CN113128559A - 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 - Google Patents

基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 Download PDF

Info

Publication number
CN113128559A
CN113128559A CN202110271411.4A CN202110271411A CN113128559A CN 113128559 A CN113128559 A CN 113128559A CN 202110271411 A CN202110271411 A CN 202110271411A CN 113128559 A CN113128559 A CN 113128559A
Authority
CN
China
Prior art keywords
feature
scale
cross
fusion
remote sensing
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
Application number
CN202110271411.4A
Other languages
English (en)
Inventor
黄伟
李冠壹
陈启强
居明
曲建涛
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.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202110271411.4A priority Critical patent/CN113128559A/zh
Publication of CN113128559A publication Critical patent/CN113128559A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/253Fusion techniques of extracted features
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415Classification 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,包括主干网络和跨尺度融合模块,主干网络用于从遥感图像中提取多个尺度不同的特征层,将多个尺度不同的特征层通过跨尺度融合模块进行融合,得到一个跨尺度融合的特征层Base,接着构建U型金字塔网络模型提取遥感图像中不同层次的上下文信息,并生成多个尺度不同的多层次特征图,然后采用一个多尺度特征聚合模块SFAM,对提取出的多层次的特征进行聚合,并基于注意力机制构建尺度不同的多层次特征图之间的相互依赖关系。本发明通过跨尺度融合的方式,增强上下文信息,并构建U型金字塔网络模型,进行多尺度多层次的特征提取,从而大大提升了遥感图像在复杂场景下的检测能力。

