CN113011398A - 一种针对多时相遥感图像的目标变化检测方法及装置 - Google Patents
一种针对多时相遥感图像的目标变化检测方法及装置 Download PDFInfo
- Publication number
- CN113011398A CN113011398A CN202110467149.0A CN202110467149A CN113011398A CN 113011398 A CN113011398 A CN 113011398A CN 202110467149 A CN202110467149 A CN 202110467149A CN 113011398 A CN113011398 A CN 113011398A
- Authority
- CN
- China
- Prior art keywords
- change
- target
- remote sensing
- network
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 362
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000002372 labelling Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- WDLRUFUQRNWCPK-UHFFFAOYSA-N Tetraxetan Chemical compound OC(=O)CN1CCN(CC(O)=O)CCN(CC(O)=O)CCN(CC(O)=O)CC1 WDLRUFUQRNWCPK-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的一种针对多时相遥感图像的目标变化检测方法及装置，可以获取目标位置的多时相遥感图像；将多时相遥感图像输入预先训练好的变化特征提取网络；通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型；通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。可见通过本申请实施例的方法，可以通过变化特征提取网络包括卷积时序网络和卷积神经网络联合实现对变化目标的自动化检测，得到变化目标的位置、变化目标的变化类型和变化目标的类别，从而不但可以减低人工成本，还提高检测精度和时效性。
Description
技术领域
本发明涉及目标检测技术领域，特别是涉及一种针对多时相遥感图像的目标变化检测方法及装置。
背景技术
变化检测是通过联合处理从同一地理区域在不同时间获取的遥感图像来识别地球表面发生的变化的过程。同时，随着遥感技术的发展，当前的遥感成像技术有能力获取低拍摄时间间隔的高分辨率多时相遥感影像。从而根据高分辨率遥感图像进行变化检测。
目前，基于多时相遥感图像的变化检测，一般是通过提取原始多时相图像的单光谱(红，绿，或蓝通道)数据，并将从多期图像提取的单光谱数据重新组合成新的三光谱(红绿蓝)图像，然后通过人工对多时项图像间的差异进行判读实现变化检测。然而，随着图像数量的增多，在进行变化检测时，需要人工判读时的图像数量往往非常大，不但精度低、低时效性差，而且人工成本较高。
发明内容
本发明实施例的目的在于提供一种针对多时相遥感图像的目标变化检测方法及装置，用以解决变化检测过程中人工成本高的问题。具体技术方案如下：
本申请实施例的第一方面，提供了一种针对多时相遥感图像的目标变化检测方法，上述方法包括：
获取目标位置的多时相遥感图像；
将多时相遥感图像输入预先训练好的变化特征提取网络，其中，变化特征提取网络包括卷积时序网络和卷积神经网络；
通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型；
通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。
本申请实施例的第二方面，还提供了一种针对多时相遥感图像的目标变化检测装置，上述装置包括：
图像获取模块，用于获取目标位置的多时相遥感图像；
图像输入模块，用于将多时相遥感图像输入预先训练好的变化特征提取网络，其中，变化特征提取网络包括卷积时序网络和卷积神经网络；
特征提取模块，用于通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型；
类别提取模块，用于通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。
本申请实施的另一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一针对多时相遥感图像的目标变化检测方法。
本申请实施的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一针对多时相遥感图像的目标变化检测方法。
本发明实施的另一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一针对多时相遥感图像的目标变化检测方法。
本发明实施例有益效果：
本发明实施例提供的一种针对多时相遥感图像的目标变化检测方法及装置，可以获取目标位置的多时相遥感图像；将多时相遥感图像输入预先训练好的变化特征提取网络，其中，变化特征提取网络包括卷积时序网络和卷积神经网络；通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型；通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。可见通过本申请实施例的方法，可以通过变化特征提取网络包括卷积时序网络和卷积神经网络联合实现对变化目标的自动化检测，得到变化目标的位置、变化目标的变化类型和变化目标的类别，从而不但可以减低人工成本，还提高检测精度和时效性。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的针对多时相遥感图像的目标变化检测方法的一种流程图；
