CN112017178A - 一种基于双时相差值图像法的遥感图像区域变化检测方法 - Google Patents
一种基于双时相差值图像法的遥感图像区域变化检测方法 Download PDFInfo
- Publication number
- CN112017178A CN112017178A CN202010936212.6A CN202010936212A CN112017178A CN 112017178 A CN112017178 A CN 112017178A CN 202010936212 A CN202010936212 A CN 202010936212A CN 112017178 A CN112017178 A CN 112017178A
- Authority
- CN
- China
- Prior art keywords
- difference image
- remote sensing
- image
- double
- proposal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于双时相差值图像法的遥感图像区域变化检测方法,包括步骤:构建包括差值图像生成模块、特征提取网络、提案区生成网络、对齐层与变化区域检测模块的卷积神经网络模型,输入训练样本数据,初始化并采用端到端的方式训练卷积神经网络模型;输入待检测遥感图像,获得变化区域检测结果。其显著效果是:有效解决了出现错误变化、伪变化的问题;减少了池化带来的特征不重合,能够大大地提高了检测精度和kappa系数。
Description
技术领域
本发明涉及到图像变化技术领域,具体涉及一种基于双时相差值图像法的遥感图像区域变化检测方法。
背景技术
变化检测是遥感技术研究领域一个重要研究方向,它通过图像处理和数学模型,比较分析不同时期不同遥感影像及其相关数据的变化。遥感影像的宏观性、实时性、多波段、多时相性使得基于遥感影像的变化检测是研究全球地表变化的主要方法。
由于前后时相传感器的不同、大气条件改变等原因,传统的遥感图像的区域变化检测方法比如:CVA、OBCB、PPC等,在检测中会出现较多的错误变化和伪变化,导致检测精度下降。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于双时相差值图像法的遥感图像区域变化检测方法,以“变化”为检测目标,以深度学习目标检测算法为基础,通过输入前后时相图像的差值图像,以及设置特征对齐和分割等处理环节,有效地提高变化检测的总体精度和kappa系数。
为达到上述目的,本发明采用的技术方案如下:
一种基于双时相差值图像法的遥感图像区域变化检测方法,其关键在于,包括如下步骤:
步骤1:构建包括差值图像生成模块、特征提取网络、提案区生成网络、对齐层与变化区域检测模块的卷积神经网络模型,其中:
所述差值图像生成模块用于对同一地区相同波段的前后时相的遥感图像进行差值处理,获得差值图像;
所述特征提取网络用于对差值图像进行多尺度特征提取,并通过上采样将提取的多尺度特征图进行尺寸归一化后输出;
所述提案区生成网络用于根据特征提取网络输出的特征图生成提案框;
所述对齐层用于对特征提取网络输出的特征图以及提案区生成网络输出的提案框进行对齐处理;
所述变化区域检测模块用于对对齐层输出的特征进行分类、边框回归与像素级分割处理,并利用多任务特征函数对卷积神经网络模型进行优化;
步骤2:输入训练样本数据,初始化并采用端到端的方式训练卷积神经网络模型;
步骤3:输入待检测遥感图像,获得变化区域检测结果。
进一步的,所述特征提取网络对差值图像进行多尺度特征提取的具体步骤为:
步骤A1:利用卷积模块和残差模块搭建特征提取网络;
步骤A2:对差值图像进行多层次的特征提取,获得多尺度特征图;
步骤A3:对所述多尺度特征图进行上采样处理,将特征图的尺寸归一化后输出。
进一步的,所述提案区生成网络生成提案框的步骤如下:
步骤B1:采用滑动窗口在特征提取网络输出的特征图上生成提案框,在滑动窗口上使用两个卷积核分别预测窗口对应原图的待检测目标的边框和类别,输出提案区的中心坐标以及宽度与高度;
步骤B2:利用多任务损失函数对提案区生成网络进行优化;
所述多任务损失函数的函数式为:
其中,Nc为每次迭代的样本的数量,Nr为提案框的数量,为分类损失,pi为第i个提案框含有目标的概率,为真实标签值,取值为0或者1;为边框回归损失,采用smooth L1损失函数,ti为第i个边界框的预测值,为第i个边界框的实际值,λ为平衡系数。
进一步的,所述多任务特征函数的函数式为:
L=Lc+Lr+Lm,
进一步的,所述卷积神经网络模型的训练过程如下:
步骤C1:使用预训练网络初始化卷积神经网络模型的权值;
步骤C2:运用数据扩充技术将用于变化检测的同地区的不同时相图像训练样本数据进行数目扩大;
步骤C3:利用反向传播算法和随机梯度下降算法对卷积神经网络模型进行端到端的训练,并更新卷积神经网络模型中各层的参数。
进一步的,所述数据扩充技术进行样本数目扩大的过程为:对训练样本数据中的原始图像在水平方向和垂直方向均平移0~30%后翻转,再随机旋转0~45°角度之后又进行平移和翻转,将样本数量扩充至原始训练样本数据的7倍以上。
