CN112598265A - 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法 - Google Patents

基于解耦风险估计的无人机高光谱松材线虫病快速探测方法 Download PDF

Info

Publication number
CN112598265A
CN112598265A CN202011511759.8A CN202011511759A CN112598265A CN 112598265 A CN112598265 A CN 112598265A CN 202011511759 A CN202011511759 A CN 202011511759A CN 112598265 A CN112598265 A CN 112598265A
Authority
CN
China
Prior art keywords
risk estimation
hyperspectral
unmanned aerial
aerial vehicle
pine
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.)
Granted
Application number
CN202011511759.8A
Other languages
English (en)
Other versions
CN112598265B (zh
Inventor
赵恒伟
钟燕飞
王心宇
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202011511759.8A priority Critical patent/CN112598265B/zh
Publication of CN112598265A publication Critical patent/CN112598265A/zh
Application granted granted Critical
Publication of CN112598265B publication Critical patent/CN112598265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法。本方法通过类别解耦的风险估计，将阈值确定问题转换为风险估计问题，避免阈值调节步骤，同时将全卷积神经网络引入单分类框架中，通过全局空间信息的利用来捕获影像中距离较远的像素间的依赖关系，缓解无人机影像探测结果中常出现的“椒盐噪声”现象，并且与基于影像块的单分类方法相比，本发明所提出的方法具有较快的推理速度。该方法可以用来进行松材线虫病的探测，无需人工干预。