图2为本申请实施例提供的基于卷积时序网络的多时相图像船只变化预测方法的流程图；
图3为本申请实施例提供的变化目标的识别的一种流程图；
图4为本申请实施例提供的获取变化目标的变化类型的一种流程图；
图5为本申请实施例提供的变化特征提取网络的训练过程的一种流程图；
图6为本申请实施例提供的变化特征提取网络的训练方法的一种实例图；
图7为本申请实施例提供的变化特征提取网络的网络结构的一种实例图；
图8为本申请实施例提供的特征提取网络的网络结构的一种示意图；
图9为本申请实施例提供的变化提取网络的网络结构的一种示意图；
图10为本申请实施例提供的变化候选区提取网络的网络结构的一种示意图；
图11为本申请实施例提供的变化判决网络的网络结构的一种示意图；
图12为本申请实施例提供的变化特征提取网络的内部算法的一种实例图；
图13为本申请实施例提供的变化特征提取网络的参数优化方法的流程图；
图14为本申请实施例提供的针对多时相遥感图像的目标变化检测装置的一种结构示意图；
图15为本申请实施例提供的电子设备的一种结构示意图。
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，所描述的实施例仅仅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基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
当前变化检测方法一般是基于目标检测结果进行结果差分后处理操作，即对各时相图像进行完全独立的目标检测，并在此基础上对生成的多时相目标检测结果进行回归框差分，进而得到目标的变化位置和变化前后的目标类别信息。然而，基于人工变化结果提取的方案或基于后处理方案都存在人工成本高、低精度、低时效的问题。为了解决上述问题，本申请实施例提供了一种目标变化检测方法、装置、电子设备及存储介质。
本申请实施例的第一方面，提供了一种针对多时相遥感图像的目标变化检测方法，上述方法包括：
获取目标位置的多时相遥感图像；
将多时相遥感图像输入预先训练好的变化特征提取网络，其中，变化特征提取网络包括卷积时序网络和卷积神经网络；
通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型；
通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。
可见，通过本申请实施例的方法，可以通过变化特征提取网络包括卷积时序网络和卷积神经网络联合实现对变化目标的自动化检测，得到变化目标的位置、变化目标的变化类型和变化目标的类别，从而不但可以减低人工成本，还提高检测精度和时效性。
具体的，参见图1，图1为本申请实施例提供的针对多时相遥感图像的目标变化检测方法的一种流程图，包括：
步骤S11，获取目标位置的多时相遥感图像。
上述多时相遥感图像可以为通过遥感成像技术对同一位置拍摄的多个时刻的低拍摄时间间隔的高分辨率多时相遥感影像。上述目标位置可以海域或港口，通过对海港或港口进行变化检测，可以实现对船舶目标的变化检测，从而辅助泊位管理、海域船只入侵告警、船只轨迹分析等任务。
本申请实施例的目标变化检测方法应用于智能终端，可以通过智能终端实施，具体的，该智能终端可以是电脑、手机和服务器等。
步骤S12，将多时相遥感图像输入预先训练好的变化特征提取网络。
其中，变化特征提取网络包括卷积时序网络和卷积神经网络。其中，上述预先训练好的变化特征提取网络的训练过程可以参见后续实施例，此处不再赘述。
步骤S13，通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型。
其中，变化目标的位置可以是变化目标所处的实际坐标位置，例如，当变化目标为船舶时，所处的实际位置为：东经23°27'50"，北纬23°26'22"。变化目标的变化类型可以包括：变化目标消失、变化目标出现、变化目标替换等。
在实际使用过程中，可以通过预先训练的变化特征提取网络中的基础特征提取网络得到特征图，再通过卷积时序网络获取变化特征。然后，在得到的变化特征上进行位置和变化与否的类别回归，获得包含变化位置特征的候选提议框。之后整合候选提议框、卷积时序网络获取变化特征和生成的代表变化位置信息的掩膜卷积层信息。然后通过变化判决网络根据候选提议框进行ROI Pooling(感兴趣区域池化)操作提取特征，并分别输入到两个全连接层对候选区域对进行多时相特征相似度和变化强度的相关判决。最终，基于候选区域相似度和变化强度分析结果，使用全连接层对发生变化的候选区域和时相进行变化目标的位置、变化目标的变化类型的分类。具体的，可以参见图2，图2为本申请实施例提供的基于卷积时序网络的多时相图像船只变化预测方法的流程图。
步骤S14，通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。
其中，上述变化目标的类别可以包括变化目标的属性信息，如，当变化目标为船舶时，可以包括船舶的大小、类型(军用或民用)等。
通过卷积神经网络对提取到的候选区域进行变化目标的识别，可以通过卷积神经网络对多时相遥感图像中对应变化目标的位置的图像进行识别，得到变化目标的类别。
可见，通过本申请实施例的方法，可以通过变化特征提取网络包括卷积时序网络和卷积神经网络联合实现对变化目标的自动化检测，得到变化目标的位置、变化目标的变化类型和变化目标的类别，从而不但可以减低人工成本，还提高检测精度和时效性。
可选的，参见图3，步骤S13通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型，包括：
