CN112560967B - 一种多源遥感图像分类方法、存储介质及计算设备 - Google Patents
一种多源遥感图像分类方法、存储介质及计算设备 Download PDFInfo
- Publication number
- CN112560967B CN112560967B CN202011511695.1A CN202011511695A CN112560967B CN 112560967 B CN112560967 B CN 112560967B CN 202011511695 A CN202011511695 A CN 202011511695A CN 112560967 B CN112560967 B CN 112560967B
- Authority
- CN
- China
- Prior art keywords
- group
- remote sensing
- classification
- source remote
- sensing image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 230000006835 compression Effects 0.000 claims abstract description 11
- 238000007906 compression Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011423 initialization method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004040 coloring Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多源遥感图像分类方法、存储介质及计算设备,对待分类的多源遥感图像数据进行灰度压缩;将灰度压缩的多源遥感图像输入到群组注意力机制网络中;根据图像对应的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;初始化群组注意力机制网络的参数;从训练样本集合中选取训练样本,分批次并归一化后训练初始化后的群组注意力机制网络;重复训练步骤直至满足终止条件;利用训练好的群组注意力机制网络预测分类;输出分类图像并计算分类指标。本发明采用双重利用图像的空间相结构信息,提取更有效的特征进行分类,提高了分类精度,可用于对多源遥感图像进行特征提取和地物分类。
Description
技术领域
本发明属于多源遥感图像处理技术领域,具体涉及一种多源遥感图像分类方法、存储介质及计算设备。
背景技术
多源遥感图像分类是比较前沿的研究方向,它可以充分利用不同图像之间的优点,从而去得到更好的解译效果。遥感图像的种类繁多,特性各异,整体呈现出“三多”和“四高”的特性。“三多”是指多传感器、多平台、多角度,“四高”是指高空间分辨率、高光谱分辨率、高时相分辨率、高辐射分辨率。这些数据特性对新方法的提出带来了新的挑战,多种复杂的数据优势各异,如何充分利用其优点对遥感图像解译是一个充满希望的课题,即多源数据融合解译。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种多源遥感图像分类方法、存储介质及计算设备,采用双重利用图像的空间相结构信息,对原始数据空间更好的表示和学习,提取更有效的特征进行分类,提高了分类精度,解决现有多源影像地物分类方法中信息复杂和特征融合的问题,可用于对多源遥感图像进行特征提取和地物分类。
本发明采用以下技术方案:
一种多源遥感图像分类方法,其特征在于,对待分类的多源遥感图像数据进行灰度压缩;将灰度压缩的多源遥感图像输入到群组注意力机制网络中;根据图像对应的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;初始化群组注意力机制网络的参数;从训练样本集合中选取训练样本,分批次并归一化到[0.1,0.9]后训练初始化后的群组注意力机制网络;重复训练步骤直至满足终止条件;利用训练好的群组注意力机制网络预测分类;输出分类图像并计算分类指标,实现多源遥感图像的分类。
具体的,将原始的遥感影像数据转换为Uint8位编码,取累计直方图5%和95%处对应的灰度值作为最小值Vmin和最大值Vmax,将图像压缩至新的灰度级范围Xnew,如果原始像素值X>Vmax,则X=Vmax,如果X<Vmin,则X=Vmin。
具体的,群组注意力机制网络包括群组谱间注意力和群组空间注意力模型,群组谱间注意力模型以每个群组为单元进行注意力特征提取;群组空间注意力模型给出共享的规范化参数。
进一步的,群组谱间注意力函数FG1如下:
其中,为群组谱间特征的平均值,/>为群组谱间特征的标准差,Z为每个群组的通道个数,Z=N/C,N为特征通道的总数,C为待分类目标的类别数;up()操作表示是向上取整。
进一步的,群组空间注意力模型如下:
其中,FG2(xi,n)为群组空间注意力模型,xi,n为第i通道第n个位置的特征值,为共享的规范化参数,Z为每个群组的通道个数,Z=N/C,N是特征通道的总数,C为待分类目标的类别数,up()操作表示是向上取整,/>为第i通道第j个位置的特征值的平方。
具体的,随机选择的每类训练样本为256。
具体的,采用高斯初始化对群组注意力机制网络的参数进行初始化操作。
具体的,利用分类器预测每个像素的类别,并进行上色,得到上色后的分类效果图像,然后将其输出显示;将多源遥感图像得到的像素预测类别与真实地物类别进行比较,将类别一致的像素个数与全部像素个数的比值作为图像的分类精度。
本发明的另一个技术方案是,一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是,一种计算设备,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种多源遥感图像分类方法,首先对原始的多源遥感影像数据进行灰度压缩,其次,将灰度压缩的训练数据输入到群组注意力网络中;然后,初始化并训练网络;最后,输入测试集并计算分类精度。实验结果表明具有良好的分类性能;提出了群组空间注意力机制模块;提出了群组谱间注意力机制模块;