Description

基于跨尺度特征融合金字塔网络的遥感图像目标检测方法
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种基于跨尺度特征融合金字塔网络的遥感图像目标检测方法。
背景技术
遥感图像中的目标检测任务是确定在给定的航空或卫星图像中是否包含一个或多个感兴趣的地物对象,并对地物进行定位。作为航空和卫星图像分析领域的基本问题,遥感图像中的目标检测在环境检测等领域有着广泛的应用,如检测地质灾害探测、土地利用和土地覆盖制图、地理信息系统更新、精准农业、城市规划等。常见的遥感图像的检测目标有人造的物体,如船只、车辆、房屋等,以及非人造的自然环境中的物体,如动物、树木、江河等。
近年来,随着深度学习技术的不断发展,基于深度学习的目标检测器成功应用于遥感目标检测领域中,深度神经网络由于具有强大的自动提取特征的能力,大大提升了遥感目标检测的性能。相比于传统遥感图像目标检测算法,基于深度学习的方法解决了传统检测算法对背景模型的更新要求高、适应性不高、提取特征鲁棒性差和检测的实时性差等缺点,使检测模型在精度和速度方面都有了很大的提升。基于深度学习的遥感图像目标检测方法,是计算机视觉检测领域的一个重大创新。这些创新算法都是把传统的计算机视觉和深度学习方法进行结合使用,并取得了良好的检测效果。在进行遥感图像目标检测时,准确性和实时性是衡量目标检测系统性能的重要指标,这是一对矛盾体,如何达到二者更好地平衡,是目标检测算法研究的一个重要方向。随着深度学习的不断发展,检测的精度和实效性也逐渐提升。因此,基于深度学习的遥感图像目标检测算法得到了广大研究者的关注。
与自然图像不同,遥感图像中目标的尺度始终存在问题,小物体与超大尺度物体往往都会严重影响模型的性能。当前Lin等人提出的Feature pyramid networks forobject detection(FPN)将不同层级的特征全部加以利用,使得大目标和小目标都能够进行预测。FPN通过将浅层特征跳接到深层的特征上,兼顾了分辨率和语义特征。其独特之处在于将浅层与深层特征融合以及将多分辨率预测结合起来,达到对大目标和小目标进行预测的效果。
经过实践发现FPN也存在着一定的局限性:
1.注重特征的规模,忽略了特征的层次。每个特征图只由骨干网络单层给出,提取的特征不够全面;
2.只是结合固有的骨干分类网络来完成检测任务,然而在目标分类和检测任务上存在差异。
发明内容
为解决现有的遥感图像目标检测方法存有的局限性,本发明提供了一种基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,通过跨尺度融合的方式,增强上下文信息,并构建U型金字塔网络模型,进行多尺度多层次的特征提取,从而大大提升了遥感图像在复杂场景下的检测能力。
本发明提出一种基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,所述方法包括:
步骤1:基于VGG-16构建主干网络和跨尺度融合模块,所述主干网络用于从遥感图像中提取多个尺度不同的特征层,将多个尺度不同的所述特征层通过跨尺度融合模块进行融合,得到一个跨尺度融合的特征层Base;
步骤2:构建U型金字塔网络模型,所述U型金字塔网络模型用于提取遥感图像中不同层次的上下文信息,并生成多个尺度不同的多层次特征图;
步骤3:采用一个多尺度特征聚合模块SFAM,对提取出的多层次的特征进行聚合;
基于注意力机制构建尺度不同的所述多层次特征图之间的相互依赖关系,并通过学习的方式自动获取每个层次特征图的重要程度;
步骤4:采用Focal Loss损失函数对融合所产生的大量负样本信息进行调整;
步骤5:训练主干网络;
在训练时固定主干网络的参数,调整多尺度特融合网络的参数,使其达到耦合效果。
进一步地,所述步骤1具体为:
步骤1.1:将遥感图像输入基于VGG-16构建的主干网络中,分别得到五个尺度不同的特征层:
F1~F5;
步骤1.2:分别对特征层F1,F2,F3和F5进行上采样操作或下采样操作,进而与F4特征层进行跨尺度融合,得到融合后的特征层Base。
进一步地,所述步骤2具体为:
步骤2.1:对特征层Base进行多次编码,使其逐渐变小生成编码特征图;
步骤2.2:对所述编码特征图进行多次解码,使其逐渐变大生成解码特征图;
在解码的同时对具有相同尺寸的编码特征图与解码特征图进行融合,最终得到尺度不同的融合特征层;
步骤2.3:将尺度最大的融合特征层与特征层Base再进行n次融合,最终形成多个尺度不同的多层次特征图。
进一步地,所述步骤4具体包括:
步骤4.1:通过公式(1)计算目标检测的损失函数:
Figure BDA0002974639840000031
其中,
Figure BDA0002974639840000032
Figure BDA0002974639840000033
分别表示分类损失函数与回归损失函数;
步骤4.2:通过公式(2)计算分类损失,所述分类损失用于平衡融合过程中产生的负样本:
FLcls(p)=-α(1-p)γlog(p) (2);
其中,p为每类目标的概率。
进一步地,所述步骤5具体包括:
步骤5.1:在VOC数据集进行主干网络训练得到相应的权重;
步骤5.2:固定所述主干提取网络的参数,对跨尺度特征融合模块及U型金字塔网进行训练;
步骤5.3:微调主干提取网络与跨尺度特征融合金字塔网络的参数,使其达到耦合效果。
进一步地,步骤2.3所述n的取值为8。
进一步地,步骤4.2所述α=0.25,所述γ=1.5。
本发明的有益效果:
1.针对遥感影像中复杂多变的场景导致的目标尺度问题,本发明利用不同尺度的特征跨尺度融合来增强上下文语义信息的表达,同时构建了U型金字塔网络模型,来提取不同层次的特征图,利用提取到的浅层次特征中丰富的语义信息来提高分类任务的准确性,利用提取的深层次的特征来加强目标定位的精准度,从而加强遥感图像在复杂场景下的检测能力。
2.本发明针对跨尺度融合后产生出的大量负样本信息,采用Focal Loss损失函数来平衡正负样本的差异性,使得检测的性能大大提升。
3.本发明在保证准确性的前提下,能够同时对不同大小的目标进行检测,提升了检测的速度。
附图说明
图1为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法的流程图。
图2为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法的原理框架图;
图3为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法的跨尺度融合模块的示意图;
图4为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法的U型金字塔网络的示意图;
图5为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法的特征融合模块的示意图;
图6为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法的多尺度特征聚合模块SFAM的示意图