步骤S131，通过卷积时序网络对多时相遥感图像进行变化目标候选区域的识别，得到一个或多个预测区域和各预测区域对应的变化目标的位置、各预测区域对应的概率。
其中，一个或多个预测区域可以是基于水平框的目标标注法或紧密贴合目标本身的倾斜框船只标注方法。
步骤S132，选取一个或多个预测区域中预测区域对应的概率大于预设阈值的预测区域作为候选区域。
步骤S133，对提取到的候选区域进行变化目标的识别，得到变化目标的变化类型和变化目标的所属类别。
可见，通过本申请实施例的方法，可以通过卷积时序网络对多时相遥感图像进行变化目标候选区域的识别，得到一个或多个预测区域和各预测区域对应的变化目标的位置、各预测区域对应的概率，并对提取到的候选区域进行变化目标的识别，得到变化目标的变化类型，从而实现对变化目标的变化类型的检测。
可选的，参见图4，步骤S133对提取到的候选区域进行变化目标的识别，得到变化目标的变化类型，包括：
步骤S1331，通过卷积时序网络中的全连接层和softmax层对多时相遥感图像中的候选区域进行特征识别。
步骤S1332，得到多时相遥感图像中每两个相邻时刻的遥感图像中候选区域之间的相似度和特征强度比值。
步骤S1333，选取多时相遥感图像中对应的候选区域之间的相似度小于第一预设阈值的相邻时刻的遥感图像作为待识别目标图像。
步骤S1334，根据特征强度比值对待识别目标图像中的候选区域进行变化目标的识别，得到变化目标的变化类型。
可选的，根据特征强度比值对待识别目标图像中的候选区域进行变化目标的识别，得到变化目标的变化类型，包括：根据特征强度比值对待识别目标图像中的候选区域进行变化目标的识别；当特征强度比值大于第二预设阈值，则判定变化目标的变化类型为目标消失；当特征强度比值小于第三预设阈值，则判定变化目标的变化类型为目标出现；当特征强度比值小于第二预设阈值且大于第三预设阈值，则判定变化目标的变化类型为目标替换。
可见，通过本申请实施例的方法，可以通过计算遥感图像中候选区域之间的相似度和特征强度比值，选取多时相遥感图像中对应的候选区域之间的相似度大于第一预设阈值的相邻时刻的遥感图像作为待识别目标图像，并根据特征强度比值对待识别目标图像中的候选区域进行变化目标的识别，得到变化目标的变化类型，从而实现对变化目标的变化类型的检测。
可选的，参见图5，预先训练好的变化特征提取网络的训练过程，包括：
步骤S51，将预先标注的样本多时相遥感图像输入待训练的变化特征提取网络。
其中，预先标注的样本多时相遥感图像可以预先获取的样本图像，也可以是通过将原始目标检测数据集进行增广以模拟多时相图像。
其中，预先标注的样本多时相遥感图像可以采用基于水平框的目标标注法，通过找到能够包围船只目标的最小外接矩形，通过记录外接矩形左上角以及右下角的坐标信息，获得矩形的四点坐标信息，然后通过人工识别目标的类型信息，将坐标信息和类别信息进行共同表示。
可选的，为了支撑任务需求，可以将多时相图像及其相关变化信息以数据对的形式进行处理。例如，分别将包含两张多时相图像、两图像对应的目标标注txt或xml(txt格式或xml格式)信息、通过目标标注倾斜框的差值获得二值变化图以及目标变化标注txt或xml信息。事实上，以上数据都可以通过对目标检测数据进行简单的转化获得。
其中，本申请实施例中的变化特征提取网络对于背景信息具有一定的辨别性和包容性，因此，即使使用没有包含目标形状的变化二值图进行变化特征的训练，也能使基于卷积时序网络的变化生成网络生成指向变化船只位置并反映真实船只边界的变化分割结果，即注意力掩膜。本申请实施例中利用具有目标种类等多方面信息的目标检测数据集，如DOTA(开源目标检测数据集)、HRSC(高分辨率立体摄像机)数据集，进行多时相数据生成。具体的，可以参见图6，图6为本申请实施例提供的变化特征提取网络的训练方法的一种实例图。
可选的，当通过增广以模拟多时相图像时，可以进行目标变化检测数据集的构造，首先提取目标切片，然后将目标切片旋转或缩放后融入任意遥感图像，以此模拟目标移动过程。其中，由于目标切片本身是紧贴目标本身的，因此在通过数据增广方式进行多时项图像模拟的过程中，变化二值图的标注过程可以被省略，即可以直接通过切片大小自动生成变化二值图。再融合过程中，可以使用泊松融合降低边界处的色彩梯度变化，并将融合后的图像将通过颜色漂移和对比度、亮度调整的方式更真实的模拟数据。
步骤S52，通过待训练的变化特征提取网络对预先标注的样本多时相遥感图像进行变化目标的识别，得到待定变化目标的位置、待定变化目标的变化类型。
其中，通过待训练的变化特征提取网络对预先标注的样本多时相遥感图像进行变化目标的识别，可以分别通过特征提取、变化提取、变化候选区提取、变化判决，得到待定变化目标的位置、待定变化目标的变化类型。具体的，可以参见图7，图7为本申请实施例提供的变化特征提取网络的网络结构的一种实例图。
1、特征提取，本申请实施例可以通过伪孪生网络结构进行特征提取，运用对称、参数部分共享的双支卷积网络对多时相图像进行图像特征提取，从而保证网络分支关注特征的统一性。本申请实施例中，可以通过ELU(激活函数)进行卷积层间的特征激活，提高对输入变化或噪声的鲁棒性。具体的，可以参见图8，图8为本申请实施例提供的特征提取网络的网络结构的一种示意图。