进一步的,所述差值图像生成模块通过对同一地区相同波段的前后时相的遥感图像做除法或者加权减法运算,获得差值图像。
进一步的,所述差值图像生成模块通过对同一地区相同波段的前后时相的遥感图像做加权减法运算获得差值图像。
进一步的,所述差值图像生成模块生成差值图像的处理公式为:
B=α*Bx-β*By,
其中,B为差值图像,α与β分别为两幅遥感图像的权重,Bx、By为两幅不同时相相同波段的遥感图像。
本发明通过构建由差值图像生成模块、特征提取网络、提案区生成网络以及包括分类、边框回归和分割支路的变化区域检测模块组成的卷积神经网络模型,先对输入图像中的同地区前后时相图像做除法或加权减法处理得到差值图像;然后将差值图像送入检测模型的特征提取网络获得丰富的抽象特征,并使用对齐层对产生的特征进行对齐处理得到与输入完全重合的特征;同时,使用提案区生成网络产生大量的提案区域,并运用损失函数进行优化,接着也使用对齐层处理;之后使用变化区域检测模块中对应的分支对得到的特征做分类、边框回归和分割处理,实现变化区域检测;最后,使用不同时相的影像作为训练样本,使用预训练模型初始化网络权值,完成检测网络的端到端训练,输入遥感图像实现变化区域检测。
本发明的显著效果是:
1、在面对高分辨率遥感图像中的变化检测任务时,本专利采用的基于差值图像法的卷积神经网络检测模型可以显著提升变化检测精度的问题,相比于传统的变化检测方法,有效解决了出现错误变化、伪变化的问题;
2、同地区不同时相的图像往往灰度值接近,而变化区域的灰度往往也将改变,因此,双时相差值图像将会明显地展现出变化区域,因而变化检测也就转化成了目标检测,简化了检测过程,提高了检测效率;
3、通过对输入图像的处理即双时相差值图像法、对齐层以及分割支路的引入,减少了伪变化与错误变化出现,减少了池化带来的特征不重合,能够大大地提高了检测精度和kappa系数。
附图说明
图1是本发明的方法流程图;
图2是所述卷积神经网络模型的结构示意图;
图3是所述差值图像生成模块的原理图;
图4是所述数据扩充技术的原理示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示,一种基于双时相差值图像法的遥感图像区域变化检测方法,具体步骤如下:
步骤1:构建包括差值图像生成模块、特征提取网络、提案区生成网络、对齐层与变化区域检测模块的卷积神经网络模型,如图2所示,其中:
所述差值图像生成模块用于对同一地区相同波段的前后时相的遥感图像进行差值处理,获得差值图像;
进一步的,所述差值图像生成模块通过对同一地区相同波段的前后时相的遥感图像做加权减法运算获得差值图像,如图3所示,当然,所述差值处理还可以做除法等。
所述加权减法运算的处理公式为:
B=α*Bx-β*By,
其中,B为差值图像,α与β分别为两幅遥感图像的权重,Bx、By为两幅不同时相相同波段的遥感图像。
所述特征提取网络用于对差值图像进行多尺度特征提取,并通过上采样将提取的多尺度特征图进行尺寸归一化后输出;具体步骤为:
步骤A1:利用卷积模块和残差模块搭建特征提取网络;
步骤A2:对差值图像进行多层次的特征提取,获得多尺度特征图;
步骤A3:对所述多尺度特征图进行上采样处理,将特征图的尺寸归一化后输出。
经过尺寸归一化后的特征图通过对齐层进行对其处理,去除池化引起的特征不重合,避免特征丢失,为变化区域检测模块中的分类、边框回归和分割支路提供输入。
所述提案区生成网络用于根据特征提取网络输出的特征图生成提案框,步骤如下:
步骤B1:采用滑动窗口在特征提取网络输出的特征图上生成提案框,在滑动窗口上使用两个卷积核分别预测窗口对应原图的待检测目标的边框和类别,输出提案区的中心坐标以及宽度与高度;
步骤B2:利用多任务损失函数对提案区生成网络进行优化;
所述多任务损失函数的函数式为:
其中,Nc为每次迭代的样本的数量,Nr为提案框的数量,为分类损失,pi为第i个提案框含有目标的概率,为真实标签值,取值为0或者1;为边框回归损失,采用smooth 为第i个边界框的实际值,λ为平衡系数,可以控制两部分损失所占权重。
通过对齐层对提案区生成网络输出的提案框进行对齐处理,并作为所述变化区域检测模块中分类、边框回归和分割支路的输入。
所述变化区域检测模块用于对对齐层输出的特征进行分类、边框回归与像素级分割处理,并利用多任务特征函数对卷积神经网络模型进行优化,之后进行分类、边框回归与像素级分割任务,使用图像分割实现精准的变化区域定位。
所述多任务特征函数的函数式为:
L=Lc+Lr+Lm,
步骤2:输入训练样本数据,初始化并采用端到端的方式训练卷积神经网络模型,过程如下:
步骤C1:使用预训练网络初始化卷积神经网络模型的权值;
步骤C2:运用数据扩充技术将用于变化检测的同地区的不同时相图像训练样本数据进行数目扩大;
具体的,如图4所示,所述数据扩充技术进行样本数目扩大的过程为:对训练样本数据中的原始图像在水平方向和垂直方向均平移0~30%后翻转,再随机旋转0~45°角度之后又进行平移和翻转,将样本数量扩充至原始训练样本数据的7倍以上。
步骤C3:利用反向传播算法和随机梯度下降算法对卷积神经网络模型进行端到端的训练,并更新卷积神经网络模型中各层的参数。
其中,所述smooth L1损失函数、反向传播算法和随机梯度下降算法均为本领域公知技术,在此不做赘述。
