CN112686184A - 基于神经网络的遥感房屋变化检测方法 - Google Patents
基于神经网络的遥感房屋变化检测方法 Download PDFInfo
- Publication number
- CN112686184A CN112686184A CN202110005852.XA CN202110005852A CN112686184A CN 112686184 A CN112686184 A CN 112686184A CN 202110005852 A CN202110005852 A CN 202110005852A CN 112686184 A CN112686184 A CN 112686184A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- images
- small
- neural network
- 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 85
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于神经网络的遥感房屋变化检测方法，其特征在于：获取同一地区不同时段的遥感影像；对遥感影像进行预处理；对经预处理的遥感影像按照一定大小进行顺序切割，得到遥感影像对应的多张影像小图，并记录影像小图在相应遥感影像中的坐标信息；将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，得到与相应影像小图大小相同且具有相同坐标信息的预测小图；将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图。
Description
技术领域
本发明涉及一种基于神经网络的遥感房屋变化检测方法。适用于遥感领域。
背景技术
变化检测是遥感领域的重要方向，包括地物变化检测、林地变化检测等，旨在从两张或者多张不同时间拍摄的遥感影像中检测出变化区域。变化检测在众多应用中具有重要地位，例如土地资源管理、自然灾害检测与评估等。传统变化检测方法大多基于提取影像纹理特征或者颜色特征等，这些特征都属于浅层特征，因此传统方法最终得到的变化区域图就很容易受到季节变化、卫星传感器等因素的干扰，导致检测精度降低。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种基于神经网络的遥感房屋变化检测方法，以得到较高精度的结果。
本发明所采用的技术方案是：一种基于神经网络的遥感房屋变化检测方法，其特征在于：
获取同一地区不同时段的遥感影像；
对遥感影像进行预处理；
对经预处理的遥感影像按照一定大小进行顺序切割，得到遥感影像对应的多张影像小图，并记录影像小图在相应遥感影像中的坐标信息；
将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；
将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，得到与相应影像小图大小相同且具有相同坐标信息的预测小图；
将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图。
所述遥感影像变化检测模型输出为2通道、像素为0和1的掩码图，掩码图经转换后得到3通道、像素值为0-255的图像，作为预测小图。
使用scikit-image中的regionprops函数对变化预测图中的预测错误区域进行去除。
使用Opencv中的dilate函数进行膨胀处理，对变化预测图上的空洞区域进行填补。
所述对经预处理的遥感影像按照一定大小进行顺序切割，包括：
对经预处理的遥感影像按照a*a大小进行顺序切割，切割时以b的步长进行，b＜a。
所述遥感影像变化检测模型的训练，包括：
获取不同时段拍摄的两幅同一地区的遥感影像，；
通过labelme标注出两张影像中房屋变化的区域，得到标签图像；
对遥感影像数据进行预处理；
对标签图像和经预处理的遥感影像按照一定大小进行顺序切割，得到标签图像和遥感影像对应的多张标签小图和影像小图，并记录标签小图、影像小图在相应标签图像、遥感影像中的坐标信息；
对切割得到的影像小图和标签小图进行图像增强；
将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；标签小图进行onehot操作，得到2通道、像素为0和1的掩码图；
将合并影像和掩码图批量输入遥感影像变化检测模型进行训练，优化器使用Adam，损失函数使用dice loss。
所述遥感影像变化检测模型包含两个部分，第一部分是下采样，第二部分是上采样；
下采样部分包含特征提取操作：
(1)卷积层，其中卷积核大小为3*3；
(2)批标准化层；
(3)激活层，激活函数采用Relu；
(4)最大池化层，其中filter大小为2*2，stride为2；
按照上述顺序堆叠(1)至(4)，得到一个block，下采样由4个block组成；在一个block操作之后，特征图的通道数是输入block特征图通道数的两倍，而特征图大小则是输入的一半；
上采样包含多种操作：
(1)上采样层，其中filter大小为2*2；
(2)拼接操作，将下采样部分中得到的相同大小的特征图按照通道维度进行拼接，以将上采样中深层的、语义的、粗糙的特征图和下采样中浅层的、低级的、精细的特征图相结合，得到更加全面的结果；
(3)卷积层，其中卷积核大小为3*3；
(4)批标准化层；
(5)激活层，激活函数采用Relu；
按照顺序堆叠(1)至(5)，得到一个block，上采样共包含5个block；在一个block操作之后，特征图的通道数是输入block特征图通道数的一半，而特征图大小则是输入的两倍；
模型最后一层由1*1卷积构成，将特征图数量映射为所需的类别数，即背景区域和房屋变化区域。
一种基于神经网络的遥感房屋变化检测装置，其特征在于：
影像获取模块，用于获取同一地区不同时段的遥感影像；
预处理模块，用于对遥感影像进行预处理；