2、变化提取，本申请实施例中可以通过伪孪生网络获取高层次图像特征语义后，多时相特征信息经时序网络层进行特征块之间的关联信息的获取。参见图6，可以通过convLSTM(Convolutional Long Short-Term Memory，卷积长短期记忆网络)结构使用卷积操作处理冗余度较高的图像信息。当前时相提取的图像基础特征被输入时序网络层，convLSTM可以使用三个门结构，即输入门、遗忘门、输出门，来控制前一时相记忆神经元C(t -1)和当前时相记忆神经元C(t)的状态，以及对应不同门的输出i(t)、f(t)和o(t)。输入门将输入与前一时相记忆神经元的状态综合分析，以增强所述改变区域的特征强度。遗忘门通过前一个单元的状态调整加权参数，并确定记忆神经元的丢弃信息来降低变化提取网络对变化较少的特征的响应，如土地。记忆神经元状态由当前阶段的门的输出f(t)和i(t)的决定，用于与前时相隐藏层H(t-1)作用，获取特征变化强度高的区域特征输出o(t)以及当前隐藏层H(t)，Wxi为变化输入特征对于输入门的模型参数，Whi为隐藏层对于输入门的模型参数，Wci为当前时序神经元状态对于输入门的模型参数，Wxf为变化输入特征对于遗忘门的模型参数，Whf为隐藏层对于遗忘门的模型参数，Wcf为当前时序神经元状态对于遗忘门的模型参数，Wxc为变化输入特征对于当前时序神经元状态的模型参数，Whc为隐藏层对于当前时序神经元状态的模型参数，Wxo为变化输入特征对于输出门的模型参数，Who为隐藏层对于输出门的模型参数，Wco为当前时序神经元状态对于输出门的模型参数，bo为输出门偏置参数，bi为输入门偏置参数，bf为遗忘门偏置参数，bc为时序细胞状态更新偏置参数。其中，即以神经元内部门控输出推导公式如下：
i(t)＝σ(Wxi*X(t)+Whi*H(t-1)+Wci⊙H(t-1)+bi)
f(t)＝σ(Wxf*X(t)+Whf*H(t-1)+Wcf⊙C(t-1)+bf)
C(t)＝f(t)⊙C(t-1)+i(t)⊙tanh(Wxc*X(t)+Whc*H(t-1)+bc)
o(t)＝σ(Wxo*X(t)+Who*H(t-1)+Wco⊙C(t-1)+bo)
H(t)＝o(t)⊙tanh(C(t))
其中，通过可以双向网络的作用前后时相记忆神经元状态和隐藏层信息被相互迭代，不同时相图像间的固有图像差异被平衡(如色彩或矫正偏差)，最终通过卷积层进行特征的整理，输出具有船只变化信息的卷积层。在训练过程中，可以对输出的卷积层使用全连接操作进行信息整理，以二值变化图作为标注，使用类似图像分割的方法进行损失函数计算以及模型参数训练。具体的，可以参见图9，图9为本申请实施例提供的变化提取网络的网络结构的一种示意图。
3、变化候选区提取，
变化候选区提取网络在双向时序网络生成的具有变化目标特征的卷积层上进行候选区提取，以此确认大概率发生变化的区域，用以支持后续变化识别任务。此过程通过RPN(region proposal network)获得发生变化的候选提议框(RoI)。在RPN过程中，以滑窗遍历特征图的每一个的像素，滑窗为一组不同尺寸、比例的框体(anchors)，再通过一个3×3的卷积和分别的两个1×1的卷积层卷积(或全连接网络)将所得信息进行调整。此过程得到两个张量分别表征了不同框体回归出的位置和分类出的发生变化的概率信息。框体组最终通过非极大值抑制(NMS)生成候选提议框和对应的是前景的概率(前景指的是发生目标变化位置经时序网络整合出的特征)。具体的，可以参见图10，图10为本申请实施例提供的变化候选区提取网络的网络结构的一种示意图。
4、变化判决，
变化判决可以指定RPN区域进行多时相目标相似度判断与变化目标识别。变化判决网络可以借鉴共享特征层思想，在进行多时相变化目标相似度判断和目标识别的过程，双支网络结构对称且参数共享。根据RoI的位置，双支网络分别获取对应时相特征层的特征信息，在此基础上进行RoI池化操作，获得大小规范化的图像特征信息。之后再通过全连接操作整理RoI间的特征。为了实现多时相特征的整合，全连接后的多时相特征通过交错合并的方法进行特征融合。除了用于进行目标类别分类和位置回归的张量外，融合后的全连接信息还通过全连接以及SoftMax(分类网络)激活操作生成了另外两组大小为1维张量，以此进行变化时相判决与变化与否的二次判决。
其中，第一组张量对应RoI对的相似度，第二组张量表征对应RoI对的特征强度比值。将相似度信息以人工设定阈值Ts进行排序，剔除相似度大于阈值的RoI区域，即特征未变化区域。对于相似度小于阈值的RoI区域，使用强度比值进行分析。特征强度比值超出阈值T1的在前时相特征图上进行目标识别，代表目标消失；特征强度比值低于阈值T2的在后时相特征图上进行目标识别，代表目标出现；特征强度比值处于两阈值内RoI在两幅特征图内同时进行目标识别，代表目标替换。具体的，可以参见图11，图11为本申请实施例提供的变化判决网络的网络结构的一种示意图。
最终，结合变化判决算法输出的变化时相和变化置信度信息，对称的目标分类网络仅对变化的位置，在需要进行目标检测的时相上进行变化检测。最终，可获得待定变化目标的位置、待定变化目标的变化类型。具体的，可以参见图12，图12为本申请实施例提供的变化特征提取网络的内部算法的一种实例图。其中，位置坐标x为横坐标，y为纵坐标，w为目标宽度，h为目标高度。
步骤S53，根据预先标注的样本多时相遥感图像和待定变化目标的位置、待定变化目标的变化类型，通过预设多任务的损失函数计算待训练的变化特征提取网络的损失。
本申请实施例中，可以利用标注或增广后的数据集分阶段训练DCNN(DeepConvolutional Neural Network，深度卷积神经网络)船只变化检测网络，构建多任务的损失函数，训练结束后保存有效的网络参数权值。
在训练的第一阶段，可以仅使用多时相训练数据对中的单一时相船只信息进行训练，即仅输入对应时相图像包含的目标类别和位置信息，而不输入变化目标信息，使网络初步获得目标分类功能。其中仅有分类和位置回归被损失函数计算，相似度以及变化强度判决向量初始化分别置为0.5和1，表示所有上一步获取的RoI位置都需要进行第二次的分类和位置回归计算。
考虑到生成目标回归框B和真实标注值Gt的损失计算，通过L1损失计算其回归损失Lreg，Gt为真实标注回归框，B为模型生成目标回归框，L1为范数损失函数，计算如下所示：
考虑到共有N种已知目标进行分类，分类得到的变化目标类型r的概率r(i)和真实标注得到的变化类型C的概率C(i)的损失可以通过交叉熵损失Lcls进行计算，计算公式如下：
第一次RPN网络的回归分类的损失函数与Lcls相似，总损失LshipCls的计算公式为：
LshipCls＝Lcls+λLreg+LclsRPN+λLregRPN，
其中，λ为预设系数。