步骤3:输入待检测遥感图像,获得变化区域检测结果。
本发明通过构建由差值图像生成模块、特征提取网络、提案区生成网络以及包括分类、边框回归和分割支路的变化区域检测模块组成的卷积神经网络模型,先对输入图像中的同地区前后时相图像做除法或加权减法处理得到差值图像;然后将差值图像送入检测模型的特征提取网络获得丰富的抽象特征,并使用对齐层对产生的特征进行对齐处理得到与输入完全重合的特征;同时,使用提案区生成网络产生大量的提案区域,并运用损失函数进行优化,接着也使用对齐层处理;之后使用变化区域检测模块中对应的分支对得到的特征做分类、边框回归和分割处理,实现变化区域检测;最后,使用不同时相的影像作为训练样本,使用预训练模型初始化网络权值,完成检测网络的端到端训练,输入遥感图像实现变化区域检测。通过对输入图像的处理即双时相差值图像法、对齐层以及分割支路的引入,减少了伪变化与错误变化出现,减少了池化带来的特征不重合,能够大大地提高了检测精度和kappa系数。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (9)
1.一种基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于,包括如下步骤:
步骤1:构建包括差值图像生成模块、特征提取网络、提案区生成网络、对齐层与变化区域检测模块的卷积神经网络模型,其中:
所述差值图像生成模块用于对同一地区相同波段的前后时相的遥感图像进行差值处理,获得差值图像;
所述特征提取网络用于对差值图像进行多尺度特征提取,并通过上采样将提取的多尺度特征图进行尺寸归一化后输出;
所述提案区生成网络用于根据特征提取网络输出的特征图生成提案框;
所述对齐层用于对特征提取网络输出的特征图以及提案区生成网络输出的提案框进行对齐处理;
所述变化区域检测模块用于对对齐层输出的特征进行分类、边框回归与像素级分割处理,并利用多任务特征函数对卷积神经网络模型进行优化;
步骤2:输入训练样本数据,初始化并采用端到端的方式训练卷积神经网络模型;
步骤3:输入待检测遥感图像,获得变化区域检测结果。
2.根据权利要求1所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述特征提取网络对差值图像进行多尺度特征提取的具体步骤为:
步骤A1:利用卷积模块和残差模块搭建特征提取网络;
步骤A2:对差值图像进行多层次的特征提取,获得多尺度特征图;
步骤A3:对所述多尺度特征图进行上采样处理,将特征图的尺寸归一化后输出。
3.根据权利要求1所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述提案区生成网络生成提案框的步骤如下:
步骤B1:采用滑动窗口在特征提取网络输出的特征图上生成提案框,在滑动窗口上使用两个卷积核分别预测窗口对应原图的待检测目标的边框和类别,输出提案区的中心坐标以及宽度与高度;
步骤B2:利用多任务损失函数对提案区生成网络进行优化;
所述多任务损失函数的函数式为:
5.根据权利要求1所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述卷积神经网络模型的训练过程如下:
步骤C1:使用预训练网络初始化卷积神经网络模型的权值;
步骤C2:运用数据扩充技术将用于变化检测的同地区的不同时相图像训练样本数据进行数目扩大;
步骤C3:利用反向传播算法和随机梯度下降算法对卷积神经网络模型进行端到端的训练,并更新卷积神经网络模型中各层的参数。
6.根据权利要求5所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述数据扩充技术进行样本数目扩大的过程为:对训练样本数据中的原始图像在水平方向和垂直方向均平移0~30%后翻转,再随机旋转0~45°角度之后又进行平移和翻转,将样本数量扩充至原始训练样本数据的7倍以上。
7.根据权利要求1所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述差值图像生成模块通过对同一地区相同波段的前后时相的遥感图像做除法或者加权减法运算,获得差值图像。
8.根据权利要求1所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述差值图像生成模块通过对同一地区相同波段的前后时相的遥感图像做加权减法运算获得差值图像。
9.根据权利要求8所述的基于双时相差值图像法的遥感图像区域变化检测方法,其特征在于:所述差值图像生成模块生成差值图像的处理公式为:
B=α*Bx-β*By,
其中,B为差值图像,α与β分别为两幅遥感图像的权重,Bx、By为两幅不同时相相同波段的遥感图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936212.6A CN112017178A (zh) | 2020-09-08 | 2020-09-08 | 一种基于双时相差值图像法的遥感图像区域变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010936212.6A CN112017178A (zh) | 2020-09-08 | 2020-09-08 | 一种基于双时相差值图像法的遥感图像区域变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112017178A true CN112017178A (zh) | 2020-12-01 |
