CN112818920B - 一种双时相高光谱图像空谱联合变化检测方法 - Google Patents

一种双时相高光谱图像空谱联合变化检测方法 Download PDF

Info

Publication number
CN112818920B
CN112818920B CN202110210462.6A CN202110210462A CN112818920B CN 112818920 B CN112818920 B CN 112818920B CN 202110210462 A CN202110210462 A CN 202110210462A CN 112818920 B CN112818920 B CN 112818920B
Authority
CN
China
Prior art keywords
encoder
convolution
simplified
change
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
Application number
CN202110210462.6A
Other languages
English (en)
Other versions
CN112818920A (zh
Inventor
冯收
成浩
赵春晖
秦博奥
吴丹
朱文祥
李闯
王明星
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110210462.6A priority Critical patent/CN112818920B/zh
Publication of CN112818920A publication Critical patent/CN112818920A/zh
Application granted granted Critical
Publication of CN112818920B publication Critical patent/CN112818920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Abstract

一种双时相高光谱图像空谱联合变化检测方法，属于高光谱图像变化检测技术领域。本发明为了解决如何在小样本的情况下提高变化检测精度的问题。本发明将简化三维卷积自编码器中的编码器作为特征提取器，将待检测的双时相高光谱图像输入到特征提取器中得到双时相空谱联合特征图；将得到双时相空谱联合特征图前后叠加，得到叠加特征图，即空谱联合特征图；在叠加特征图之后连接一个2D卷积层，2D卷积层之后再连接两个全连接层，之后利用softmax分类器输出变化与非变化区域，即分类器对所有像素点分类得到最后的检测结果，检测结果中像素所处区域对应为变化区域或者为非变化区域，用二值图进行表示。主要用用于高光谱图像空谱联合变化检测。