在训练的第二阶段，基于权值共享的原则，多时相网络的特征提取网络和变化判决网络(即第一阶段船只分类网络)的权值复制于第一阶段单支网络训练的结果。本方案在此阶段要求网络具有生成变化特征能力，且不影响第一阶段已完成粗训练的船只识别功能实现。因此，此过程将特征提取网络和变化判决(即第一阶段船只分类网络)的权值进行冷冻，在训练的过程中不进行相关参数的更新，即仅训练变化提取网络以及变化候选区提取网络。
在此阶段，使用已构建好的数据对进行训练，即使用多时相图像数据、根据数据对生成的变化二值图、以及多时相图像标注出的目标差值结果。
对于变化提取网络，训练过程中通过交叉熵的方式计算真实标注二值变化图Mt和生成变化掩膜中M之间的损失Lmask，M(i,j)为在横坐标i，纵坐标j处生成变化掩膜的变化概率取值，Mt(i,j)为在横坐标i，纵坐标j处标注二值变化图掩膜的对应取值，公式计算如下：
对于变化候选区提取网络，此网络在此步骤不再用于实现对于目标的分类和回归，相对的，用于获取变化发生与否的分类以及具体变化发生位置的分类。值得注意的是，本过程仅考虑RPN阶段的分类和回归情况。
因此，考虑到变化，对RPN回归框B和真实发生变化目标位置标注值Gt进行损失计算，变化目标位置的损失LregRPN通过回归损失函数计算：
考虑到第一次的RPN仅实现变化与否的回归，因此分类得到的是变化船只位置的概率为r和真实标注得到的变化类型C的损失LclsRPN可以通过交叉熵损失函数计算，Ncls为接受训练的RPN数量：
此过程的总损失Loss的计算函数为：
Loss＝LclsRPN+λLregRPN+μLmask，
此步骤将全网络进行训练，因此使用已构建好的数据对进行训练，即使用多时相图像数据、由数据对生成的变化二值图、以及多时相图像标注出的目标差值结果。
其中，RPN过程，变化提取网络与训练第二阶段的损失函数一致，分别为用于变化特征提取的损失Lmask和用于变化RPN位置回归的损失Lreg和变化类型回归的损失Lcls。变化判决网络最终的变化船只回归分类也与训练第一阶段保持一致，对于多时相网络其损失分别是变化目标位置的损失
和变化类型的损失
其中角标t代表损失计算的时相。
最需要注意的是本过程需要另外进行变化与否的二次判断和变化时相和确定。因此，本方案在此过程使用欧式距离D作为相似度的度量指标，使用对比损失对进行特征相似度评估，即通过使变化对之间的D最大化和非变化对之间的D最小化来优化损失函数，多时相RPN相似度判别损失
通过如下函数计算：
其中,yi代表RoI对变化与否的标签，其中，yi＝1表示此处发生变化，yi＝0表示此处无变化。D2作为变化的惩罚项，max(0,δ-D)作为不变的惩罚项。δ是距离逼近的临界值，任务中δ为1。
特征强度比值可以从侧面反应变化是如何发生的。在特征强度比值损失函数运算中使用交叉熵，如以下公式。其中，
是ROI间强度标签，IRk为预测强度。标注过程中，如若前时相特征中包含变化目标，后时相不包含目标，即目标消失，IR＝1；如若后时相特征中包含目标，前时相不包含目标特征，即目标出现，IR＝0；前后时相均包含不同目标，即相同位置目标变化，IR＝0.5。
Ljudge＝LIR+Lsim，
因此，总损失函数如下：
Loss＝LshipCls+μLmask+Ljudge，
计算求得损失函数后，网络通过反向传播算法进行算法权值更新，其中，μ为预设系数，用于协调掩膜生成损失和变化判决损失的比例关系。
步骤S54，根据待训练的变化特征提取网络的损失对待训练的变化特征提取网络的参数进行调整，返回通过待训练的变化特征提取网络对预先标注的样本多时相遥感图像进行变化目标的识别，得到待定变化目标的位置、待定变化目标的变化类型的步骤继续执行，直至待训练的变化特征提取网络的损失小于预设第四预设阈值，得到预先训练好的变化特征提取网络。具体的，可以参见图13，图13为本申请实施例提供的变化特征提取网络的参数优化方法的流程图。
本申请实施例的第二方面，参见图14，还提供了一种针对多时相遥感图像的目标变化检测装置，上述装置包括：
图像获取模型141，用于获取目标位置的多时相遥感图像；
图像输入模块142，用于将多时相遥感图像输入预先训练好的变化特征提取网络，其中，变化特征提取网络包括卷积时序网络和卷积神经网络；
特征提取模块143，用于通过卷积时序网络对多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到变化目标的位置、变化目标的变化类型；
类别提取模块144，用于通过卷积神经网络对提取到的候选区域进行变化目标的识别，得到变化目标的类别。
可选的，特征提取模块143，包括：
区域预测子模块，用于通过卷积时序网络对多时相遥感图像进行变化目标候选区域的识别，得到一个或多个预测区域和各预测区域对应的变化目标的位置、各预测区域对应的概率；
区域选取子模块，用于选取一个或多个预测区域中预测区域对应的概率大于预设阈值的预测区域作为候选区域；
目标识别子模块，用于对提取到的候选区域进行变化目标的识别，得到变化目标的变化类型。
可选的，目标识别子模块，包括：
特征识别单元，用于通过卷积时序网络中的全连接层和softmax层对多时相遥感图像中的候选区域进行特征识别；
相似度获取单元，用于得到多时相遥感图像中每两个相邻时刻的遥感图像中候选区域之间的相似度和特征强度比值；
目标图像选取单元，用于选取多时相遥感图像中对应的候选区域之间的相似度小于第一预设阈值的相邻时刻的遥感图像作为待识别目标图像；
变化类型获取单元，用于根据特征强度比值对待识别目标图像中的候选区域进行变化目标的识别，得到变化目标的变化类型和变化目标的所属类别。
可选的，变化类型获取单元，包括：
变化目标识别子单元，用于根据特征强度比值对待识别目标图像中的候选区域进行变化目标的识别；
消失判定子单元，用于当特征强度比值大于第二预设阈值，则判定变化目标的变化类型为目标消失；
出现判定子单元，用于当特征强度比值小于第三预设阈值，则判定变化目标的变化类型为目标出现；