Family
ID=73521207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010936212.6A Pending CN112017178A (zh) | 2020-09-08 | 2020-09-08 | 一种基于双时相差值图像法的遥感图像区域变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017178A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112665728A (zh) * | 2020-12-15 | 2021-04-16 | 中国科学院空天信息创新研究院 | 一种基于双时相影像的亮温差校正火点检测的方法 |
CN113160239A (zh) * | 2021-03-08 | 2021-07-23 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
CN113239786A (zh) * | 2021-05-11 | 2021-08-10 | 重庆市地理信息和遥感应用中心 | 基于增强学习与特征变换的遥感图像乡村别墅识别方法 |
CN113658206A (zh) * | 2021-08-13 | 2021-11-16 | 江南大学 | 一种植物叶片分割方法 |
CN114170145A (zh) * | 2021-11-12 | 2022-03-11 | 西安理工大学 | 基于多尺度自编码的异质遥感图像变化检测方法 |
CN117830875A (zh) * | 2024-03-05 | 2024-04-05 | 山东科技大学 | 一种基于时空鲁棒表征提取的遥感变化检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213593A (zh) * | 2011-04-08 | 2011-10-12 | 东南大学 | 一种异常用地快速获取方法 |
CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
CN107730904A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统 |
CN108596101A (zh) * | 2018-04-25 | 2018-09-28 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110969088A (zh) * | 2019-11-01 | 2020-04-07 | 华东师范大学 | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 |
WO2020143323A1 (zh) * | 2019-01-08 | 2020-07-16 | 平安科技(深圳)有限公司 | 遥感影像分割方法、装置及存储介质、服务器 |
-
2020
- 2020-09-08 CN CN202010936212.6A patent/CN112017178A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102213593A (zh) * | 2011-04-08 | 2011-10-12 | 东南大学 | 一种异常用地快速获取方法 |
CN104613944A (zh) * | 2015-01-27 | 2015-05-13 | 电子科技大学 | 一种基于gwr和bp神经网络的分布式水深预测方法 |
CN106127204A (zh) * | 2016-06-30 | 2016-11-16 | 华南理工大学 | 一种全卷积神经网络的多方向水表读数区域检测算法 |
CN107730904A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务车辆逆向行驶视觉检测系统 |
CN108596101A (zh) * | 2018-04-25 | 2018-09-28 | 上海交通大学 | 一种基于卷积神经网络的遥感图像多目标检测方法 |
WO2020143323A1 (zh) * | 2019-01-08 | 2020-07-16 | 平安科技(深圳)有限公司 | 遥感影像分割方法、装置及存储介质、服务器 |
CN109871823A (zh) * | 2019-03-11 | 2019-06-11 | 中国电子科技集团公司第五十四研究所 | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 |
