CN113421194B - 一种根据布格重力异常图像提取隐伏断层的方法 - Google Patents
一种根据布格重力异常图像提取隐伏断层的方法 Download PDFInfo
- Publication number
- CN113421194B CN113421194B CN202110625314.0A CN202110625314A CN113421194B CN 113421194 B CN113421194 B CN 113421194B CN 202110625314 A CN202110625314 A CN 202110625314A CN 113421194 B CN113421194 B CN 113421194B
- Authority
- CN
- China
- Prior art keywords
- gravity
- residual image
- pixel
- image
- layer
- 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
Links
- 230000005484 gravity Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000002372 labelling Methods 0.000 claims abstract 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/60—Rotation of a whole image or part thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
Abstract
一种根据布格重力异常图像提取隐伏断层的方法，该方法首先根据向上延拓的方法对布格重力异常剩余图像进行降噪预处理；再构建U型卷积网络对布格重力异常剩余图像进行训练；其次创建交叉熵损失函数，然后标注布格重力异常剩余图像的前后背景；再对布格重力异常剩余图像中单样本进行数据增强；接着根据快速并行细化算法对布格重力异常剩余图像中表现隐伏断层空间展布的特征体进行骨架提取；再根据最小二乘方法对布格重力异常剩余图像中的骨架进行线性拟合。该方法能够对降噪处理后的布格重力异常剩余图像采用U型卷积网络进行训练，标注布格重力异常剩余图像的前后背景进而提取抽象线性走向，生成线性构造，来减轻识别人员的工作量。
Description
技术领域
本发明涉及一种根据布格重力异常图像提取隐伏断层的方法，属于重力异常图像空间数据挖掘领域。
背景技术
我国南方的存在各类超大型热液矿床和海底喷流沉积矿床，目前通过重力勘探的方法测量与围岩有密度差异的地质体在其周围引起的重力异常﹐以确定这些地质体存在的空间位置﹑大小和形状﹐从而对工作地区的地质构造和矿产分布情况作出判断，同时布格重力异常是重力勘探的基础资料，目前从布格重力异常图像中的隐伏断层都靠目视识别，因此要求识别人员经过专业训练、具有专业知识和素养，且解译质量受解译人员对解译区域的熟悉程度和解译经验等多种因素影响，主观性极大，同时识别人员的目视识别效率低，无法满足大区域、大面积的断层识别需求。
发明内容
为解决上述现有技术中存在的技术问题，本发明提供了一种根据布格重力异常图像提取隐伏断层的方法，该方法能够对降噪处理后的布格重力异常剩余图像采用U型卷积网络进行训练，标注布格重力异常剩余图像的前后背景进而提取抽象线性走向，生成线性构造自动解译结果，大大提高识别效率，有利于矿产勘探与成矿预测。
实现本发明目的的技术方案为，一种根据布格重力异常图像提取隐伏断层的方法，至少包括如下步骤：
(1)根据向上延拓的方法对布格重力异常剩余图像进行降噪预处理；
(2)构建U型卷积网络，并且根据U型卷积网络对布格重力异常剩余图像进行训练；
(3)创建交叉熵损失函数，并且利用交叉熵损失函数表示U型卷积网络实际输出概率与目标输出概率之间的相似度Loss，其计算公式为：
式中，
为模型预测样本为正例的概率，y为样本标签，正例样本取值为1，负例样本取值为0；
(4)标注布格重力异常剩余图像的前后背景，将布格重力异常剩余图像前景标注为0，背景标注为1；
(5)对布格重力异常剩余图像中单样本进行数据增强；