替换判定子单元，用于当特征强度比值小于第二预设阈值且大于第三预设阈值，则判定变化目标的变化类型为目标替换。
可选的，预先训练好的变化特征提取网络的训练过程，包括：
将预先标注的样本多时相遥感图像输入待训练的变化特征提取网络；
通过待训练的变化特征提取网络对预先标注的样本多时相遥感图像进行变化目标的识别，得到待定变化目标的位置、待定变化目标的变化类型；
根据预先标注的样本多时相遥感图像和待定变化目标的位置、待定变化目标的变化类型，通过预设多任务的损失函数计算待训练的变化特征提取网络的损失；
根据待训练的变化特征提取网络的损失对待训练的变化特征提取网络的参数进行调整，返回通过待训练的变化特征提取网络对预先标注的样本多时相遥感图像进行变化目标的识别，得到待定变化目标的位置、待定变化目标的变化类型的步骤继续执行，直至待训练的变化特征提取网络的损失小于预设第四预设阈值，得到预先训练好的变化特征提取网络。
可见通过本申请实施例的装置，可以通过变化特征提取网络包括卷积时序网络和卷积神经网络联合实现对变化目标的自动化检测，得到变化目标的位置、变化目标的变化类型和变化目标的类别，从而不但可以减低人工成本，还提高检测精度和时效性。
本发明实施例还提供了一种电子设备，如图15所示，包括处理器151、通信接口152、存储器153和通信总线154，其中，处理器151，通信接口152，存储器153通过通信总线154完成相互间的通信，
存储器153，用于存放计算机程序；
处理器151，用于执行存储器153上所存放的程序时，实现上述任一一种针对多时相遥感图像的目标变化检测方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种针对多时相遥感图像的目标变化检测方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一一种针对多时相遥感图像的目标变化检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质、计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种针对多时相遥感图像的目标变化检测方法，其特征在于，所述方法包括：
获取目标位置的多时相遥感图像；
将所述多时相遥感图像输入预先训练好的变化特征提取网络，其中，所述变化特征提取网络包括卷积时序网络和卷积神经网络；
通过所述卷积时序网络对所述多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到所述变化目标的位置、所述变化目标的变化类型；
通过所述卷积神经网络对提取到的所述候选区域进行变化目标的识别，得到所述变化目标的类别。
2.根据权利要求1所述的方法，其特征在于，所述通过所述卷积时序网络对所述多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到所述变化目标的位置、所述变化目标的变化类型，包括：
通过所述卷积时序网络对所述多时相遥感图像进行变化目标候选区域的识别，得到一个或多个预测区域和各所述预测区域对应的变化目标的位置、各所述预测区域对应的概率；
选取所述一个或多个预测区域中所述预测区域对应的概率大于预设阈值的预测区域作为所述候选区域；
对提取到的候选区域进行变化目标的识别，得到所述变化目标的变化类型和变化目标的所属类别。
3.根据权利要求2所述的方法，其特征在于，所述对提取到的候选区域进行变化目标的识别，得到所述变化目标的变化类型，包括：
通过所述卷积时序网络中的全连接层和softmax层对所述多时相遥感图像中的候选区域进行特征识别；
得到所述多时相遥感图像中每两个相邻时刻的遥感图像中所述候选区域之间的相似度和特征强度比值；
选取所述多时相遥感图像中对应的所述候选区域之间的相似度小于第一预设阈值的相邻时刻的遥感图像作为待识别目标图像；
根据所述特征强度比值对所述待识别目标图像中的候选区域进行变化目标的识别，得到所述变化目标的变化类型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述特征强度比值对所述待识别目标图像中的候选区域进行变化目标的识别，得到所述变化目标的变化类型，包括：
根据所述特征强度比值对所述待识别目标图像中的候选区域进行变化目标的识别；
当所述特征强度比值大于第二预设阈值，则判定所述变化目标的变化类型为所述目标消失；
当所述特征强度比值小于第三预设阈值，则判定所述变化目标的变化类型为所述目标出现；
当所述特征强度比值小于第二预设阈值且大于第三预设阈值，则判定所述变化目标的变化类型为所述目标替换。
5.根据权利要求1所述的方法，其特征在于，所述预先训练好的变化特征提取网络的训练过程，包括：
将预先标注的样本多时相遥感图像输入待训练的变化特征提取网络；
通过所述待训练的变化特征提取网络对所述预先标注的样本多时相遥感图像进行变化目标的识别，得到待定变化目标的位置、待定变化目标的变化类型；
根据所述预先标注的样本多时相遥感图像和所述待定变化目标的位置、所述待定变化目标的变化类型，通过预设多任务的损失函数计算所述待训练的变化特征提取网络的损失；
根据所述待训练的变化特征提取网络的损失对所述待训练的变化特征提取网络的参数进行调整，返回所述通过所述待训练的变化特征提取网络对所述预先标注的样本多时相遥感图像进行变化目标的识别，得到待定变化目标的位置、待定变化目标的变化类型的步骤继续执行，直至所述待训练的变化特征提取网络的损失小于预设第四预设阈值，得到所述预先训练好的变化特征提取网络。
6.一种针对多时相遥感图像的目标变化检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标位置的多时相遥感图像；
图像输入模块，用于将所述多时相遥感图像输入预先训练好的变化特征提取网络，其中，所述变化特征提取网络包括卷积时序网络和卷积神经网络；