进一步的,灰度压缩的目的是为了计算方便。
进一步的,群组注意力机制网络的提出是为了能够充分提出图像的空谱特征。
进一步的,群组谱间注意力函数的设置是为了对图像的谱间特征进行建模。
进一步的,群组空间注意力函数的设置是为了对图像的空间特征进行建模。
进一步的,随机选择样本数据设置是为了让实验更加具有说服力。
进一步的,高斯初始化方法是一种比较常用的初始化方法,具有较好的鲁棒性。
进一步的,输出分类图像是为了能够从视觉角度观测分类结果,计算分类指标是为了能够定量的分析分类结果。
综上所述,本发明提出了一种基于群组注意力机制的多源遥感图像分类方法,能够对图像空谱特征进行有效的表征。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程图;
图2为本发明仿真使用的一种多源遥感图像;
图3为本发明仿真使用的另一种多源遥感图像;
图4为本发明仿真使用的地物分布标记图;
图5为两个对比方法的一种分类结果图;
图6为两个对比方法的另一种分类结果图;
图7是本发明的分类结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种多源遥感图像分类方法,对原始多源图像数据灰度级;输入灰度级压缩后到数据到群组注意力网络;将提取的多源数据特征进行融合;对融合后的特征进行分类,得到分类结果。本发明与现有的一些方法相比,同时融合了多源遥感图像的丰富特征,明显地提高了分类精度。
请参阅图1,本发明一种基于群组注意力机制的多源遥感图像分类方法,包括以下步骤:
S1、对待分类的多源遥感图像数据进行灰度压缩;
原始的遥感影像数据为Uint16位编码,将原始的遥感影像数据转换为Uint8位编码,取累计直方图5%和95%处对应的灰度值作为最小值(Vmin)和最大值(Vmax),将图像压缩至新的灰度级范围,得到如下公式
Xnew=(X-Vmin)/(Vmax-Vmin)*255 (1)
其中,X表示原始像素值,Xnew表示压缩后的像素值,如果X>Vmax,则X=Vmax,如果X<Vmin,则X=Vmin。
S2、将灰度压缩的多源遥感图像输入到网络中;
群组注意力机制网络包括群组谱间注意力和群组空间注意力模型。
群组谱间注意力模型:以每个群组为单元进行注意力特征提取,以提升网络的性能和收敛速度。群组谱间注意力函数FG1可以写成如下公式:
上面三个公式中,Z是每个群组的通道个数,Z=N/C,N是特征通道的总数,C一般是待分类目标的类别数。up()操作表示是向上取整。
群组空间注意力模型FG2(xi,n)为:
其中,FG2(xi,n)为群组空间注意力模型,xi,n为第i通道第n个位置的特征值,为共享的规范化参数,并且这个参数是群组内所有特征值相关,Z为每个群组的通道个数,Z=N/C,N是特征通道的总数,C为待分类目标的类别数,up()操作表示是向上取整,/>为第i通道第j个位置的特征值的平方。
共享的规范化参数为:
本发明处理的是两个源的遥感图像,即多光谱遥感图像和极化SAR遥感图像,前者输入到群组谱域注意力网络,后者输入到群组空域注意力网络。
S3、根据图像对应的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;
采样得到的每类训练样本数目为256个。
S4、同时初始化群组注意力机制网络的相关参数;
采用的参数初始化方法是高斯初始化。
S5、将选取的训练样本分批次并归一化到[0.1,0.9]后训练网络;
群组注意力机制网络训练过程,采用随机梯度的反向传播算法优化。
S6、重复步骤S5,直至满足终止条件,本方法中最大迭代次数2200次,得到模型参数;
S7、利用训练好的网络预测分类;
将待分类的多源遥感影像原始的测试数据,输入已经训练好的网络,得到每个像素点的类别;
S8、输出分类图像并计算分类指标。
S801、利用分类器预测每个像素的类别,并进行上色,得到上色后的分类效果图像,然后将其输出显示;
S802、将多源遥感图像得到的像素预测类别与真实地物类别进行比较,将类别一致的像素个数与全部像素个数的比值作为图像的分类精度。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于多源遥感图像分类的操作,包括:对待分类的多源遥感图像数据进行灰度压缩;将灰度压缩的多源遥感图像输入到群组注意力机制网络中;根据图像对应的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;初始化群组注意力机制网络的相关参数;从训练样本集合中选取训练样本,分批次并归一化到[0.1,0.9]后训练网络;重复训练步骤直至满足终止条件;利用训练好的网络预测分类;输出分类图像并计算分类指标。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关电网中长期检修计划的校核方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:对待分类的多源遥感图像数据进行灰度压缩;将灰度压缩的多源遥感图像输入到群组注意力机制网络中;根据图像对应的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;初始化群组注意力机制网络的相关参数;从训练样本集合中选取训练样本,分批次并归一化到[0.1,0.9]后训练网络;重复训练步骤直至满足终止条件;利用训练好的网络预测分类;输出分类图像并计算分类指标。
1、实验条件与方法
硬件平台为:Titan X 16GB、64GB RAM;
软件平台为:Ubuntu18.04.2,Pytorch 1.5;