图7为本发明基于跨尺度特征融合金字塔网络的遥感图像目标检测方法在DIOR数据集上的检测结果的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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。
实施例1
为了解决遥感影像中复杂多变的场景导致的目标尺度问题本发明提出一种基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,所述方法包括以下步骤:
步骤1:基于VGG-16构建主干网络和跨尺度融合模块,所述主干网络用于从遥感图像中提取多个尺度不同的特征层,将多个尺度不同的所述特征层通过跨尺度融合模块进行融合,得到一个跨尺度融合的特征层Base;
步骤2:构建U型金字塔网络模型,所述U型金字塔网络模型用于提取遥感图像中不同层次的上下文信息,并生成多个尺度不同的多层次特征图;
步骤3:采用一个多尺度特征聚合模块SFAM,对提取出的多层次的特征进行聚合;
基于注意力机制构建尺度不同的所述多层次特征图之间的相互依赖关系,并通过学习的方式自动获取每个层次特征图的重要程度;
步骤4:采用Focal Loss损失函数对融合所产生的大量负样本信息进行调整;
步骤5:训练主干网络;
在训练时固定主干网络的参数,调整多尺度特融合网络的参数,使其达到耦合效果。
本发明主要由两部分组成:VGG-16构建主干网络和U型金字塔网络。其中主干网络用来提取遥感图像中的浅层特征,将通过主干网络提取出的特征层经过跨尺度的融合后再与U型金字塔网络提取出多层次的特征层来进行分类与回归,从而实现遥感图像的目标检测。
实施例2
如图3和4所示,为获得一个跨尺度融合的特征层Base,对步骤1进行优化,具体的:
步骤1.1:将遥感图像输入基于VGG-16构建的主干网络中,分别得到五个尺度不同的特征层:
F1~F5;
步骤1.2:分别对特征层F1,F2,F3和F5进行上采样操作或下采样操作,进而与F4特征层进行跨尺度融合,得到融合后的特征层Base。
实施例3
基于上述实施例,通过与特征层Base进行融合得到多个尺度不同的多层次特征图,对步骤2进行优化,具体的:
步骤2.1:对特征层Base进行多次编码,使其逐渐变小生成编码特征图;
步骤2.2:对所述编码特征图进行多次解码,使其逐渐变大生成解码特征图;
在解码的同时对具有相同尺寸的编码特征图与解码特征图进行融合,最终得到尺度不同的融合特征层;
在本实施例中,对应特征层F1~F5最终得到6种不同尺度的融合特征层;
步骤2.3:将尺度最大的融合特征层与特征层Base再进行n次融合,最终形成多个尺度不同的多层次特征图。
在本实施例中,选取6种尺度不同的融合特征层中最大尺寸的特征层与特征层Base进行融合,融合后重复步骤2.2n次;
步骤2.3所述n的取值为8,如图2所示,经过多次的循环最终的到了6×8个特征层。将这些相同尺寸的特征层进行通道叠加,最终形成了6个不同尺度的特征层,结合步骤3并对这些特征层施加注意力机制。
实施例4
为了防止跨尺度融合中产生大量负样本信息对目标检测性能的影响,基于上述实施例,在本实施例中在损失函数中使用Focal Loss损失函数平衡正负样本,具体的:
步骤4.1:通过公式(1)计算目标检测的损失函数:
Figure BDA0002974639840000061
其中,
Figure BDA0002974639840000062
Figure BDA0002974639840000063
分别表示分类损失函数与回归损失函数;
步骤4.2:通过公式(2)计算分类损失,所述分类损失用于平衡融合过程中产生的负样本:
FLcls(p)=-α(1-p)γlog(p) (2);
其中,p为每类目标的概率,α=0.25,γ=1.5;
定义:
Figure BDA0002974639840000071
其中,smoothL1(x)为回归损失函数,x为预测框和真实框之间的数值差异。
实施例5
为调高检测速度,基于实施例1对步骤5进行优化,具体的:
步骤5.1:在VOC数据集进行主干网络训练得到相应的权重;
步骤5.2:固定所述主干提取网络的参数,对跨尺度特征融合模块及U型金字塔网进行训练;
步骤5.3:微调主干提取网络与跨尺度特征融合金字塔网络的参数,使其达到耦合效果。
为证明本发明效果进行如下实验
1.实验环境
实验结果如图7所示,通过实验成像对本发明的方法进行进一步说明:
实验中,使用6个特征层,其尺寸分别为:100×100,50×50,25×25,13×13,7×7,3×3。整个模型采用SGD进行优化,动量取0.9,权值衰减取0.0001。训练时一共迭代了150epochs,整个训练过程采用3种不同的学习率,其中前5epochs是整个训练过程的预热阶段,初始学习率为1*10e-3,第二阶段为5-90epochs,其初始学习率为1*10e-4,最后一阶段的初始学习率为1*10e-5。
Focal Loss损失函数中α=0.25,γ=1.5。每一个mini-batch有2张图片。所有的实验都是在一个Nvidia GTX 1080Ti GPU with 11-GB RAM上进行的。
2.实验数据集
进一步地,选取DIOR数据集进行实验,具体实验如下:
DIOR数据集是由程塨等人于2019年提出的数据集,该数据集包含了23463幅高分遥感图像和192472个实例目标,具有20类目标类别:飞机,棒球场,篮球场,桥梁,田径场,港口,舰船,储油罐,网球场,机车,飞机场,烟囱,水坝,高速公路服务区,高速公路收费站,高尔夫球场,天桥,体育场,火车站,风车,该数据集每类大约包含1200幅图像(即一副图像可能存在多个类别目标),并且所有图像的大小均为800*800像素,空间分辨率为0.5-30米。该数据集所有的图像均从Google Earth上获取。相比于其他遥感图像数据集,如下图所示,DIOR数据集具有更大的目标尺寸变化,更丰富的图像变化和较高的类间相似性与类内多样性。整个数据集被分为训练集(5862幅图像)、验证集(5863幅图像)和测试集(11738幅图像)。
为了客观评价算法的检测结果,采用如公式(4)所示的平均精度指标来评估检测质量:
Figure BDA0002974639840000081
Accuracy表示精确度,所有类别的精确度平均值就是平均精度。TP表示正确正样本,TN表示正确预测负样本,FN表示错误预测负样本。FP表示错误预测正样本。
质量评估结果如表1所示:
在表1中,黑体的数字表示每项指标中最好的值,从目标检测客观评价指标来看,本发明所提方法的各指标都优于其他方法。
表1不同方法对DIOR数据集进行检测定量评价结果
Figure BDA0002974639840000082
通过上述实验结果表明,本发明的方法利用多尺度特征融合金字塔网络,整体的平均精度要比当前流行的目标检测器高出许多。本发明的方法通过跨尺度融合的方式加强了特征图的上下文信息,从而提高了目标检测的性能。
以上所述之实施例,只是本发明的较佳实施例而已,并非限制本发明的实施范围,故凡依本发明专利范围所述的构造、特征及原理所做的等效变化或修饰,均应包括于本发明申请专利范围内。