特征提取模块，用于通过所述卷积时序网络对所述多时相遥感图像进行变化目标候选区域的提取，并对提取到的候选区域进行变化目标的识别，得到所述变化目标的位置、所述变化目标的变化类型；
类别提取模块，用于通过所述卷积神经网络对提取到的所述候选区域进行变化目标的识别，得到所述变化目标的类别。
7.根据权利要求6所述的装置，其特征在于，所述特征提取模块，包括：
区域预测子模块，用于通过所述卷积时序网络对所述多时相遥感图像进行变化目标候选区域的识别，得到一个或多个预测区域和各所述预测区域对应的变化目标的位置、各所述预测区域对应的概率；
区域选取子模块，用于选取所述一个或多个预测区域中所述预测区域对应的概率大于预设阈值的预测区域作为所述候选区域；
目标识别子模块，用于对提取到的候选区域进行变化目标的识别，得到所述变化目标的变化类型和变化目标的所属类别。
8.根据权利要求7所述的装置，其特征在于，所述目标识别子模块，包括：
特征识别单元，用于通过所述卷积时序网络中的全连接层和softmax层对所述多时相遥感图像中的候选区域进行特征识别；
相似度获取单元，用于得到所述多时相遥感图像中每两个相邻时刻的遥感图像中所述候选区域之间的相似度和特征强度比值；
目标图像选取单元，用于选取所述多时相遥感图像中对应的所述候选区域之间的相似度小于第一预设阈值的相邻时刻的遥感图像作为待识别目标图像；
变化类型获取单元，用于根据所述特征强度比值对所述待识别目标图像中的候选区域进行变化目标的识别，得到所述变化目标的变化类型。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110467149.0A CN113011398A (zh) | 2021-04-28 | 2021-04-28 | 一种针对多时相遥感图像的目标变化检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110467149.0A CN113011398A (zh) | 2021-04-28 | 2021-04-28 | 一种针对多时相遥感图像的目标变化检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113011398A true CN113011398A (zh) | 2021-06-22 |
Family
ID=76381024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110467149.0A Pending CN113011398A (zh) | 2021-04-28 | 2021-04-28 | 一种针对多时相遥感图像的目标变化检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011398A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114359288A (zh) * | 2022-03-22 | 2022-04-15 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
| CN114821354A (zh) * | 2022-04-19 | 2022-07-29 | 福州大学 | 一种基于孪生多任务网络的城市建筑物变化遥感检测方法 |
| CN115205710A (zh) * | 2022-09-16 | 2022-10-18 | 北京理工大学 | 一种结合色彩校正的双时相遥感图像变化检测方法 |
| CN115861791A (zh) * | 2022-11-07 | 2023-03-28 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
| CN114821354B (zh) * | 2022-04-19 | 2024-06-07 | 福州大学 | 一种基于孪生多任务网络的城市建筑物变化遥感检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
| WO2018090912A1 (zh) * | 2016-11-15 | 2018-05-24 | 北京市商汤科技开发有限公司 | 目标对象检测方法、装置及系统和神经网络结构 |
| CN108319949A (zh) * | 2018-01-26 | 2018-07-24 | 中国电子科技集团公司第十五研究所 | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 |
| WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
-
2021
- 2021-04-28 CN CN202110467149.0A patent/CN113011398A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018090912A1 (zh) * | 2016-11-15 | 2018-05-24 | 北京市商汤科技开发有限公司 | 目标对象检测方法、装置及系统和神经网络结构 |
| CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
| WO2019144575A1 (zh) * | 2018-01-24 | 2019-08-01 | 中山大学 | 一种快速行人检测方法及装置 |
