隐藏层和输出层，输入层和输出层的维度相同，输出层可将图像的稀疏特征还原成原始的输入图像，隐藏层负责将原始输入数据转换为稀疏特征，假设输入样本集为x，则编码器网络运算公式为：
h1＝f(W(1)x+b(1)) (1)
h1是第二层隐藏层输出的稀疏特征，则解码器网络的运算公式为：
其中：W(1)和W(2)是网络模型权重，b(1)和b(2)是网络模型偏置，f(·)是网络的激活函数，本发明使用sigmoid函数，sigmoid函数有着平滑、易于求导等优点，其定义如下：
稀疏自编码器优化了隐藏层神经元激活的稀疏系约束，可使得大多数隐含层神经元处于抑制状态；其优化的目标函数是平方重构误差与某个稀疏惩罚项之和，具定义如下：
JSAE(W,b)是稀疏自编码器优化的目标函数，ρ是稀疏系数，
是第j个隐含层神经元的平均激活值，hj(xl)是第l个样本时，第j个隐藏层神经元的激活值；β是稀疏惩罚因子，
是惩罚项：
设计好稀疏自编码网络模型后，使用梯度下降法训练稀疏自编码网络模型，直至网络模型满足目标函数的设定值。
步骤3：再将SAR图像数据稀疏特征作为CNN模型输入，图像所对应的水位信息作为CNN模型输出，训练CNN网络，构建SAE-CNN模型；
中步骤3中构建SAE-CNN模型具体描述如下：
在训练好稀疏自编码网络模型后，将稀疏自编码网络的输出层，替换为CNN网络的卷积层、池化层和全连接层；
将步骤2提取的稀疏特征作为第一层卷积层输入，输入到CNN网络的卷积层，卷积层函数如下：
其中，
是第n层卷积上第l个卷积核输出，f(·)是非线性激活函数，
是第n层卷积第l个卷积核的权重系数，
为n-1层第m个特征输出，
是偏置项；
再将卷积核输出值输入到池化层，本发明选用Max pooling池化，可保留输入的局部最大值，去除河流SAR图像样本的平移敏感性、旋转敏感，Max pooling公式如下：
其中，
是池化层的输出向量，
为第l-1卷积层的输出向量，l为卷积区域的长度；
并将池化层的输出值输入到全连接层，本发明的全连接层选用Softmax逻辑回归实现对河流水位信息的识别，Softmax回归的输出定义如下：
式中，t为河流水位信息类别数，θi(1≤i≤t)为分类层参数；最后使用随机梯度下降法对输出结果的交叉熵损失函数进行优化，并将结果反向传播，实现网络权重和阈值的更新，交叉熵损失函如下：
式中，t为样本数，y(i)为实际样本标签，
为网络模型判别的标签。
步骤4：检测待测河流SAR图像，经过步骤2的处理后，将图像数据稀疏特征输入到训练完成的CNN网络中，并输出河流的水位信息监测结果；
步骤4中检测待测河流SAR图像具体描述如下：
将河流SAR图像输入到SAE-CNN网络模型中，通过SAE模型的隐含层输出河流SAR图像的稀疏特征，再通过CNN模型的卷积层、池化层和全连接层，使用Softmax逻辑回归实现对河流水位信息的识别，输出待测河流SAR图像的水位信息。
步骤5：将河流水位信息监测结果通过北斗卫星发送到监测平台，实现对河流水位信息的实时监测，若超过警戒水位，则启动洪水报警系统。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
Claims (4)
1.基于SAE-CNN的SAR图像洪水检测和预防方法，具体步骤如下，其特征在于,
步骤1：使用星载SAR图图像雷达摄影测量河流的SAR图像；
步骤2：为去除河流SAR图像噪声、提取河流SAR图像特征，将图像数据作为输入数据，重构SAR图像数据，训练稀疏自编码器模型，并将稀疏自编码器第二层神经元的输出作为图像数据稀疏特征；
步骤3：再将SAR图像数据稀疏特征作为CNN模型输入，图像所对应的水位信息作为CNN模型输出，训练CNN网络，构建SAE-CNN模型；
步骤4：检测待测河流SAR图像，经过步骤2的处理后，将图像数据稀疏特征输入到训练完成的CNN网络中，并输出河流的水位信息监测结果；
步骤5：将河流水位信息监测结果通过北斗卫星发送到监测平台，实现对河流水位信息实时的监测，若超过警戒水位，则启动洪水报警系统。
2.根据权利要求1基于SAE-CNN的SAR图像洪水检测和预防方法，其特征在于：步骤2中训练稀疏自编码器模型如下：
首先设计三层稀疏自编码器模型，包括输入层、隐藏层和输出层，输入层和输出层的维度相同，输出层可将图像的稀疏特征还原成原始的输入图像，隐藏层负责将原始输入数据转换为稀疏特征，假设输入样本集为x，则编码器网络运算公式为：
h1＝f(W(1)x+b(1)) (1)
h1是第二层隐藏层输出的稀疏特征，则解码器网络的运算公式为：
其中：W(1)和W(2)是网络模型权重，b(1)和b(2)是网络模型偏置，f(·)是网络的激活函数，本发明使用sigmoid函数，sigmoid函数有着平滑、易于求导等优点，其定义如下：
稀疏自编码器优化了隐藏层神经元激活的稀疏系约束，可使得大多数隐含层神经元处于抑制状态；其优化的目标函数是平方重构误差与某个稀疏惩罚项之和，具定义如下：
JSAE(W,b)是稀疏自编码器优化的目标函数，ρ是稀疏系数，
是第j个隐含层神经元的平均激活值，hj(xl)是第l个样本时，第j个隐藏层神经元的激活值；β是稀疏惩罚因子，
是惩罚项：
设计好稀疏自编码网络模型后，使用梯度下降法训练稀疏自编码网络模型，直至网络模型满足目标函数的设定值。