Description

一种双时相高光谱图像空谱联合变化检测方法
技术领域
本发明一种高光谱图像变化检测算法，属于高光谱图像变化检测技术领域。
背景技术
高光谱图像变化检测是对同一区域的两幅或多幅时间图像的高光谱图像中的变化信息进行检测。由于人类活动和生态系统的变化，地表变化信息的收集和分析对环境保护、自然资源管理、人类社会发展与自然环境关系的研究具有重要意义。目前大部分变化检测方法都关注于光谱域，然而高光谱图像存在“同物异谱”与“同谱异物”的现象，仅利用光谱信息提取变化特征存在诸多不确定性。考虑引入空间信息进行变化检测是降低不确定性、提高检测结果精度的重要途径之一，但如何对空间信息和光谱信息进行联合分析是后续研究需要考虑的问题。近年来，随着深度神经网络(DNN)在计算机视觉领域显示出强大的特征提取能力，越来越多的学者开始使用DNN来提高变化检测的准确性。而基于深度学习的方法需要大量的训练数据，高光谱数据集的获取、标注是一件繁重且困难的工作，缺乏训练数据会大大降低检测精度。因此，如何在小样本的情况下，提取空谱联合特征来提高变化检测精度是本发明需要解决的问题。
发明内容
本发明为了解决如何在小样本的情况下提高变化检测精度的问题。
一种双时相高光谱图像空谱联合变化检测方法，包括以下步骤：
将简化三维卷积自编码器中的编码器作为特征提取器，将待检测的双时相高光谱图像输入到特征提取器中得到双时相空谱联合特征图；
将得到双时相空谱联合特征图前后叠加，得到叠加特征图，即空谱联合特征图；在叠加特征图之后连接一个2D卷积层，2D卷积层之后再连接两个全连接层，之后输入softmax分类器分类，softmax分类器输出变化与非变化区域，即softmax分类器对所有像素点分类得到最后的检测结果，检测结果中像素所处区域对应为变化区域或者为非变化区域，用二值图进行表示；
所述简化三维卷积自编码器即S3DCAE，S3DCAE为一个重构网络，包括一个编码器和一个解码器；编码器由n个3D卷积层和1个简化3D卷积层组成，解码器由n个3D反卷积层组成；
所述的简化3D卷积层的卷积核只对光谱域进行卷积操作，即：
Figure BDA0002952070300000021
其中，
Figure BDA0002952070300000022
是第l层、第i个简化卷积核，此卷积层中没有了空间维度上的卷积；
Figure BDA0002952070300000023
是第l-1层特征图在第d通道、第z+c波段处的数值，
Figure BDA0002952070300000024
表示第d通道、第c波段的卷积核的参数数值，bl,i是该卷积核的偏置，f表示激活函数。
进一步地，所述softmax分类器的处理过程包括以下步骤：
softmax层对像素点分类的过程中计算像素分类概率的公式如下：
Figure BDA0002952070300000025
其中，αk是神经节点对第k类的输出值，pz,k是像素z最终预测为第k类的概率值，概率值最大的即为所属类别。
进一步地，所述编码器中n个3D卷积层的每个3D卷积层中的第l层、第i个卷积核的三维卷积计算过程如下：
Figure BDA0002952070300000026
其中，
Figure BDA0002952070300000027
表示第l-1层特征图在第d通道、坐标为(x+h,y+w,z+c)位置处的数值，
Figure BDA0002952070300000028
表示第d通道、坐标为(h,w,c)的卷积核的参数数值，bl,i是该卷积核的偏置，Hl、 W1、C1分别表示该卷积核的长、宽、高，Dl与第l-1层特征图的数量相同，f表示激活函数。
进一步地，所述n＝2，即编码器由2个3D卷积层和1个简化3D卷积层组成，解码器由2个3D反卷积层组成。
进一步地，所述简化三维卷积自编码器为预先训练好的，训练过程中首选需要按照图像块尺寸将整幅高光谱图像分割成S3DCAE的训练数据，然后利用训练数据对S3DCAE进行训练，得到训练好的简化三维卷积自编码器。
进一步地，所述图像块尺寸为5×5或3×3。
进一步地，利用训练数据对S3DCAE进行训练的过程包括以下步骤：
将S3DCAE的重构任务具体表示为：
O＝h(w1I+b1)
Figure BDA0002952070300000029
其中I是输入的图像块，w1和b1是编码器的权重和偏置，h(·)是编码器的激活函数，一般为Sigmoid或Relu函数；解码器是将编码器的输出O映射回原始数据分布，w2和b2是解码器的权重和偏置，g(·)是解码器的激活函数，
Figure BDA0002952070300000031
是重构的高光谱图像；
基于重构任务，利用训练数据重构前后的图像完成训练，其中S3DCAE的损失函数为重构误差：