| CN108319949A (zh) * | 2018-01-26 | 2018-07-24 | 中国电子科技集团公司第十五研究所 | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| JINGYI CAO 等: "Change Detection Network of Nearshore Ships for Multi-Temporal Optical RemoteSensing Images", 《IGARSS 2020 - 2020 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114359288A (zh) * | 2022-03-22 | 2022-04-15 | 珠海市人民医院 | 基于人工智能的医学影像脑动脉瘤检测和定位方法 |
| CN114821354A (zh) * | 2022-04-19 | 2022-07-29 | 福州大学 | 一种基于孪生多任务网络的城市建筑物变化遥感检测方法 |
| CN114821354B (zh) * | 2022-04-19 | 2024-06-07 | 福州大学 | 一种基于孪生多任务网络的城市建筑物变化遥感检测方法 |
| CN115205710A (zh) * | 2022-09-16 | 2022-10-18 | 北京理工大学 | 一种结合色彩校正的双时相遥感图像变化检测方法 |
| CN115861791A (zh) * | 2022-11-07 | 2023-03-28 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
| CN115861791B (zh) * | 2022-11-07 | 2024-04-26 | 中电科大数据研究院有限公司 | 一种公益诉讼线索的生成方法、生成装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
| CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN109614985B (zh) | 一种基于密集连接特征金字塔网络的目标检测方法 | |
| US11631248B2 (en) | Video watermark identification method and apparatus, device, and storage medium | |
| CN113011398A (zh) | 一种针对多时相遥感图像的目标变化检测方法及装置 | |
| CN112183414A (zh) | 一种基于混合空洞卷积的弱监督遥感目标检测方法 | |
| Liu et al. | Bipartite differential neural network for unsupervised image change detection | |
| Xia et al. | A modified Gaussian mixture background model via spatiotemporal distribution with shadow detection | |
| Almagbile | Estimation of crowd density from UAVs images based on corner detection procedures and clustering analysis | |
| Xing et al. | Traffic sign recognition using guided image filtering | |
| CN113627229A (zh) | 目标检测方法、系统、设备以及计算机存储介质 | |
| CN114266988A (zh) | 基于对比学习的无监督视觉目标跟踪方法及系统 | |
| Jiang et al. | Arbitrary-shaped building boundary-aware detection with pixel aggregation network | |
| Khoshboresh-Masouleh et al. | Robust building footprint extraction from big multi-sensor data using deep competition network | |
| CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
| Akhtarmanesh et al. | Road extraction from satellite images using Attention-Assisted UNet | |
| Ren et al. | A robust and accurate end-to-end template matching method based on the Siamese network | |
| CN112270671A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| Halder et al. | Moving object detection and tracking in videos through turbulent medium | |
| CN113627245B (zh) | Crts目标检测方法 | |
| CN116246161A (zh) | 领域知识引导下的遥感图像目标精细类型识别方法及装置 | |
| CN115170662A (zh) | 基于yolov3和卷积神经网络的多目标定位方法 | |
| CN112800932B (zh) | 海上背景下显著船舶目标的检测方法及电子设备 | |
| CN115311680A (zh) | 人体图像质量检测方法、装置、电子设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |
|
| RJ01 | Rejection of invention patent application after publication |