影像切割模块，用于对经预处理的遥感影像按照一定大小进行顺序切割，得到遥感影像对应的多张影像小图，并记录影像小图在相应遥感影像中的坐标信息；
输入处理模块，用于将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；
变化预测模块，用于将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，得到与相应影像小图大小相同且具有相同坐标信息的预测小图；
拼接模块，用于将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图。
一种存储介质，其上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于神经网络的遥感房屋变化检测方法的步骤。
一种基于神经网络的遥感房屋变化检测系统，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现所述基于神经网络的遥感房屋变化检测方法的步骤。
本发明的有益效果是：本发明通过采用神经网络框架的遥感影像变化检测模型进行变化检测，模型能够自发的学习图像深层特征，不再拘泥于浅层的图像特征，最终能获得较为稳定的图像处理结果，从而使本发明能够得到较高精度的变化检测结果。
附图说明
图1为实施例的流程图。
图2为实施例中Unet模型的训练流程图。
具体实施方式
本实施例为一种基于神经网络的遥感房屋变化检测方法，具体包括以下步骤：
获取同一地区、不同时段拍摄的遥感影像；
对遥感影像进行预处理，包括降噪、色差平衡等操作；
对经预处理的遥感影像按照128x128大小进行顺序切割，得到遥感影像对应的多张影像小图；为了后续拼接预测图时减小拼接痕迹，在进行切割时以120的步长进行切割，使相邻的小图会重叠8x128个像素；当切割到图像边界，剩余尺寸不够128时，则用0自动补齐为128x128；在切割时，为了后续预测完成后拼回大图，小图的在相应遥感影像上的坐标信息对应小图的命名格式，在拼图时只需要根据小图的名称就可以得到整幅影像的变化预测图；
将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；
将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，模型输出2通道、像素为0和1的掩码图，掩码图中像素值1为变化区域，像素值0为未变化区域；为了能直观的进行观察，将掩码图进行转换，转换为3通道、像素值为0-255的png格式图像，得到预测小图，预测小图与相应影像小图大小相同且具有相同坐标信息；
将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图；
拼接完成后，图像中会存在一些面积较小的预测错误区域，为了得到更好的预测效果，本实施例使用scikit-image中的regionprops函数对上述区域进行去除；同时变化预测图上还存在空洞，为了填补这些空洞区域，本实施例使用Opencv中的dilate函数进行膨胀处理。
本实施例中遥感影像变化检测模型的训练方法包括：
步骤1、对于不同时段拍摄的两幅同一地区的遥感影像，截取一部分进行网络训练，剩余部分进行预测验证。
步骤2、使用labelme进行图片对比标注，标注出两幅遥感影像中房屋变化的区域，包括房屋变空地、空地变房屋、道路变房屋等区域，得到json格式的标签。
为了后续模型训练，将json格式的标签转换为单通道png格式的图像，并修改标签图像中的像素值——房屋变化区域的像素值修改为1，其余区域的像素值修改为0。
步骤3、对遥感影像数据进行预处理。由于变化检测需要检测的是两张不同时间拍摄的影像，而这两张影像可能会受到天气、季节等因素的影响，导致影像存在色差等问题，为了减少这类问题对神经网络训练的影响，对遥感影像进行预处理，包括降噪、色差平衡等操作。
步骤4、对标签图像和经预处理的遥感影像按照128x128大小进行顺序切割，得到标签图像和遥感影像对应的多张标签小图、影像小图。
为了后续拼接预测图时减小拼接痕迹，在进行切割时本实施例以120的步长进行切割，使相邻的小图会重叠8x128个像素。当切割到图像边界时，如果剩余尺寸不够128，则用0自动补齐为128x128。
在切割时，为了后续预测完成后拼回大图，标签小图、影像小图的坐标信息对应小图的命名格式，在拼图时只需要根据小图的名称就可以得到整幅影像的房屋变化预测图。
步骤5、对切割得到的影像小图和标签小图进行图像增强操作，以防止神经网络在训练时产生过拟合，其中包括随机图像翻转、添加点噪声等。
步骤6、对输入数据进行处理。对于遥感影像，为了得到房屋的变化区域，将两张坐标信息对应的影像小图进行合并，即两张3通道的影像被合并为一张6通道的合并影像，模型输入shape的大小为(batch_size，128，128，6)；对于标签小图进行onehot操作，得到2通道的新标签数据。
步骤7、模型训练。数据根据设定的batch_size大小批量输入遥感影像变化检测模型进行训练，合并影像作为模型的输入，经onehot操作后的标签小图作为模型的输出，迭代次数epoch根据数据量进行设定，其中优化器使用Adam，损失函数使用dice loss。
由于遥感图像中，变化区域在整体所占比重较小，尤其当拍摄时间较为相近的影像时，很容易导致变化区域和未变化区域的样本数比重严重失衡，使得神经网络学习不到有效的变化区域特征，因此在本实施例中使用了dice loss这一损失函数来克服这一问题。Loss函数如下式所示，其中y表示预测结果，yt表示标签数据：
步骤8、结果预测。当模型训练完成后，使用效果最好的模型进行预测，将步骤1中剩余的影像数据进行顺序切割，进行合并后输入保存好的模型进行预测，得到预测小图，此时得到的小图为2通道、像素为0和1的掩码图，为了能直观的进行观察，将掩码图进行转换，转换为3通道、像素值为0-255的png格式图像，并保存。