Figure BDA0002952070300000032
其中，Ix,y,z为重构前的图像在(x,y,z)处的像素值，
Figure BDA0002952070300000033
为重构后的图像在(x,y,z)处的像素值，s×s×c是图像大小，λ是L2正则化参数，W是所有卷积层的权重。
有益效果：
针对目前大多数检测方法仅使用单一的光谱信息和空间信息，且基于深度学习的特征提取方法需要大量的训练样本，采集有标记的训练样本用于变化检测任务比较困难的问题，本发明提出了一种基于简化三维卷积自编码器(3DCAE)的高光谱变化检测方法，减少高光谱数据的光谱冗余，提高模型运行效率。
本发明改进后的三维卷积自动编码器采用无监督的方式进行训练，不需要任何先验信息。本发明利用一个训练好的编码器从双时相图像中提取深度光谱空间特征，提高了检测结果的准确性。而且，本发明只需要少量的标签样本就可以训练分类器检测变化区域。使用该方法能自动提取变化信息，能在环境保护、自然资源管理和灾害评估中发挥重要应用。
附图说明
图1为简化三维卷积自编码器(S3DCAE)的网络结构图；
图2为将编码器作为空谱特征提取器的高光谱变化检测网络；
图3为本发明在三种高光谱数据集上的检测结果，其中第一行对应Santa Barbara数据集的检测结果，第二行对应Bay Area数据集的检测结果，第三行对应River数据集的检测结果；三行中的第一列为变化前图像，第二列为变化后图像，第三列为变化真值图，第四列为本发明的检测结果。
具体实施方式
具体实施方式一：
本实施方式为一种双时相高光谱图像空谱联合变化检测方法，是一种基于简化三维卷积自编码器的双时相高光谱图像空谱联合变化检测方法。
本实施方式所述的一种双时相高光谱图像空谱联合变化检测方法，包括以下步骤：
步骤一、选择训练数据的图像块大小，按照分割图像块尺寸将整幅高光谱图像分割成自编码器的训练数据；
本发明在简化三维卷积自编码器(S3DCAE)提取变换特征的过程中，不仅要考虑当前像素点的光谱向量，还需要提供周围区域Ω的空间信息，区域Ω的大小就是自编码器训练数据的图像块尺寸，图像块尺寸越大，S3DCAE可利用的空间信息越多，但过大的图像块尺寸不利于中心像素信息的表达，因此需要根据不同的数据集选择不同的图像块尺寸。将S3DCAE输入图像块尺寸由3逐渐增大到9，通过分析不同图像块尺寸对变化检测精度的影响，选择最优的图像块参数。一般情况下5×5的图像块尺寸就能获得理想的检测效果，若存在众多小区域的变化检测区域，则需要降低图像块尺寸以提高中心像素的信息表达。本实施例中，Santa Barbara和Bay Area数据集上图像块尺寸选择5×5，River数据集上图像块尺寸选择为3×3。按照图像块尺寸将整幅高光谱图像分割成自编码器的训练数据，输入到S3DCAE中。
步骤二、构建简化三维卷积自编码器，即S3DCAE，S3DCAE为一个重构网络，包括一个编码器和一个解码器；本实施方式所述编码器包括2个3D卷积层和1个简化3D卷积层，所述解码器由2个3D反卷积层组成，如图1所示；实际上S3DCAE可以扩展为任意层数，但需要保持编码器的3D卷积层(不包括简化3D卷积层)和解码器的3D反卷积层数量一致，但一般不超过5层，因为太复杂的网络会导致过拟合，且计算量过大。而编码器中的简化3D卷积层一般为一个。
所述简化三维卷积自编码器中3个3D卷积层的结构中，前两个3D卷积层针对光谱域空间域进行卷积操作，提取光谱特征和空谱特征，第三个3D卷积层只在光谱域进行卷积操作：
前两个3D卷积层的第l层、第i个卷积核的三维卷积计算过程如下：
Figure BDA0002952070300000041
其中，
Figure BDA0002952070300000042
表示第l-1层特征图在第d通道、坐标为(x+h,y+w,z+c)位置处的数值，
Figure BDA0002952070300000043
表示第d通道、坐标为(h,w,c)的卷积核的参数数值，bl,i是该卷积核的偏置，Hl、 W1、C1分别表示该卷积核的长、宽、高，Dl与第l-1层特征图的数量相同，f表示激活函数。
由于高光谱图像相邻频带间存在信息冗余，在编码器的最后一层采用简化的3D卷积层，即第三个3D卷积层(简化的3D卷积层)的卷积核只对光谱域进行卷积操作：
Figure BDA0002952070300000044
其中，
Figure BDA0002952070300000051
是第l层、第i个简化卷积核，此卷积层中没有了空间维度上的卷积；
Figure BDA0002952070300000052
是第l-1层特征图在第d通道、第z+c波段处的数值，
Figure BDA0002952070300000053
表示第d通道、第c波段的卷积核的参数数值；
由上式可知，简化三维卷积运算是在光谱维上进行的一维卷积，能在最大限度地减少特征信息损失的情况下，结合相邻L波段之间的光谱信息，实现光谱降维。同时，简化3D卷积层的卷积核可以提高模型效率，克服过拟合问题。
将S3DCAE中的自编码器作为特征提取器，其中的三维卷积层更适合处理具有三维结构的高光谱图像，特征提取器能同时提取空间信息和光谱信息，这有利于提高变化检测精度。
利用步骤一的训练数据训练S3DCAE，得到训练好的S3DCAE就得到了训练好的简化三维卷积自编码器；
本发明的简化三维卷积自编码器采用全卷积结构(全部都是卷积层等结构)，不设置池化层，可以减少特征信息的丢失，尽可能保留空间结构信息。3D卷积层能同时对空间域和光谱域进行卷积计算，有效的提取图像中的空谱信息，能提高变化检测的精度；而编码器中的简化的3D卷积层只在光谱域进行卷积计算，在一定程度上减少了高光谱图像的光谱冗余度。简化三维卷积自编码器采用无监督训练的方式，在重构任务下获得最优化的网络权重参数。
S3DCAE的重构任务具体表示为：
O＝h(w1I+b1)
Figure BDA0002952070300000054
其中I是输入的图像块，w1和b1是编码器的权重和偏置，h(·)是编码器的激活函数，一般为Sigmoid或Relu函数；解码器是将编码器的输出O映射回原始数据分布，w2和b2是解码器的权重和偏置，g(·)是解码器的激活函数，
Figure BDA0002952070300000055
是重构的高光谱图像。
S3DCAE的损失函数为重构误差：
Figure BDA0002952070300000056
其中，Ix,y,z为重构前的图像在(x,y,z)处的像素值，
Figure BDA0002952070300000057
为重构后的图像在(x,y,z)处的像素值，s×s×c是图像大小，λ是L2正则化参数，W是所有卷积层的权重。
步骤三、将训练好的S3DCAE中的编码器作为特征提取器，将待检测的双时相高光谱图像输入到特征提取器中得到双时相空谱联合特征图。
步骤四、将步骤三中得到双时相空谱联合特征图前后叠加，得到叠加特征图，即空谱联合特征图；
实际上通过步骤三利用双时相高光谱图像分别得到了两幅通道数为C的空谱特征图，然后进行前后叠加，如图2所示，叠加成通道数2C的特征图，前1～C通道为T1时刻特征图，后C+1～2C为T2时刻的特征图；
在叠加特征图之后连接一个2D卷积层，将空谱联合特征图进行2D卷积运算，考虑了相邻空间光谱特征的位置关系。二维卷积层之后再连接两个全连接层，用于融合两个卷积层提取的深层特征，之后输入softmax分类器分类。
由于特征提取器已经提取了具有代表性的变化特征，所以最后只需要少量标签样本，通过softmax层对变化与非变化区域进行分类，缓解了标记数据不足对神经网络的影响。
最后只需要少量标签样本，通过softmax层输出变化与非变化区域。softmax层的概率计算公式为：
Figure BDA0002952070300000061
其中，αk是神经节点对第k类的输出值，pz,k是像素z最终预测为第k类的概率值，概率值最大的即为所属类别；最后得到的结果是一个二值图，实际上是对图像的每一个像素进行分类，若该像素所处区域为变化区域，则检测结果中该处像素值为1，反之为0；
对所有像素点分类完成后得到最后的检测结果。最后得到的结果是一个二值图，实际上是对图像的每一个像素进行分类，若该像素所处区域为变化区域，则检测结果中该处像素值为1，反之为0。
利用本发明具体实施方式一的方案进行仿真，分别利用Santa Barbara数据集、Bay Area 数据集、River数据集进行验证，本发明在三种高光谱数据集上的检测结果如图3所示，其中第一行对应Santa Barbara数据集的检测结果，第二行对应Bay Area数据集的检测结果，第三行对应River数据集的检测结果；三行中的第一列为变化前图像，第二列为变化后图像，第三列为变化真值图，第四列为本发明的检测结果。同时通过分析实验可确定本方法的准确性与Kappa系数上得到了显著提高，提高了检测结果的准确性。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种双时相高光谱图像空谱联合变化检测方法，其特征在于，包括以下步骤：
将简化三维卷积自编码器中的编码器作为特征提取器，将待检测的双时相高光谱图像输入到特征提取器中得到双时相空谱联合特征图；
将得到双时相空谱联合特征图前后叠加，得到叠加特征图，即空谱联合特征图；在叠加特征图之后连接一个2D卷积层，2D卷积层之后再连接两个全连接层，之后输入softmax分类器分类，softmax分类器输出变化与非变化区域，即softmax分类器对所有像素点分类得到最后的检测结果，检测结果中像素所处区域对应为变化区域或者为非变化区域，用二值图进行表示；