CN110705457A (zh) * | 2019-09-29 | 2020-01-17 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110969088A (zh) * | 2019-11-01 | 2020-04-07 | 华东师范大学 | 一种基于显著性检测与深度孪生神经网络的遥感影像变化检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112665728A (zh) * | 2020-12-15 | 2021-04-16 | 中国科学院空天信息创新研究院 | 一种基于双时相影像的亮温差校正火点检测的方法 |
CN112665728B (zh) * | 2020-12-15 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种基于双时相影像的亮温差校正火点检测的方法 |
CN113160239A (zh) * | 2021-03-08 | 2021-07-23 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
CN113160239B (zh) * | 2021-03-08 | 2023-09-22 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
CN113239786A (zh) * | 2021-05-11 | 2021-08-10 | 重庆市地理信息和遥感应用中心 | 基于增强学习与特征变换的遥感图像乡村别墅识别方法 |
CN113658206A (zh) * | 2021-08-13 | 2021-11-16 | 江南大学 | 一种植物叶片分割方法 |
CN113658206B (zh) * | 2021-08-13 | 2024-04-09 | 江南大学 | 一种植物叶片分割方法 |
CN114170145A (zh) * | 2021-11-12 | 2022-03-11 | 西安理工大学 | 基于多尺度自编码的异质遥感图像变化检测方法 |
CN117830875A (zh) * | 2024-03-05 | 2024-04-05 | 山东科技大学 | 一种基于时空鲁棒表征提取的遥感变化检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017178A (zh) | 一种基于双时相差值图像法的遥感图像区域变化检测方法 | |
CN111882002B (zh) | 一种基于msf-am的低照度目标检测方法 | |
CN111666836B (zh) | M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法 | |
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN108960143B (zh) | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 | |
CN109800628B (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
CN110443818B (zh) | 一种基于涂鸦的弱监督语义分割方法与系统 | |
CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
CN110781924B (zh) | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
CN106910176A (zh) | 一种基于深度学习的人脸图像去遮挡方法 | |
CN110598600A (zh) | 一种基于unet神经网络的遥感图像云检测方法 | |
CN112906989B (zh) | 一种基于cnn-lstm的区域海表面温度预测方法 | |
CN112541508A (zh) | 果实分割识别方法及系统、果实采摘机器人 | |
CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
CN111382676A (zh) | 一种基于注意力机制的沙粒图像分类方法 | |
CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
CN112613350A (zh) | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 | |
CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
CN114267025A (zh) | 基于高分辨率网络与轻量注意力机制的交通标志检测方法 | |
CN114494870A (zh) | 一种双时相遥感图像变化检测方法、模型构建方法和装置 | |
CN109934409B (zh) | 一种大采高煤壁工作面片帮预测网络及其预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |