CN112348814A - 一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 - Google Patents
一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 Download PDFInfo
- Publication number
- CN112348814A CN112348814A CN202011426406.8A CN202011426406A CN112348814A CN 112348814 A CN112348814 A CN 112348814A CN 202011426406 A CN202011426406 A CN 202011426406A CN 112348814 A CN112348814 A CN 112348814A
- Authority
- CN
- China
- Prior art keywords
- convolution
- image
- padding
- filter
- change
- 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
- 230000008859 change Effects 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract 1
- 238000007477 logistic regression Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,以像素点为中心的图像块对为输入,以变化检测多通道网络模型为基础,通过分析图像对的相似性来判断像素点的变化性质。所提方法提出一种多尺度稀疏卷积模块处理图像块对,利用不同数量不同尺度的卷积层提取多尺度的特征,通过1x1卷积层实现跨通道信息整合,把不同通道中相关性高、同一空间位置的特征聚合在一起,然后所有特征图拉成特征向量,利用全连接操作对特征信息进行整合并压缩,并根据逻辑回归层输出中心像素变化概率给出预测结果。所提方法一定程度上缓解了过拟合问题,使模型具有高效的学习能力和高容量的表达能力,能有效检测高分辨率遥感图像中大、小目标的变化情况。
Description
技术领域
本发明属于数字图像处理技术领域,属于多时相遥感图像变化检测技术,尤其涉及一种基于多尺度稀疏卷积的高分辨率遥感图像变化检测方法。
背景技术
随着遥感技术的提升,遥感图像的分辨率越来越高,不仅能清晰呈现地表较大目标(如房屋、广场、河流等)的样貌,也能呈现地表较小目标(如车辆等)等样貌,对变化检测提出了新的要求,既能检测大目标的变化情况,也能检测目标的变化情况。
遥感图像变化检测主要是基于特征的相似性判断像素、图像块、对象区域等变化性质。在早期变化检测过程中,主要是先直接提取颜色(灰度)、纹理、边缘等特征,然后比较特征。而近些年的深度学习框架下,变化检测过程主要是利用卷积提取图像特征,然后比较特征。按图像对输入的模式,变化检测的深度学习框架可以分为孪生网络结构和多通道网络结构,其中孪生网络结构分别对参考图像和待检测图像按两个分支进行卷积并提取特征,多通道网络结构直接将参考图像和待检测图像进行图层叠加,然后在一个分支中进行卷积并提取特征。相对于像素,使用图像块和对象区域的特征作为变化性质的判断依据具有更好的稳健性,而对象区域的获取需基于对象分割来实现,对象分割精度会对变化检测的准确性造成影响,因此在变化检测中,利用以像素点为中心的图像块作为比较的对象较为常见。高分辨率遥感图像中,目标大小不一,单一尺度的特征提取难以描述不同尺度目标的特征,而多尺度的特征提取能较好地满足不同尺度目标的特征提取,能较好地融合高分辨率图像特征与低分辨率图像特征,从而更为准确的判断大小目标的特征相似性。为了提高深度模型的泛化能力,通常会使用加深、加宽网络模型的方法,但加深、加宽网络模型的方法会导致模型参数巨大、训练周期漫长等问题,而稀疏网络模型能在一定程度上解决这些问题。
近些年遥感图像的空间分辨率越来越高,遥感图像的变化检测过程中,不仅要考虑光照、气候等因素对目标光谱等特征的影响,还要考虑不同尺度特征提取对目标几何、纹理等特征的影响,从而提高高分辨率遥感图像变化检测中大目标和小目标的检测准确性。
发明内容
本发明所要解决的技术问题在于提供一种融合多尺度特征的高分辨率遥感图像变化检测方法,针对已配准的高分辨率遥感图像对,采用多通道网络结构按图像块的相似性来判断中心像素点的变化性质。通过引入多尺度技术,在不同尺度下提取图像特征;通过引入稀疏模块技术,减少网络参数、加快训练速度和缓解过拟合问题,从而实现高分辨率遥感图像变化检测。
为实现上述目的,本发明采用以下技术方案:
一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,其特征在于,针对已完全配准的高分辨率遥感图像对,在对图像对预处理前提下,采用多通道变化检测网络模型,对图像块对进行多尺度稀疏卷积模块特征提取,获得特征图,对特征图使用卷积进行下采样处理,通过预测获得图像块对中心像素点的变化性质判断。
进一步,所述预处理的过程为:
取一组图像,对参考图像、待检测图像和变化标注图进行归一化处理,使参考图像、待检测图像的像素值范围为[0, 1],变化标注图中0值表示非变化、1值表示变化;
对归一化后的参考图像、待检测图像和变化标注图进行数据增强处理,主要使用的方法为将图像上下翻转、左右翻转,形成新的图像组,并加入到训练样本中;