所述简化三维卷积自编码器即S3DCAE，S3DCAE为一个重构网络，包括一个编码器和一个解码器；编码器由n个3D卷积层和1个简化3D卷积层组成，解码器由n个3D反卷积层组成；
所述的简化3D卷积层通过1*1*L简化卷积核实现简化3D卷积，卷积核只对光谱域进行卷积操作，即：
Figure FDA0003771340670000011
其中，
Figure FDA0003771340670000012
是第l层、第i个简化卷积核，此卷积层中没有了空间维度上的卷积；(x,y,z)表示图像中像素对应位置；
Figure FDA0003771340670000013
是第l-1层特征图在第d通道、第z+c波段处的数值，
Figure FDA0003771340670000014
表示第d通道、第c波段的卷积核的参数数值，bl,i是该卷积核的偏置，f表示激活函数，L表示相邻的L个波段。
2.根据权利要求1所述的一种双时相高光谱图像空谱联合变化检测方法，其特征在于，所述softmax分类器的处理过程包括以下步骤：
softmax层对像素点分类的过程中计算像素分类概率的公式如下：
Figure FDA0003771340670000015
其中，αk是神经节点对第k类的输出值，pz,k是像素z最终预测为第k类的概率值，概率值最大的即为所属类别。
3.根据权利要求2所述的一种双时相高光谱图像空谱联合变化检测方法，其特征在于，所述编码器中n个3D卷积层的每个3D卷积层中的第l层、第i个卷积核的三维卷积计算过程如下：
Figure FDA0003771340670000021
其中，
Figure FDA0003771340670000022
表示第l-1层特征图在第d通道、坐标为(x+h,y+w,z+c)位置处的数值，
Figure FDA0003771340670000023
表示第d通道、坐标为(h,w,c)的卷积核的参数数值，bl,i是该卷积核的偏置，Hl、W1、C1分别表示该卷积核的长、宽、高，Dl与第l-1层特征图的数量相同，f表示激活函数。
4.根据权利要求3所述的一种双时相高光谱图像空谱联合变化检测方法，其特征在于，所述n＝2，即编码器由2个3D卷积层和1个简化3D卷积层组成，解码器由2个3D反卷积层组成。
5.根据权利要求1、2、3或4所述的一种双时相高光谱图像空谱联合变化检测方法，其特征在于，所述简化三维卷积自编码器为预先训练好的，训练过程中首选需要按照图像块尺寸将整幅高光谱图像分割成S3DCAE的训练数据，然后利用训练数据对S3DCAE进行训练，得到训练好的简化三维卷积自编码器。
6.根据权利要求5所述的一种双时相高光谱图像空谱联合变化检测方法，其特征在于，所述图像块尺寸为5×5或3×3。
7.根据权利要求5所述的一种双时相高光谱图像空谱联合变化检测方法，其特征在于，利用训练数据对S3DCAE进行训练的过程包括以下步骤：
将S3DCAE的重构任务具体表示为：
O＝h(w1I+b1)
Figure FDA0003771340670000024
其中I是输入的图像块，w1和b1是编码器的权重和偏置，h(■)是编码器的激活函数，为Sigmoid或Relu函数；解码器是将编码器的输出O映射回原始数据分布，w2和b2是解码器的权重和偏置，g(■)是解码器的激活函数，
Figure FDA0003771340670000025
是重构的高光谱图像；
基于重构任务，利用训练数据重构前后的图像完成训练，其中S3DCAE的损失函数为重构误差：
Figure FDA0003771340670000026
其中，Ix,y,z为重构前的图像在(x,y,z)处的像素值，
Figure FDA0003771340670000027
为重构后的图像在(x,y,z)处的像素值，s×s×c是图像大小，λ是L2正则化参数，W是所有卷积层的权重。
CN202110210462.6A 2021-02-25 2021-02-25 一种双时相高光谱图像空谱联合变化检测方法 Active CN112818920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110210462.6A CN112818920B (zh) 2021-02-25 2021-02-25 一种双时相高光谱图像空谱联合变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110210462.6A CN112818920B (zh) 2021-02-25 2021-02-25 一种双时相高光谱图像空谱联合变化检测方法