Claims (7)

1.基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,所述方法包括以下步骤:
步骤1:基于VGG-16构建主干网络和跨尺度融合模块,所述主干网络用于从遥感图像中提取多个尺度不同的特征层,将多个尺度不同的所述特征层通过跨尺度融合模块进行融合,得到一个跨尺度融合的特征层Base;
步骤2:构建U型金字塔网络模型,所述U型金字塔网络模型用于提取遥感图像中不同层次的上下文信息,并生成多个尺度不同的多层次特征图;
步骤3:采用一个多尺度特征聚合模块SFAM,对提取出的多层次的特征进行聚合;
基于注意力机制构建尺度不同的所述多层次特征图之间的相互依赖关系,并通过学习的方式自动获取每个层次特征图的重要程度;
步骤4:采用Focal Loss损失函数对融合所产生的大量负样本信息进行调整;
步骤5:训练主干网络;
在训练时固定主干网络的参数,调整多尺度特融合网络的参数,使其达到耦合效果。
2.根据权利要求1所述的基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,所述步骤1具体为:
步骤1.1:将遥感图像输入基于VGG-16构建的主干网络中,分别得到五个尺度不同的特征层:
F1~F5;
步骤1.2:分别对特征层F1,F2,F3和F5进行上采样操作或下采样操作,进而与F4特征层进行跨尺度融合,得到融合后的特征层Base。
3.根据权利要求1所述的基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,所述步骤2具体为:
步骤2.1:对特征层Base进行多次编码,使其逐渐变小生成编码特征图;
步骤2.2:对所述编码特征图进行多次解码,使其逐渐变大生成解码特征图;
在解码的同时对具有相同尺寸的编码特征图与解码特征图进行融合,最终得到尺度不同的融合特征层;
步骤2.3:将尺度最大的融合特征层与特征层Base再进行n次融合,最终形成多个尺度不同的多层次特征图。
4.根据权利要求1所述的基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,所述步骤4具体包括:
步骤4.1:通过公式(1)计算目标检测的损失函数:
Figure FDA0002974639830000021
其中,
Figure FDA0002974639830000022
Figure FDA0002974639830000023
分别表示分类损失函数与回归损失函数;
步骤4.2:通过公式(2)计算分类损失,所述分类损失用于平衡融合过程中产生的负样本:
FLcls(p)=-α(1-p)γlog(p) (2);
其中,p为每类目标的概率。
5.根据权利要求1所述的基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,所述步骤5具体包括:
步骤5.1:在VOC数据集进行主干网络训练得到相应的权重;
步骤5.2:固定所述主干提取网络的参数,对跨尺度特征融合模块及U型金字塔网进行训练;
步骤5.3:微调主干提取网络与跨尺度特征融合金字塔网络的参数,使其达到耦合效果。
6.根据权利要求3所述的基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,步骤2.3所述n的取值为8。
7.根据权利要求4所述的基于跨尺度特征融合金字塔网络的遥感图像目标检测方法,其特征在于,步骤4.2所述α=0.25,所述γ=1.5。
CN202110271411.4A 2021-03-13 2021-03-13 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 Pending CN113128559A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271411.4A CN113128559A (zh) 2021-03-13 2021-03-13 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271411.4A CN113128559A (zh) 2021-03-13 2021-03-13 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法