Description

基于解耦风险估计的无人机高光谱松材线虫病快速探测方法
技术领域
本发明属于无人机遥感图像技术处理领域，尤其涉及一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法。
背景技术
松材线虫病被称为松树的“癌症”，松树感染此病后40天左右即可表现出枯死症状，2至3个月便会死亡，3至5年间便会造成大面积毁林的恶性灾害。发现枯死松树的位置并迅速砍伐患病松树是阻断松材线虫病传播的有效手段之一。但人工监测枯死松树位置的方法费事费力，很难做到快速大面积枯死松树位置的提取，而患病松树冠层反射率的变化为枯死松树的高光谱遥感监测提供了可能。在遥感监测手段中，无人机数据因获取方便、价格低廉、可定制性强而受到研究者的广泛关注。
与此同时，基于无人机高光谱遥感影像的松材线虫病枯死松树探测也是一项艰巨的任务：其一，传统的高光谱影像探测算法无法直接得到枯死松树的位置，需额外确定阈值后，才可以获得影像像素的所属类别，无需阈值的设定而直接获得枯死松树的位置本质上属于更难解决的遥感影像单分类问题。其二，传统的遥感影像探测方法基于手工特征，复杂场景下的患病松树的识别能力受限。其三，无人机数据的高空间分辨率带来的空间异质性和光谱变异性导致地物的同物异谱和同谱异物现象加剧，仅利用局部空间信息的探测方法导致探测结果存在明显的“椒盐噪声”。上述几个问题限制了高光谱影像探测算法在松材线虫病探测中的应用。
发明内容
本发明的目的在于提出一种基于类别解耦风险估计的无人机高光谱松材线虫病快速探测方法。
本发明所提出的这种基于类别解耦风险估计的无人机高光谱松材线虫病快速探测方法，通过类别解耦风险估计将松材线虫病的探测问题转换为风险估计问题，同时利用全卷积神经网络捕获无人机影像丰富的全局空间信息。该方法与基于影像块的单分类方法相比，具有冗余计算少，推理速度快的优点。
在本发明中我们所提出的基于类别解耦风险估计的无人机高光谱松材线虫病快速探测方法具有以下三个显著的特点。一是通过类别解耦的风险估计将阈值确定问题转换为风险估计问题，免去后期的阈值确定步骤，可通过训练好的网络直接获得枯死松树在影像上的分布；其二，将全卷积神经网络引入单分类框架中，通过全局空间信息的利用来捕获影像中距离较远的像素间的依赖关系，缓解无人机影像探测结果中常出现的“椒盐噪声”现象；其三，与基于影像块的单分类方法相比，本发明所提出的方法具有更少的冗余计算，极大的提升了算法的推理速度。
本发明提供一种基于类别解耦风险估计的无人机高光谱松材线虫病快速探测方法，实现步骤如下：
步骤1，依据地面真实值构建包含有枯死松树及未标注像素的训练数据集χP和χU；
步骤2，对无人机高光谱影像逐波段进行归一化预处理；
步骤3，根据训练数据量大小构建所需的全卷积神经网络，并初始化网络的参数；
步骤4，将无人机影像输入步骤3构建的全卷积神经网络并进行前向传播得到输出结果
Figure BDA0002846589290000021
步骤5，基于类别解耦设计总体样本风险估计，并利用全卷积神经网络的输出
Figure BDA0002846589290000023
和对应标签进行风险估计；
步骤6，利用梯度下降算法，更新全卷积神经网络的权重，重复上述步骤，最小化步骤5中设计的总体样本风险估计；
步骤7，对需要探测的影像进行步骤2中的归一化处理，然后输入到训练好的全卷积神经网络中进行推理，输出结果大于0的为枯死松树，反之为其他地物。
进一步的，所述步骤1的实现方式如下，
步骤1.1，通过地面真实值对影像进行标注，获得仅包含枯死松树的数据集χP；
步骤1.2，通过随机采样的方式在影像中获得包含未标注像素的训练数据集χU，该数据集同时包含枯死松树的样本和其他地物的样本；
进一步的，所述步骤2的实现方式如下，
步骤2.1，逐波段计算高光谱影像的均值meani和方差stdi，i为高光谱影像的波段序号；
步骤2.2，逐波段对高光谱影像进行归一化，计算公式为：
Figure BDA0002846589290000022
其中bandi为第i个高光谱影像的波段，n_bandi为对应的归一化之后的波段。
进一步的，所述步骤3的实现方式如下，
步骤3.1，构建全卷积神经网络的深度空-谱特征提取基础模块，包括卷积层-组归一化层-激活层，空间下采样模块，包括步幅为2的卷积层-激活层，空间上采样模块，包括卷积层-上采样层；
步骤3.2，构建全卷积神经网络，其中编码器由深度空-谱特征提取基础模块和空间下采样模块交替堆叠而成，解码器由空间上采样模块连接而成；为保持探测结果的空间细节，通过跨层连接的方式连接编码器和解码器中空间尺寸相同的特征图；
步骤3.3，全卷积神经网络的输出结果通过1×1卷积逐像素进行分类结果的预测。
进一步的，所述步骤5的实现方式如下，
步骤5.1，计算枯死松树样本的经验风险：
Figure BDA0002846589290000031
其中f(xp)为全卷积神经网络的输出结果，xp为从χP中获取的数据，EP为由枯死松树样本计算的损失的平均值，
Figure BDA0002846589290000032
为损失函数，+1代表枯死松树的样本；
步骤5.2，计算未标记样本的经验风险：
Figure BDA0002846589290000033
其中
Figure BDA0002846589290000034
为未标记样本的风险估计，xU为从χU中获得的数据，EU为由未标记样本计算的损失的平均值，
Figure BDA0002846589290000035
为损失函数，-1代表该类为非枯死松树的样本，
Figure BDA0002846589290000036