Publications (2)

Publication Number Publication Date
CN112818920A CN112818920A (zh) 2021-05-18
CN112818920B true CN112818920B (zh) 2022-09-20

Family

ID=75865579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110210462.6A Active CN112818920B (zh) 2021-02-25 2021-02-25 一种双时相高光谱图像空谱联合变化检测方法

Country Status (1)

Country Link
CN (1) CN112818920B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449690A (zh) * 2021-07-21 2021-09-28 华雁智科(杭州)信息技术有限公司 图像场景变化的检测方法、系统及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723731A (zh) * 2020-06-18 2020-09-29 西安电子科技大学 基于空谱卷积核的高光谱图像分类方法、存储介质及设备
CN111814685A (zh) * 2020-07-09 2020-10-23 西安电子科技大学 基于双支路卷积自编码器的高光谱图像分类方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110279682A1 (en) * 2009-11-12 2011-11-17 Le Li Methods for Target Tracking, Classification and Identification by Using Foveal Sensors
US10262205B2 (en) * 2015-07-28 2019-04-16 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN106503734B (zh) * 2016-10-14 2019-08-06 哈尔滨工程大学 基于三边滤波器和堆栈稀疏自动编码器的图像分类方法
CN107292343B (zh) * 2017-06-23 2020-05-22 中南大学 一种基于六层卷积神经网络和光谱-空间信息联合的高光谱遥感图像分类方法
CN108460342B (zh) * 2018-02-05 2021-01-01 西安电子科技大学 基于卷积神经网络和循环神经网络的高光谱图像分类方法
CN109102529A (zh) * 2018-08-15 2018-12-28 西北工业大学 基于深度卷积神经网络的端对端高光谱图像变化检测方法
CN109753973A (zh) * 2018-12-21 2019-05-14 西北工业大学 基于加权支持向量机的高光谱图像变化检测方法
CN111914909B (zh) * 2020-07-15 2021-01-12 南京审计大学 基于空谱联合三方向卷积网络的高光谱变化检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111723731A (zh) * 2020-06-18 2020-09-29 西安电子科技大学 基于空谱卷积核的高光谱图像分类方法、存储介质及设备
CN111814685A (zh) * 2020-07-09 2020-10-23 西安电子科技大学 基于双支路卷积自编码器的高光谱图像分类方法

Also Published As

Publication number Publication date
CN112818920A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
Wen et al. Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification
CN111191736B (zh) 基于深度特征交叉融合的高光谱图像分类方法
CN110363215B (zh) 基于生成式对抗网络的sar图像转化为光学图像的方法
CN108596248B (zh) 一种基于改进深度卷积神经网络的遥感影像分类方法
CN107154043B (zh) 一种基于3dcnn的肺结节假阳性样本抑制方法
Hosseinpour et al. CMGFNet: A deep cross-modal gated fusion network for building extraction from very high-resolution remote sensing images
CN108009559B (zh) 一种基于空谱联合信息的高光谱数据分类方法
CN110889449A (zh) 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法
CN106529447A (zh) 一种小样本人脸识别方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN111639587B (zh) 基于多尺度谱空卷积神经网络的高光谱图像分类方法
Zhang et al. Unsupervised spatial-spectral cnn-based feature learning for hyperspectral image classification
CN111652273B (zh) 一种基于深度学习的rgb-d图像分类方法
Chen et al. Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery
CN115527056A (zh) 基于双混合卷积生成对抗网络的高光谱图像分类方法
Xu et al. Feature-based constraint deep CNN method for mapping rainfall-induced landslides in remote regions with mountainous terrain: An application to Brazil
Xie et al. Trainable spectral difference learning with spatial starting for hyperspectral image denoising
Guo et al. Dual graph U-Nets for hyperspectral image classification
Li et al. An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN111639697A (zh) 基于非重复采样与原型网络的高光谱图像分类方法
Liu et al. DCCAM-MRNet: mixed residual connection network with dilated convolution and coordinate attention mechanism for tomato disease identification
CN112818920B (zh) 一种双时相高光谱图像空谱联合变化检测方法
Hu et al. Supervised multi-scale attention-guided ship detection in optical remote sensing images

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