3.根据权利要求1基于SAE-CNN的SAR图像洪水检测和预防方法，其特征在于：步骤3中构建SAE-CNN模型如下：
在训练好稀疏自编码网络模型后，将稀疏自编码网络的输出层，替换为CNN网络的卷积层、池化层和全连接层；
将步骤2提取的稀疏特征作为第一层卷积层输入，输入到CNN网络的卷积层，卷积层函数如下：
其中，
是第n层卷积上第l个卷积核输出，f(·)是非线性激活函数，
是第n层卷积第l个卷积核的权重系数，
为n-1层卷积层第m个特征输出，
是偏置项；
再将卷积核输出值输入到池化层，本发明选用Max pooling池化，可保留输入的局部最大值，去除河流SAR图像样本的平移敏感性、旋转敏感，Max pooling公式如下：
其中，
是池化层的输出向量，
为第l-1卷积层的输出向量，l为卷积区域的长度；
并将池化层的输出值输入到全连接层，本发明的全连接层选用Softmax逻辑回归实现对河流水位信息的识别，Softmax回归的输出定义如下：
式中，t为河流水位信息类别数，θi(1≤i≤t)为分类层参数；最后使用随机梯度下降法对输出结果的交叉熵损失函数进行优化，并将结果反向传播，实现网络权重和阈值的更新，交叉熵损失函如下：
式中，t为样本数，y(i)为实际样本标签，
为网络模型判别的标签。
4.根据权利要求1基于SAE-CNN的SAR图像洪水检测和预防方法，其特征在于：步骤4中检测待测河流SAR图像如下：
将河流SAR图像输入到SAE-CNN网络模型中，通过SAE模型的隐含层输出河流SAR图像的稀疏特征，再通过CNN模型的卷积层、池化层和全连接层，使用Softmax逻辑回归实现对河流水位信息的识别，输出待测河流SAR图像的水位信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010813862.1A CN111950465A (zh) | 2020-08-13 | 2020-08-13 | 基于sae-cnn的sar图像洪水检测和预防方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010813862.1A CN111950465A (zh) | 2020-08-13 | 2020-08-13 | 基于sae-cnn的sar图像洪水检测和预防方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950465A true CN111950465A (zh) | 2020-11-17 |
Family
ID=73342182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010813862.1A Pending CN111950465A (zh) | 2020-08-13 | 2020-08-13 | 基于sae-cnn的sar图像洪水检测和预防方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950465A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011913A (zh) * | 2021-02-19 | 2021-06-22 | 金陵科技学院 | 一种改进sae-bp的时间序列视频收益预测方法 |
| CN113591714A (zh) * | 2021-07-30 | 2021-11-02 | 金陵科技学院 | 一种基于卫星遥感图像洪涝检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927359A (zh) * | 2013-10-16 | 2014-07-16 | 中国科学院对地观测与数字地球科学中心 | 一种基于多源遥感数据的自动化洪水监测系统 |
| WO2016198873A1 (en) * | 2015-06-09 | 2016-12-15 | Smith Alexis Hannah | Flood risk mapping and warning system and method |
| CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN111079999A (zh) * | 2019-12-04 | 2020-04-28 | 中国地质大学（武汉） | 一种基于cnn和svm的洪水灾害易发性预测方法 |
-
2020
- 2020-08-13 CN CN202010813862.1A patent/CN111950465A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927359A (zh) * | 2013-10-16 | 2014-07-16 | 中国科学院对地观测与数字地球科学中心 | 一种基于多源遥感数据的自动化洪水监测系统 |
| WO2016198873A1 (en) * | 2015-06-09 | 2016-12-15 | Smith Alexis Hannah | Flood risk mapping and warning system and method |
| CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN111079999A (zh) * | 2019-12-04 | 2020-04-28 | 中国地质大学（武汉） | 一种基于cnn和svm的洪水灾害易发性预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 冯春凤 等: "基于堆叠稀疏自动编码器的SAR图像变化检测", 激光杂志, no. 11, pages 29 - 33 * |
| 李文宽 等: "基于卷积神经网络和贝叶斯分类器的句子分类模型", 计算机应用研究, no. 02, pages 333 - 340 * |
| 王知音 等: "基于栈式自编码的水体提取方法", 计算机应用, no. 09, pages 2706 - 2709 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011913A (zh) * | 2021-02-19 | 2021-06-22 | 金陵科技学院 | 一种改进sae-bp的时间序列视频收益预测方法 |
| CN113591714A (zh) * | 2021-07-30 | 2021-11-02 | 金陵科技学院 | 一种基于卫星遥感图像洪涝检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
| CN113392931B (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| CN111950465A (zh) | 基于sae-cnn的sar图像洪水检测和预防方法 | |
| 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 | |
| CN113077017B (zh) | 基于脉冲神经网络的合成孔径图像分类方法 | |
| CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
| CN111582069B (zh) | 一种空基监视平台的轨道障碍物零样本分类方法及装置 | |
| CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
| Shen et al. | Sea surface wind retrieval from synthetic aperture radar data by deep convolutional neural networks | |
| CN118015562A (zh) | 一种恶劣天气下交通事故监控视频关键帧提取方法及系统 | |
| CN109145993B (zh) | 基于多特征与非负自动编码器的sar图像分类方法 | |
| CN112434590B (zh) | 一种基于小波变换的sar影像风条纹识别方法 | |
| CN117706660A (zh) | 基于CNN-ViT技术强对流天气预报的方法 | |
| Aparna et al. | SAR-FloodNet: a patch-based convolutional neural network for flood detection on SAR images | |
| Estabridis | Automatic target recognition via sparse representations | |
| CN117292261A (zh) | 一种异源遥感影像变化检测方法 | |
| CN116665451A (zh) | 基于拥堵路段交通信息实时定位指挥处理系统 | |
| Silva et al. | Water quality prediction based on wavelet neural networks and remote sensing | |
| CN106990066B (zh) | 一种鉴别煤炭种类的方法及装置 | |
| CN111144316B (zh) | 基于堆栈自编码器的海面目标检测方法 | |
| Scott et al. | Sea ice concentration estimation from satellite SAR imagery using convolutional neural network and stochastic fully connected conditional random field | |
| CN110769390A (zh) | 一种基于智慧立网的压缩感知方法 | |
| CN114550007B (zh) | 一种台风中心位置偏移量生成方法及台风中心定位方法 | |
| Xie | Research on Target Extraction System of UAV Remote Sensing Image Based on Artificial Intelligence | |
| CN113837284B (zh) | 基于深度学习的双支路滤波器剪枝方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |
|
| RJ01 | Rejection of invention patent application after publication |