为枯死松树样本的负类风险估计，πP为类别先验；
步骤5.3，总体样本风险估计为
Figure BDA0002846589290000037
进一步的，所述步骤6的实现方式如下，
步骤6.1，风险计算之后通过梯度下降算法进行网络权重的更新，令
Figure BDA0002846589290000038
Figure BDA0002846589290000039
为通过风险估计函数计算梯度的过程，θ为网络待更新的参数，当r＞0时，使用
Figure BDA00028465892900000310
进行网络参数θ的更新，当r＜0时，使用
Figure BDA00028465892900000311
进行参数更新；
步骤6.2，重复步骤4至步骤6，不断优化网络的参数，直至满足停止条件。
本发明具有如下优点和有益效果：
(1)基于解耦风险估计的损失函数可完成端到端的全卷积神经网络的参数优化，避免了探测后阈值调节的过程，可直接得到影像的类别图，便于林业相关人员的实际应用；
(2)利用全卷积神经网络建立无人机影像上距离较远的像素之间的长距离依赖，通过全局空间信息缓解“椒盐噪声”问题，获得更佳的探测结果；
(3)本方法与基于影像块的探测方法相比，在推理过程中具有较少的冗余计算，推理速度更快。
附图说明
图1为本发明整体流程图。
图2本发明示例所用的无人机影像及标签，其中a为高光谱影像；b为训练标签。
图3为全卷积神经网络的示意图。
图4为图2(a)的探测结果展示。
具体实施方式
为了更好地理解本发明技术方案，下面将结合附图和实施例对本发明做进一步详细说明。
本发明使用Python语言进行开发与优化，整个过程可实现自动化处理。
步骤1，依据地面真实值构建包含有枯死松树及未标注像素的训练数据集χP和χU，此步骤进一步包括：
步骤1.1，通过地面真实值对影像进行标注，获得仅包含枯死松树的数据集χP；
步骤1.2，通过随机采样的方式在影像中获得包含未标注像素的训练数据集χU，该数据集同时包含枯死松树的样本和其他地物的样本，未标记样本数量应尽可能包含所有的地物类型。
步骤2，对无人机高光谱影像逐波段进行归一化预处理，此步骤进一步包括：
步骤2.1，逐波段计算高光谱影像的均值meani和方差stdi，i为高光谱影像的波段序号；
步骤2.2，逐波段对高光谱影像进行归一化，计算公式为：
Figure BDA0002846589290000041
其中bandi为第i个高光谱影像的波段，n_bandi为对应的归一化之后的波段。
步骤3，根据训练数据量大小构建所需的全卷积神经网络，并初始化网络的参数，此步骤进一步包括：
步骤3.1，构建全卷积神经网络的深度空-谱特征提取基础模块(卷积层-组归一化层-激活层)，空间下采样模块(步幅为2的卷积层-激活层)，空间上采样模块(卷积层-上采样层)；
步骤3.2，构建全卷积神经网络。其中编码器由深度空-谱特征提取基础模块和空间下采样模块交替堆叠而成，解码器由空间上采样模块连接而成。为保持探测结果的空间细节，通过跨层连接的方式连接编码器和解码器中空间尺寸相同的特征图；
步骤3.3，全卷积神经网络的输出结果通过1×1卷积逐像素进行分类结果的预测，全卷积神经网络的示意图如图3所示。
步骤4，将无人机影像输入步骤3构建的全卷积神经网络并进行前向传播得到输出结果
Figure BDA0002846589290000051
步骤5，基于类别解耦的原则设计总体样本风险估计，并利用全卷积神经网络的输出
Figure BDA0002846589290000052
和对应标签进行风险估计，此步骤进一步包括：
步骤5.1，计算枯死松树样本的经验风险：
Figure BDA0002846589290000053
其中f(xp)为全卷积神经网络的输出结果，xp为从χP中获取的数据，EP为由枯死松树样本计算的损失的平均值，
Figure BDA0002846589290000054
为损失函数，x为输入数据，+1代表枯死松树的样本；
步骤5.2，计算未标记样本的经验风险：
Figure BDA0002846589290000055
其中
Figure BDA0002846589290000056
为未标记样本的风险估计，xU为从χU中获得的数据，EU为由未标记样本计算的损失的平均值，
Figure BDA0002846589290000057
为损失函数，-1代表该类为非枯死松树的样本，
Figure BDA0002846589290000058
为枯死松树样本的负类风险估计，πP为类别先验，可以通过kMPE等算法进行估计；
步骤5.3，总体样本风险估计为
Figure BDA0002846589290000059
步骤6，利用梯度下降算法，更新全卷积神经网络的权重，重复上述步骤，最小化步骤5中设计的总体样本估计的风险，此步骤进一步包括：
步骤6.1，风险计算之后通过梯度下降算法进行网络权重的更新。令
Figure BDA00028465892900000510
当r＞0时，使用
Figure BDA00028465892900000511
进行网络参数θ的更新，
Figure BDA00028465892900000512
为通过风险估计函数计算梯度的过程，θ为网络待更新的参数，当r＜0时，使用
Figure BDA0002846589290000061
进行参数更新，所使用的数据为χP和χU；
步骤6.2，重复步骤4至步骤6，不断优化网络的参数，直至满足停止条件。
步骤7，对需要探测的影像进行步骤2中的归一化处理，然后输入到训练好的全卷积神经网络中进行推理，输出结果大于0的为枯死松树，其他的为其他地物。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法，其特征在于，包括以下步骤：