实验方法:分别为本发明和现有的Wishart分类器的方法以及基于Cloude分解和Freeman分解提取特征,再利用卷积神经网络分类,其中现有的这两种方法都是极化SAR图像分类中经典的方法。
2、仿真内容与结果
图2为本发明仿真使用的一种多源遥感图像;
图3为本发明仿真使用的另一种多源遥感图像;
图5为FuseNet方法分类结果图,
图6为ReuseNet方法分类的结果图;
图7为本发明的分类结果图。
仿真实验中,根据图4所示的地物分布参考图,随机选取每类256个训练样本,剩下样本作为测试集计算精度,得到各类分类精度和总分类精度作为评价指标。评价结果如表1所示
表1.本发明和两种对比方法在仿真实验中得到的各类分类精度和总分类精度
3.实验结果分析
实验结果分为可视化结果展示和指标结果展示,可视化加过见图5~图7,其中,图5为FuseNet方法分类结果图,图6为ReuseNet方法分类的结果图;图7为本发明的分类结果图。三者对比可以看出,本发明所提出的算法,能够较好的识别地物类别,尤其是结果比较平滑,杂点较少。同样,从表格1可以看出,所提的算法,比对比算法分别高出1.2和0.72个百分点。
综上所述,本发明一种多源遥感图像分类方法、存储介质及计算设备,能够明显地提升多源遥感图像的分类性能,考虑图像空谱特征和注意力机制进行建模,提出了一种基于群组注意力机制的多源遥感图像分类方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种多源遥感图像分类方法,其特征在于,对待分类的多源遥感图像数据进行灰度压缩;将灰度压缩的多源遥感图像输入到群组注意力机制网络中;根据图像对应的地物分布参考图中已标注的信息,随机选择每类的训练样本,得到训练样本集合;初始化群组注意力机制网络的参数;从训练样本集合中选取训练样本,分批次并归一化到[0.1,0.9]后训练初始化后的群组注意力机制网络;重复训练步骤直至满足终止条件;利用训练好的群组注意力机制网络预测分类;输出分类图像并计算分类指标,实现多源遥感图像的分类;
群组注意力机制网络包括群组谱间注意力和群组空间注意力模型,群组谱间注意力模型以每个群组为单元进行注意力特征提取;群组空间注意力模型给出共享的规范化参数;
群组谱间注意力函数FG1如下:
其中,为群组谱间特征的平均值,/>为群组谱间特征的标准差,Z为每个群组的通道个数,Z=N/C,N为特征通道的总数,C为待分类目标的类别数;up()操作表示是向上取整;
群组空间注意力模型如下:
其中,FG2(xi,n)为群组空间注意力模型,xi,n为第i通道第n个位置的特征值,为共享的规范化参数,Z为每个群组的通道个数,Z=N/C,N是特征通道的总数,C为待分类目标的类别数,up()操作表示是向上取整,/>为第i通道第j个位置的特征值的平方。
2.根据权利要求1所述的方法,其特征在于,将原始的遥感影像数据转换为Uint8位编码,取累计直方图5%和95%处对应的灰度值作为最小值Vmin和最大值Vmax,将图像压缩至新的灰度级范围Xnew,如果原始像素值X>Vmax,则X=Vmax,如果X<Vmin,则X=Vmin。
3.根据权利要求1所述的方法,其特征在于,随机选择的每类训练样本为256。
4.根据权利要求1所述的方法,其特征在于,采用高斯初始化对群组注意力机制网络的参数进行初始化操作。
5.根据权利要求1所述的方法,其特征在于,利用分类器预测每个像素的类别,并进行上色,得到上色后的分类效果图像,然后将其输出显示;将多源遥感图像得到的像素预测类别与真实地物类别进行比较,将类别一致的像素个数与全部像素个数的比值作为图像的分类精度。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。
7.一种计算设备,其特征在于,包括:
一个或多个处理器、存储器及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511695.1A CN112560967B (zh) | 2020-12-18 | 2020-12-18 | 一种多源遥感图像分类方法、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011511695.1A CN112560967B (zh) | 2020-12-18 | 2020-12-18 | 一种多源遥感图像分类方法、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560967A CN112560967A (zh) | 2021-03-26 |
CN112560967B true CN112560967B (zh) | 2023-09-15 |
Family
ID=75030482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011511695.1A Active CN112560967B (zh) | 2020-12-18 | 2020-12-18 | 一种多源遥感图像分类方法、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560967B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239736B (zh) * | 2021-04-16 | 2023-06-06 | 广州大学 | 一种基于多源遥感数据的土地覆盖分类标注图获取方法 |
CN113343458B (zh) * | 2021-05-31 | 2023-07-18 | 潍柴动力股份有限公司 | 发动机传感器的选型方法、装置、电子设备及存储介质 |
CN117730485A (zh) * | 2021-11-24 | 2024-03-19 | 英特尔公司 | 用于系统间或组件间通信的基于学习的数据压缩方法和系统 |
CN114581725B (zh) * | 2022-05-06 | 2022-07-26 | 武汉光谷信息技术股份有限公司 | 一种融合多源数据和理论推导的地物分类方法 |