本实施例中遥感影像变化检测模型的神经网络框架基于Unet模型。Unet模型是一种经典的图像分割模型，该模型包含两个部分，第一部分是下采样，第二部分是上采样。
一、下采样部分包含了多数神经网络都具有的特征提取操作：
(1)卷积层，其中卷积核大小为3*3；
(2)批标准化层；
(3)激活层，激活函数采用Relu；
(4)最大池化层，其中filter大小为2*2，stride为2。
按照上述顺序堆叠(1)至(4)，得到一个block，下采样由4个block组成。在一个block操作之后，特征图的通道数是输入block特征图通道数的两倍，而特征图大小则是输入的一半。
二、上采样部分将提取到的特征图恢复到与标签图像一致，以便后续进行损失函数的计算。同样的，上采样包含了多种操作：
(1)上采样层，其中filter大小为2*2；
(2)拼接操作。将下采样部分中得到的相同大小的特征图按照通道维度进行拼接，这样做可以将上采样中深层的、语义的、粗糙的特征图和下采样中浅层的、低级的、精细的特征图相结合，得到更加全面的结果；
(3)卷积层，其中卷积核大小为3*3；
(4)批标准化层；
(5)激活层，激活函数采用Relu。
同样的，按照顺序堆叠(1)至(5)，得到一个block，本发明上采样共包含5个block。在一个block操作之后，特征图的通道数是输入block特征图通道数的一半，而特征图大小则是输入的两倍。
网络最后一层由1*1卷积构成，可以将特征图数量映射为所需的类别数，在本发明中共2类，即背景区域和房屋变化区域。至此，网络构建完成，共42层，最后得到通道数为2的预测结果。
本实施例还提供一种基于神经网络的遥感房屋变化检测装置，包括影像获取模块、预处理模块、影像切割模块、输入处理模块、变化预测模块、拼接模块和拼接图处理模块。
本实施例中影像获取模块用于获取同一地区不同时段的遥感影像；预处理模块用于对遥感影像进行预处理；影像切割模块用于对经预处理的遥感影像按照一定大小进行顺序切割，得到遥感影像对应的多张影像小图，并记录影像小图在相应遥感影像中的坐标信息；输入处理模块用于将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；变化预测模块用于将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，得到与相应影像小图大小相同且具有相同坐标信息的预测小图；拼接模块用于将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图；拼接图处理模块用于使用scikit-image中的regionprops函数对变化预测图中的预测错误区域进行去除，用于使用Opencv中的dilate函数进行膨胀处理，对变化预测图上的空洞区域进行填补。
本实施例还提供一种存储介质，其上存储有可供处理器执行的计算机程序，该计算机程序被执行时实现本实施例中基于神经网络的遥感房屋变化检测方法的步骤。
本实施例还提供一种基于神经网络的遥感房屋变化检测系统，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，该计算机程序被执行时实现本实施例中基于神经网络的遥感房屋变化检测方法的步骤。
Claims (10)
1.一种基于神经网络的遥感房屋变化检测方法，其特征在于：
获取同一地区不同时段的遥感影像；
对遥感影像进行预处理；
对经预处理的遥感影像按照一定大小进行顺序切割，得到遥感影像对应的多张影像小图，并记录影像小图在相应遥感影像中的坐标信息；
将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；
将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，得到与相应影像小图大小相同且具有相同坐标信息的预测小图；
将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图。
2.根据权利要求1所述的基于神经网络的遥感房屋变化检测方法，其特征在于：所述遥感影像变化检测模型输出为2通道、像素为0和1的掩码图，掩码图经转换后得到3通道、像素值为0-255的图像，作为预测小图。
3.根据权利要求1或2所述的基于神经网络的遥感房屋变化检测方法，其特征在于：使用scikit-image中的regionprops函数对变化预测图中的预测错误区域进行去除。
4.根据权利要求1或2所述的基于神经网络的遥感房屋变化检测方法，其特征在于：使用Opencv中的dilate函数进行膨胀处理，对变化预测图上的空洞区域进行填补。
5.根据权利要求1所述的基于神经网络的遥感房屋变化检测方法，其特征在于，所述对经预处理的遥感影像按照一定大小进行顺序切割，包括：
对经预处理的遥感影像按照a*a大小进行顺序切割，切割时以b的步长进行，b＜a。
6.根据权利要求1所述的基于神经网络的遥感房屋变化检测方法，其特征在于，所述遥感影像变化检测模型的训练，包括：
获取不同时段拍摄的两幅同一地区的遥感影像，；
通过labelme标注出两张影像中房屋变化的区域，得到标签图像；
对遥感影像数据进行预处理；
对标签图像和经预处理的遥感影像按照一定大小进行顺序切割，得到标签图像和遥感影像对应的多张标签小图和影像小图，并记录标签小图、影像小图在相应标签图像、遥感影像中的坐标信息；
对切割得到的影像小图和标签小图进行图像增强；
将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；标签小图进行onehot操作，得到2通道、像素为0和1的掩码图；
将合并影像和掩码图批量输入遥感影像变化检测模型进行训练，优化器使用Adam，损失函数使用dice loss。
7.根据权利要求6所述的基于神经网络的遥感房屋变化检测方法，其特征在于，所述遥感影像变化检测模型包含两个部分，第一部分是下采样，第二部分是上采样；
下采样部分包含特征提取操作：
(1)卷积层，其中卷积核大小为3*3；
(2)批标准化层；
(3)激活层，激活函数采用Relu；
(4)最大池化层，其中filter大小为2*2，stride为2；