步骤1，依据地面真实值构建包含有枯死松树及未标注像素的训练数据集χP和χU；
步骤2，对无人机高光谱影像逐波段进行归一化预处理；
步骤3，根据训练数据量大小构建所需的全卷积神经网络，并初始化网络的参数；
步骤4，将无人机影像输入步骤3构建的全卷积神经网络并进行前向传播得到输出结果
Figure FDA0002846589280000011
步骤5，基于类别解耦设计总体样本风险估计，并利用全卷积神经网络的输出
Figure FDA0002846589280000012
和对应标签进行风险估计；
步骤6，利用梯度下降算法，更新全卷积神经网络的权重，步骤4至步骤6，最小化步骤5中设计的总体样本风险估计；
步骤7，对需要探测的影像进行步骤2中的归一化处理，然后输入到训练好的全卷积神经网络中进行推理，输出结果大于0的为枯死松树，反之为其他地物。
2.如权利要求1所述的一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法，其特征在于：所述步骤1的实现方式如下，
步骤1.1，通过地面真实值对影像进行标注，获得仅包含枯死松树的数据集χP；
步骤1.2，通过随机采样的方式在影像中获得包含未标注像素的训练数据集χU，该数据集同时包含枯死松树的样本和其他地物的样本。
3.如权利要求1所述的一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法，其特征在于：所述步骤2的实现方式如下，
步骤2.1，逐波段计算高光谱影像的均值meani和方差stdi，i为高光谱影像的波段序号；
步骤2.2，逐波段对高光谱影像进行归一化，计算公式为：
Figure FDA0002846589280000013
其中bandi为第i个高光谱影像的波段，n_bandi为对应的归一化之后的波段。
4.如权利要求1所述的一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法，其特征在于：所述步骤3的实现方式如下，
步骤3.1，构建全卷积神经网络的深度空-谱特征提取基础模块，包括卷积层-组归一化层-激活层，空间下采样模块，包括卷积层-激活层，空间上采样模块，包括卷积层-上采样层；
步骤3.2，构建全卷积神经网络，其中编码器由深度空-谱特征提取基础模块和空间下采样模块交替堆叠而成，解码器由空间上采样模块连接而成；为保持探测结果的空间细节，通过跨层连接的方式连接编码器和解码器中空间尺寸相同的特征图；
步骤3.3，全卷积神经网络的输出结果通过1×1卷积逐像素进行分类结果的预测。
5.如权利要求1所述的一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法，其特征在于：所述步骤5的实现方式如下，
步骤5.1，计算枯死松树样本的经验风险：
Figure FDA0002846589280000021
其中f(xp)为全卷积神经网络的输出结果，xp为从χP中获取的数据，EP为由枯死松树样本计算的损失的平均值，
Figure FDA0002846589280000022
为损失函数，+1代表枯死松树的样本；
步骤5.2，计算未标记样本的经验风险：
Figure FDA0002846589280000023
其中
Figure FDA0002846589280000024
为未标记样本的风险估计，xU为从χU中获得的数据，EU为由未标记样本计算的损失的平均值，
Figure FDA0002846589280000025
为损失函数，-1代表该类为非枯死松树的样本，
Figure FDA0002846589280000026
为枯死松树样本的负类风险估计，πP为类别先验；
步骤5.3，总体样本风险估计为
Figure FDA0002846589280000027
6.如权利要求1所述的一种基于解耦风险估计的无人机高光谱松材线虫病快速探测方法，其特征在于：所述步骤6的实现方式如下，
步骤6.1，风险计算之后通过梯度下降算法进行网络权重的更新，令
Figure FDA0002846589280000028
Figure FDA0002846589280000029
为通过风险估计函数计算梯度的过程，θ为网络待更新的参数，当r＞0时，使用
Figure FDA00028465892800000210
进行网络参数θ的更新，当r＜0时，使用
Figure FDA00028465892800000211
进行参数更新；
步骤6.2，重复步骤4至步骤6，不断优化网络的参数，直至满足停止条件。
CN202011511759.8A 2020-12-18 2020-12-18 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法 Active CN112598265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011511759.8A CN112598265B (zh) 2020-12-18 2020-12-18 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011511759.8A CN112598265B (zh) 2020-12-18 2020-12-18 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法