Publications (1)

Publication Number Publication Date
CN113128559A true CN113128559A (zh) 2021-07-16

Family

ID=76773059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271411.4A Pending CN113128559A (zh) 2021-03-13 2021-03-13 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法

Country Status (1)

Country Link
CN (1) CN113128559A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663436A (zh) * 2022-05-25 2022-06-24 南京航空航天大学 一种基于深度学习的跨尺度缺陷检测方法
CN114926747A (zh) * 2022-05-31 2022-08-19 常州大学 一种基于多特征聚合与交互的遥感图像定向目标检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110599A (zh) * 2019-04-03 2019-08-09 天津大学 一种基于多尺度特征融合的遥感图像目标检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110599A (zh) * 2019-04-03 2019-08-09 天津大学 一种基于多尺度特征融合的遥感图像目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI HUANG ETAL.: "CF2PN: A Cross-Scale Feature Fusion Pyramid Network Based Remote Sensing Target Detection", 《REMOTE SENSING》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663436A (zh) * 2022-05-25 2022-06-24 南京航空航天大学 一种基于深度学习的跨尺度缺陷检测方法
CN114926747A (zh) * 2022-05-31 2022-08-19 常州大学 一种基于多特征聚合与交互的遥感图像定向目标检测方法

Similar Documents

Publication Publication Date Title
CN111259809B (zh) 基于DANet的无人机海岸线漂浮垃圾巡检系统
CN110287927B (zh) 基于深度多尺度和上下文学习的遥感影像目标检测方法
CN108596101B (zh) 一种基于卷积神经网络的遥感图像多目标检测方法
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN103714339B (zh) 基于矢量数据的sar影像道路损毁信息提取方法
CN110321859A (zh) 一种基于深度孪生胶囊网络的光学遥感场景分类方法
CN110956412B (zh) 基于实景模型的洪灾动态评估方法、装置、介质和设备
CN112149547A (zh) 基于图像金字塔引导和像素对匹配的遥感影像水体识别
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN112668375B (zh) 景区内游客分布分析系统及方法
CN113128559A (zh) 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法
CN110751077A (zh) 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法
Xu et al. Building height calculation for an urban area based on street view images and deep learning
Shang et al. Spatiotemporal reflectance fusion using a generative adversarial network
CN115661932A (zh) 一种垂钓行为检测方法
Li et al. Learning to holistically detect bridges from large-size vhr remote sensing imagery
CN114529552A (zh) 一种基于几何轮廓顶点预测的遥感影像建筑物分割方法
Chen et al. Class-aware domain adaptation for coastal land cover mapping using optical remote sensing imagery
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
Wiguna et al. Evaluation of deep learning models for building damage mapping in emergency response settings
Sun et al. Automatic building age prediction from street view images
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
CN109753896A (zh) 一种基于共性自动编码器的无监督异源遥感图像变化检测方法
CN115527118A (zh) 一种融合注意力机制的遥感图像目标检测方法
Sun et al. Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China

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: 20210716

RJ01 Rejection of invention patent application after publication