按照上述顺序堆叠(1)至(4)，得到一个block，下采样由4个block组成；在一个block操作之后，特征图的通道数是输入block特征图通道数的两倍，而特征图大小则是输入的一半；
上采样包含多种操作：
(1)上采样层，其中filter大小为2*2；
(2)拼接操作，将下采样部分中得到的相同大小的特征图按照通道维度进行拼接，以将上采样中深层的、语义的、粗糙的特征图和下采样中浅层的、低级的、精细的特征图相结合，得到更加全面的结果；
(3)卷积层，其中卷积核大小为3*3；
(4)批标准化层；
(5)激活层，激活函数采用Relu；
按照顺序堆叠(1)至(5)，得到一个block，上采样共包含5个block；在一个block操作之后，特征图的通道数是输入block特征图通道数的一半，而特征图大小则是输入的两倍；
模型最后一层由1*1卷积构成，将特征图数量映射为所需的类别数，即背景区域和房屋变化区域。
8.一种基于神经网络的遥感房屋变化检测装置，其特征在于：
影像获取模块，用于获取同一地区不同时段的遥感影像；
预处理模块，用于对遥感影像进行预处理；
影像切割模块，用于对经预处理的遥感影像按照一定大小进行顺序切割，得到遥感影像对应的多张影像小图，并记录影像小图在相应遥感影像中的坐标信息；
输入处理模块，用于将两张分别由同一地区不同时段的遥感影像切割形成的且坐标信息相同的影像小图进行合并，即两张3通道的影像合并为一张6通道的合并影像；
变化预测模块，用于将合并影像输入训练好的采用神经网络框架且基于Unet模型的遥感影像变化检测模型，得到与相应影像小图大小相同且具有相同坐标信息的预测小图；
拼接模块，用于将预测小图按其坐标信息进行拼接，得到整张遥感影像的变化预测图。
9.一种存储介质，其上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～7任意一项所述基于神经网络的遥感房屋变化检测方法的步骤。
10.一种基于神经网络的遥感房屋变化检测系统，具有存储器和处理器，存储器上存储有可供处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1～7任意一项所述基于神经网络的遥感房屋变化检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110005852.XA CN112686184A (zh) | 2021-01-05 | 2021-01-05 | 基于神经网络的遥感房屋变化检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110005852.XA CN112686184A (zh) | 2021-01-05 | 2021-01-05 | 基于神经网络的遥感房屋变化检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112686184A true CN112686184A (zh) | 2021-04-20 |
Family
ID=75457156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110005852.XA Pending CN112686184A (zh) | 2021-01-05 | 2021-01-05 | 基于神经网络的遥感房屋变化检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686184A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536432A (zh) * | 2021-07-20 | 2021-10-22 | 合肥工业大学 | 基于预测网络的村落房屋布局方法、存储介质及终端设备 |
| CN113989681A (zh) * | 2021-12-29 | 2022-01-28 | 航天宏图信息技术股份有限公司 | 遥感影像变化检测方法、装置、电子设备及存储介质 |
| CN117612017A (zh) * | 2024-01-23 | 2024-02-27 | 江西啄木蜂科技有限公司 | 一种环境自适应的遥感影像变化检测方法 |
Citations (6)
| 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 |
| CN111027508A (zh) * | 2019-12-23 | 2020-04-17 | 电子科技大学 | 一种基于深层神经网络的遥感图像覆被变化检测方法 |
| US20200151500A1 (en) * | 2018-11-14 | 2020-05-14 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
| CN111242073A (zh) * | 2020-01-19 | 2020-06-05 | 武汉大学 | 一种融合加权Unet网络和IR-MAD的建筑物变化检测方法 |
| CN111274892A (zh) * | 2020-01-14 | 2020-06-12 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及系统 |
| 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 |
-
2021
- 2021-01-05 CN CN202110005852.XA patent/CN112686184A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200151500A1 (en) * | 2018-11-14 | 2020-05-14 | Cape Analytics, Inc. | Systems, methods, and computer readable media for predictive analytics and change detection from remotely sensed imagery |