CN115984635B (zh) * | 2023-03-21 | 2023-07-07 | 自然资源部第一海洋研究所 | 多源遥感数据分类模型训练方法、分类方法和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033998A (zh) * | 2018-07-04 | 2018-12-18 | 北京航空航天大学 | 基于注意力机制卷积神经网络的遥感影像地物标注方法 |
CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN111199214A (zh) * | 2020-01-04 | 2020-05-26 | 西安电子科技大学 | 一种残差网络多光谱图像地物分类方法 |
CN111523521A (zh) * | 2020-06-18 | 2020-08-11 | 西安电子科技大学 | 一种双支路融合多尺度注意神经网络的遥感图像分类方法 |
-
2020
- 2020-12-18 CN CN202011511695.1A patent/CN112560967B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019232830A1 (zh) * | 2018-06-06 | 2019-12-12 | 平安科技(深圳)有限公司 | 机场异物检测方法、装置、计算机设备及存储介质 |
CN109033998A (zh) * | 2018-07-04 | 2018-12-18 | 北京航空航天大学 | 基于注意力机制卷积神经网络的遥感影像地物标注方法 |
CN109993220A (zh) * | 2019-03-23 | 2019-07-09 | 西安电子科技大学 | 基于双路注意力融合神经网络的多源遥感图像分类方法 |
CN111199214A (zh) * | 2020-01-04 | 2020-05-26 | 西安电子科技大学 | 一种残差网络多光谱图像地物分类方法 |
CN111523521A (zh) * | 2020-06-18 | 2020-08-11 | 西安电子科技大学 | 一种双支路融合多尺度注意神经网络的遥感图像分类方法 |
Non-Patent Citations (1)
Title |
---|
徐风 ; 苗哲 ; 业巧林 ; .基于卷积注意力模块的端到端遥感图像分类.林业工程学报.2020,(第04期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112560967A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN107945204B (zh) | 一种基于生成对抗网络的像素级人像抠图方法 | |
CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
CN109165664B (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
CN111126258B (zh) | 图像识别方法及相关装置 | |
CN106570464B (zh) | 一种快速处理人脸遮挡的人脸识别方法及装置 | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN107491793B (zh) | 一种基于稀疏散射全卷积的极化sar图像分类方法 | |
CN108734199A (zh) | 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法 | |
CN113191489B (zh) | 二值神经网络模型的训练方法、图像处理方法和装置 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN112818764A (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
EP4318313A1 (en) | Data processing method, training method for neural network model, and apparatus | |
CN113628211B (zh) | 参数预测推荐方法、设备及计算机可读存储介质 | |
CN112288831A (zh) | 基于生成对抗网络的场景图像生成方法和装置 | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
CN110866552B (zh) | 基于全卷积空间传播网络的高光谱图像分类方法 | |
CN115376195B (zh) | 训练多尺度网络模型的方法及人脸关键点检测方法 | |
CN115952493A (zh) | 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质 | |
CN111429436B (zh) | 一种基于多尺度注意力和标签损失的本质图像分析方法 | |
CN110555483B (zh) | 基于fw-dcgan特征生成的极化sar分类方法 | |
CN114627424A (zh) | 一种基于视角转化的步态识别方法和系统 | |
CN113010687A (zh) | 一种习题标签预测方法、装置、存储介质以及计算机设备 | |
CN111382761B (zh) | 一种基于cnn的检测器、图像检测方法及终端 | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 |
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 |