Publications (2)

Publication Number Publication Date
CN112598265A true CN112598265A (zh) 2021-04-02
CN112598265B CN112598265B (zh) 2022-06-07

Family

ID=75200152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011511759.8A Active CN112598265B (zh) 2020-12-18 2020-12-18 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法

Country Status (1)

Country Link
CN (1) CN112598265B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073882A (zh) * 2011-01-27 2011-05-25 武汉大学 高光谱遥感影像的dna计算光谱匹配分类方法
CN106156805A (zh) * 2016-09-12 2016-11-23 中国石油大学(华东) 一种样本标签缺失数据的分类器训练方法
US20170061294A1 (en) * 2015-08-25 2017-03-02 Facebook, Inc. Predicting Labels Using a Deep-Learning Model
CN109558787A (zh) * 2018-09-28 2019-04-02 浙江农林大学 一种基于卷积神经网络模型的竹林害虫识别方法
CN109766744A (zh) * 2018-11-21 2019-05-17 北京农业智能装备技术研究中心 一种松材线虫病树识别与定位方法及系统
CN109948563A (zh) * 2019-03-22 2019-06-28 华南农业大学 一种基于深度学习的松材线虫病枯死树检测定位方法
CN111178316A (zh) * 2020-01-06 2020-05-19 武汉大学 一种基于深度架构自动搜索的高分辨率遥感影像土地覆盖分类方法
US20200202255A1 (en) * 2017-12-15 2020-06-25 Alibaba Group Holding Limited Model integration method and device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073882A (zh) * 2011-01-27 2011-05-25 武汉大学 高光谱遥感影像的dna计算光谱匹配分类方法
US20170061294A1 (en) * 2015-08-25 2017-03-02 Facebook, Inc. Predicting Labels Using a Deep-Learning Model
CN106156805A (zh) * 2016-09-12 2016-11-23 中国石油大学(华东) 一种样本标签缺失数据的分类器训练方法
US20200202255A1 (en) * 2017-12-15 2020-06-25 Alibaba Group Holding Limited Model integration method and device
CN109558787A (zh) * 2018-09-28 2019-04-02 浙江农林大学 一种基于卷积神经网络模型的竹林害虫识别方法
CN109766744A (zh) * 2018-11-21 2019-05-17 北京农业智能装备技术研究中心 一种松材线虫病树识别与定位方法及系统
CN109948563A (zh) * 2019-03-22 2019-06-28 华南农业大学 一种基于深度学习的松材线虫病枯死树检测定位方法
CN111178316A (zh) * 2020-01-06 2020-05-19 武汉大学 一种基于深度架构自动搜索的高分辨率遥感影像土地覆盖分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
VAPNIK V.: "The nature of statistical learning theory", 《SPRINGER》 *
李翼宏等: "一种改进主动学习的恶意代码检测算法", 《计算机科学》 *

Also Published As

Publication number Publication date
CN112598265B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN109800629B (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN111914611B (zh) 城市绿地高分遥感监测方法与系统
CN104462494B (zh) 一种基于无监督特征学习的遥感图像检索方法及系统
Bao et al. UAV remote sensing detection of tea leaf blight based on DDMA-YOLO
CN112101271A (zh) 一种高光谱遥感影像分类方法及装置
CN112464745B (zh) 一种基于语义分割的地物识别与分类方法和装置
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
CN112419333B (zh) 一种遥感影像自适应特征选择分割方法及系统
CN112308152A (zh) 基于光谱分割与同质区域检测的高光谱图像地物分类方法
CN117237740B (zh) 一种基于CNN和Transformer的SAR图像分类方法
CN112861755B (zh) 一种目标多类别实时分割方法及系统
CN114241511A (zh) 一种弱监督行人检测方法、系统、介质、设备及处理终端
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
CN112926548A (zh) 一种车道线检测方法、装置、电子设备及存储介质
CN116385902A (zh) 一种遥感大数据处理方法、系统及云平台
CN117409339A (zh) 一种用于空地协同的无人机作物状态视觉识别方法
CN115908924A (zh) 一种基于多分类器的小样本高光谱图像语义分割方法及系统
CN114862596A (zh) 农作物银行贷款数据风险分析方法及装置
CN112598265B (zh) 基于解耦风险估计的无人机高光谱松材线虫病快速探测方法
Li et al. Fruit tree canopy segmentation from UAV orthophoto maps based on a lightweight improved U-Net
Blekos et al. Efficient automated U-Net based tree crown delineation using UAV multi-spectral imagery on embedded devices
CN116503602A (zh) 基于多层级边缘增强的非结构化环境三维点云语义分割方法
Sun et al. 3D computer vision and machine learning based technique for high throughput cotton boll mapping under field conditions
CN116071653A (zh) 基于自然图像的树木多级枝干结构自动提取方法

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