逐一从训练样本中取一组图像,针对参考图像、待检测图像,分别从图像左上角(0,0)开始,使用滑动窗口技术,以每个像素点为中心,按窗口大小21×21逐一取图像块,形成对应的图像块对;
将图像块对叠加,形成2×n通道的图像块,作为模型的输入,其中n是参考图像和待检测图像的通道数。
进一步,所述多尺度稀疏卷积模块特征提取,其过程为:
连续使用更多的1×1和3×3卷积的组合来代替较浅较大的卷积核,并使用三条不同卷积规模的支路分别提取不同尺度、不同等级的特征。
进一步,其中三条支路的卷积具体为:
支路1的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为128,stride为1,padding为“same”的3×3卷积,filter为256,stride为1,padding为“same”的1×1卷积,filter为256,stride为1,padding为“same”的3×3卷积,filter为128,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
支路2的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为128,stride为1,padding为“same”的3×3卷积,filter为128,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
支路3的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积。
进一步,所述下采样处理过程为:
以针对特征图使用卷积进行下采样处理,其中卷积核的大小为3×3,filter为64,stride为1,padding为“valid”;
特征图每经过一次卷积,特征图长和宽都减小2,经过若干个卷积后使得特征图尺寸变成1×1。
本发明的有益效果:
1.本发明的多尺度稀疏卷积模块中连续使用更多的1×1和3×3卷积的组合来代替较浅较大的卷积核,并使用三条不同卷积规模的支路分别提取图像块不同尺度、不同等级的特征,有利于更准确地描述图像块特征;
2.本发明的多尺度稀疏卷积模块通过交替地使用3×3、1×1卷积完成从原始特征中提取和凝聚语义信息,使得特征响应在通道方向上呈现稀疏性;
3.本发明的方法能有效检测高分辨率遥感图像中大目标和小目标的变化情况。
附图说明
图1a为高分辨率遥感图像对1参考图像示例图;
图1b为高分辨率遥感图像对1待检测图像示例图;
图2a为高分辨率遥感图像对2参考图像示例图;
图2b为高分辨率遥感图像对2待检测图像示例图;
图3为本发明的流程图;
图4为多尺度稀疏卷积模块示意图;
图5为本发明高分辨率遥感图像对1的变化性质判断结果(图中白色覆盖区域为变化区域);
图6为本发明高分辨率遥感图像对2的变化性质判断结果(图中白色覆盖区域为变化区域)。
具体实施方式
下面结合附图及实施例对本发明作进一步说明。待变化检测的高分辨率遥感图像对为已配准的图像对,如图1和图2示例,其中一幅图像视为参考图像,另一幅图像视为待检测图像,假设图像的通道为n。用于模型的训练样本包含若干组图像,每组图像中含有参考图像、待检测图像以及变化标注图。图3给出了本发明的处理流程图,下面对本发明的具体实施步骤进行详细说明。本发明的实现共分为四个主要步骤,分别为:
步骤1:训练样本预处理
(1)归一化与数据增强
取一组图像,对参考图像、待检测图像和变化标注图进行归一化处理,使参考图像、待检测图像的像素值范围为[0, 1],变化标注图中0值表示非变化、1值表示变化;
对归一化后的参考图像、待检测图像和变化标注图进行数据增强处理,主要使用的方法为将图像上下翻转、左右翻转,形成新的图像组,并加入到训练样本中;
(2)训练图像块获取
逐一从训练样本中取一组图像,针对参考图像、待检测图像,分别从图像左上角(0,0)开始,使用滑动窗口技术,以每个像素点为中心,按窗口大小21×21逐一取图像块,形成对应的图像块对;
将图像块对叠加,形成2×n通道的图像块,作为模型的输入。
步骤2:多尺度稀疏卷积模块特征提取
多尺度稀疏卷积模块如图4所示,连续使用更多的1×1和3×3卷积的组合来代替较浅较大的卷积核,并使用三条不同卷积规模的支路分别提取不同尺度、不同等级的特征。其中三条支路的卷积具体为:
支路1的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为128,stride为1,padding为“same”的3×3卷积,filter为256,stride为1,padding为“same”的1×1卷积,filter为256,stride为1,padding为“same”的3×3卷积,filter为128,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
支路2的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为128,stride为1,padding为“same”的3×3卷积,filter为128,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
支路3的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