| 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 |
| CN111027508A (zh) * | 2019-12-23 | 2020-04-17 | 电子科技大学 | 一种基于深层神经网络的遥感图像覆被变化检测方法 |
| CN111274892A (zh) * | 2020-01-14 | 2020-06-12 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及系统 |
| CN111242073A (zh) * | 2020-01-19 | 2020-06-05 | 武汉大学 | 一种融合加权Unet网络和IR-MAD的建筑物变化检测方法 |
| 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 |
|---|
| 宋业冲等: "深度学习方法在光伏用地遥感检测中的应用", 《测绘科学》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113536432A (zh) * | 2021-07-20 | 2021-10-22 | 合肥工业大学 | 基于预测网络的村落房屋布局方法、存储介质及终端设备 |
| CN113536432B (zh) * | 2021-07-20 | 2024-05-14 | 合肥工业大学 | 基于预测网络的村落房屋布局方法、存储介质及终端设备 |
| CN113989681A (zh) * | 2021-12-29 | 2022-01-28 | 航天宏图信息技术股份有限公司 | 遥感影像变化检测方法、装置、电子设备及存储介质 |
| CN113989681B (zh) * | 2021-12-29 | 2022-04-08 | 航天宏图信息技术股份有限公司 | 遥感影像变化检测方法、装置、电子设备及存储介质 |
| CN117612017A (zh) * | 2024-01-23 | 2024-02-27 | 江西啄木蜂科技有限公司 | 一种环境自适应的遥感影像变化检测方法 |
| CN117612017B (zh) * | 2024-01-23 | 2024-05-24 | 江西啄木蜂科技有限公司 | 一种环境自适应的遥感影像变化检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230329B (zh) | 基于多尺度卷积神经网络的语义分割方法 | |
| CN111582043B (zh) | 基于多任务学习的高分辨率遥感影像地物变化检测方法 | |
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| Abdollahi et al. | Improving road semantic segmentation using generative adversarial network | |
| CN112686184A (zh) | 基于神经网络的遥感房屋变化检测方法 | |
| CN107918776B (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
| CN111582104B (zh) | 基于自注意特征聚合网络的遥感图像语义分割方法及装置 | |
| CN112561876A (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
| CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
| CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
| CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
| CN111178217A (zh) | 人脸图像的检测方法及设备 | |
| CN114399686A (zh) | 一种基于弱监督学习的遥感图像地物识别与分类方法和装置 | |
| CN115830471A (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
| CN115471754A (zh) | 一种基于多维多尺度U-net网络的遥感图像道路提取方法 | |
| CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
| CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
| CN116152575B (zh) | 基于类激活采样引导的弱监督目标定位方法、装置和介质 | |
| CN113111740A (zh) | 一种遥感图像目标检测的特征编织方法 | |
| CN112818777A (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
| CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
| CN116486075A (zh) | 基于HRNet的遥感影像地物提取多尺度强融合语义分割方法 | |
| CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
| CN115457120A (zh) | 一种gps拒止条件下的绝对位置感知方法与系统 | |
| CN114708591A (zh) | 基于单字连接的文档图像中文字符检测方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210420 |