模型中每条支路使用的1×1和3×3卷积数量不同,通常3×3卷积层越多,该通路输出的语义信息越高级。模型的3个3×3卷积核不但感受野与7×7卷积核感受野相同,而且携带了更多的激活函数,稀疏性更强。模型通过交替地使用3×3、1×1卷积完成从原始特征中提取和凝聚语义信息,使得特征响应在通道方向上呈现稀疏性,其中使用1×1卷积核的目的是,将相关性很高、在同一个空间位置但是不同通道的特征连接在一起,同时对通道进行升维和降维;
将三条支路提取到的特征在通道上进行拼接,实现特征融合,得到特征图。
步骤3:下采样处理
针对特征图使用卷积进行下采样处理,其中卷积核的大小为3×3,filter为64,stride为1,padding为“valid”;
特征图每经过一次卷积,特征图长和宽都减小2,经过若干个卷积后使得特征图尺寸变成1×1。
步骤4:预测及反向传播
针对步骤3得到的1×1的特征图,利用全连接操作对特征信息进行整合,并根据softmax层输出图像块对的变化概率,根据其变化概率计算出图像块中心像素点的变化情况,0值表示非变化、1值表示变化,再计算预测的变化情况与变化标注图的交叉熵损失,根据损失对网络模型中的参数进行更新。
图5和图6分别给出了图1和图2的变化结果,图5主要展示小目标检测结果,图6主要展示大目标检测结果。
本发明所提供的高分辨率遥感图像多尺度稀疏卷积变化检测方法,主要是为了提高高分辨率遥感图像变化检测精度而专门提出。但显然,本图像变化检测方法适用于已配准的分辨率较高的待变化检测的图像对。
Claims (5)
1.一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,其特征在于,针对已完全配准的高分辨率遥感图像对,在对图像对预处理前提下,采用多通道变化检测网络模型,对图像块对进行多尺度稀疏卷积模块特征提取,获得特征图,对特征图使用卷积进行下采样处理,通过预测获得图像块对中心像素点的变化性质判断。
2.根据权利要求1所述的一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,其特征在于,所述预处理的过程为:取一组图像,对参考图像、待检测图像和变化标注图进行归一化处理,使参考图像、待检测图像的像素值范围为[0, 1],变化标注图中0值表示非变化、1值表示变化;对归一化后的参考图像、待检测图像和变化标注图进行数据增强处理,主要使用的方法为将图像上下翻转、左右翻转,形成新的图像组,并加入到训练样本中;逐一从训练样本中取一组图像,针对参考图像、待检测图像,分别从图像左上角(0,0)开始,使用滑动窗口技术,以每个像素点为中心,按窗口大小21×21逐一取图像块,形成对应的图像块对;将图像块对叠加,形成2×n通道的图像块,作为模型的输入,其中n是参考图像和待检测图像的通道数。
3.根据权利要求2所述的一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,其特征在于,所述多尺度稀疏卷积模块特征提取,其过程为:连续使用更多的1×1和3×3卷积的组合来代替较浅较大的卷积核,并使用三条不同卷积规模的支路分别提取不同尺度、不同等级的特征。
4.根据权利要求3一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,其特征在于,所述的三条不同卷积规模的支路具体为:
支路1的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为128,stride为1,padding为“same”的3×3卷积,filter为256,stride为1,padding为“same”的1×1卷积,filter为256,stride为1,padding为“same”的3×3卷积,filter为128,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
支路2的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为128,stride为1,padding为“same”的3×3卷积,filter为128,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积;
支路3的卷积为:filter为64,stride为1,padding为“same”的1×1卷积,filter为64,stride为1,padding为“same”的3×3卷积。
5.根据权利要求1所述的一种高分辨率遥感图像多尺度稀疏卷积变化检测方法,其特征在于,所述下采样处理,其过程为:
以针对特征图使用卷积进行下采样处理,其中卷积核的大小为3×3,filter为64,stride为1,padding为“valid”;特征图每经过一次卷积,特征图长和宽都减小2,经过若干个卷积后使得特征图尺寸变成1×1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426406.8A CN112348814A (zh) | 2020-12-09 | 2020-12-09 | 一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426406.8A CN112348814A (zh) | 2020-12-09 | 2020-12-09 | 一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348814A true CN112348814A (zh) | 2021-02-09 |
Family
ID=74427215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011426406.8A Pending CN112348814A (zh) | 2020-12-09 | 2020-12-09 | 一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348814A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549926A (zh) * | 2022-01-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 目标检测与目标检测模型的训练方法、装置 |
WO2024007423A1 (en) * | 2022-07-06 | 2024-01-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Reference picture resampling (rpr) based super-resolution guided by partition information |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
-
2020
- 2020-12-09 CN CN202011426406.8A patent/CN112348814A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
胡蕾 等: "一种多尺度稀疏卷积的高分辨率遥感图像变化检测方法", 《小型微型计算机系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549926A (zh) * | 2022-01-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 目标检测与目标检测模型的训练方法、装置 |
WO2024007423A1 (en) * | 2022-07-06 | 2024-01-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Reference picture resampling (rpr) based super-resolution guided by partition information |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测系统 | |
CN111325751B (zh) | 基于注意力卷积神经网络的ct图像分割系统 | |
CN109255334B (zh) | 基于深度学习语义分割网络的遥感影像地物分类方法 | |
CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
CN111047551B (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及系统 | |
CN115082675B (zh) | 一种透明物体图像分割方法及系统 | |
CN111797841B (zh) | 一种基于深度残差网络的视觉显著性检测方法 | |
CN112348814A (zh) | 一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 | |
CN114820579A (zh) | 一种基于语义分割的图像复合缺陷的检测方法及系统 | |
CN112766136B (zh) | 一种基于深度学习的空间车位检测方法 | |
CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
CN114724155A (zh) | 基于深度卷积神经网络的场景文本检测方法、系统及设备 | |
CN112949612A (zh) | 一种基于无人机高分辨率遥感影像海岸带地物分类方法 | |
CN115775316A (zh) | 基于多尺度注意力机制的图像语义分割方法 | |
CN113409355A (zh) | 一种基于fpga的运动目标识别系统及方法 | |
CN114463340B (zh) | 一种边缘信息引导的敏捷型遥感图像语义分割方法 | |
CN116630971A (zh) | 基于CRF_ResUnet++网络的小麦赤霉病孢子分割方法 | |
CN109815957A (zh) | 一种基于彩色图像在复杂背景下的文字识别方法 | |
CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及系统 | |
CN111881914B (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
CN116486273B (zh) | 一种小样本遥感图像水体信息提取方法 | |
CN117197687A (zh) | 一种面向无人机航拍密集小目标的检测方法 | |
CN116310668A (zh) | 基于双流密集超分辨率的显著性目标检测算法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210209 |