(6)根据快速并行细化算法对布格重力异常剩余图像中表现隐伏断层空间展布的特征体进行骨架提取，即通过对符合特定条件的像素进行腐蚀从而只展示骨架；
(7)根据最小二乘方法对布格重力异常剩余图像中的骨架进行线性拟合。
对上述技术方案的进一步改进为：所述步骤(1)中向上延拓即为计算高度大于布格重力异常剩余图像的原本高度。
且所述步骤(2)中U型卷积网络包括编码器和解码器，编码器包括修正线性单元Xij，i＝1,2,3，……，n，j＝1,2,3，……，k、3×3的卷积层，位于最上层的修正线性单元X11通过3×3的卷积层与修正线性单元X12相连，修正线性单元X12通过3×3的卷积层与修正线性单元X13相连，以此类推，直至最上层最后一个修正线性单元X1k被连接；每层的最后一个修正线性单元Xik通过2×2最大池化与下一层第一个修正线性单元Xi1相连，解码器包括修正线性单元yi(k+j)，i＝1,2,3，……，n，j＝1,2,3，……，k、3×3的卷积层，同理，同一层的修正线性单元yi(k+1)通过3×3的卷积层与修正线性单元yi(k+2)相连，且每层的最后一个修正线性单元yi(k+n)通过2×2向上卷积与上一层第一个修正线性单元yi(k+1)相连，每层的最后一个修正线性单元Xik与该层第一个修正线性单元yi(k+1)相连。
且所述步骤(5)中单样本通过如下方式进行数据增强：
(5.1)扭曲图像；
(5.2)以50％的概率旋转；
(5.3)以80％的概率水平翻转；
(5.4)以30％的概率垂直翻转；
(5.5)剪裁50％的区域；
(5.6)随机生成指定分辨率大小的图像；
(5.7)从管道里生成指定数量的图像。
且所述步骤(6)中像素腐蚀步骤为：若像素点满足特定条件，则将该像素点的像素变为0；若像素点不满足特定条件，则不对该像素点进行处理；
特定条件为包含以下任一条件的条件；
i)该像素点值为1；
ii)该像素点的八连通区域内部像素的像素值从0到1变换次数仅为1；
iii)该像素点的八连通区域内部像素的像素值为1的个数大于2小于6；
iv)该像素点的四连通区域内部上、右、下三个像素中有一个像素的像素值为0；
v)该像素点的四连通区域内部左、下、右三个像素中有一个像素的像素值为0。
由上述技术方案可知：(1)本方法通过向上延拓的方法可以将布格重力异常剩余图像中的规模较小的局部异常进行压制，以突出规模较大的区域异常，以提取对应时期的构造信息。
(2)重力数据因为专业性和保密性，相较于其他数据较难获取，造成能训练的数据样本较少，本方法采用的U型卷积网络能够融合不同层次的特征，以此增加训练效果。
(3)本方法使用交叉熵损失函数，用于衡量网络模型输出值与真实值之间的差距，给模型优化指明方向。
(4)本方法对表现隐伏断层空间展布的特征体进行骨架提取，来生成线性构造，大大提高识别效率，有利于矿产勘探与成矿预测。
附图说明
图1为本发明提供的一种根据布格重力异常图像提取隐伏断层的方法的流程图；
图2为本发明的U型卷积网络的结构示意图；
图3为本发明的骨架提取效果图；
具体实施方式
下面结合附图1至3和实施例对本发明进行详细具体说明，本发明的内容不局限于以下实施例。
参考图1，一种根据布格重力异常图像提取隐伏断层的方法，包括如下步骤：根据向上延拓的方法对布格重力异常剩余图像进行降噪预处理；
重力异常场源自地下不同深度和不同类型源体的位场叠加，包含局部异常和区域异常两种类型，重力异常数据处理时，需要进行重力异常分离，为提取对应时期的构造信息，需要将浅层场源进行压制，将该时期对应高度的场源分离出来，而采用向上延拓的方法主要是突出规模较大的区域异常，而压制规模较小的局部异常，向上延拓的基本方法通常利用波松积分推算相应高度处的重力异常，为了减少计算量，在本实施例中将布格重力异常剩余图像的原本高度上延10km的场值结果作为剩余异常。
参考图2，构建U型卷积网络，并且根据U型卷积网络对布格重力异常剩余图像进行训练；U型卷积网络包括编码器和解码器，编码器包括修正线性单元Xij，i＝1,2,3，……，n，j＝1,2,3，……，k、3×3的卷积层，位于最上层的修正线性单元X11通过3×3的卷积层与修正线性单元X12相连，修正线性单元X12通过3×3的卷积层与修正线性单元X13相连，以此类推，直至最上层最后一个修正线性单元X1k被连接；每层的最后一个修正线性单元Xik通过2×2最大池化与下一层第一个修正线性单元Xi1相连，解码器包括修正线性单元yi(k+j)，i＝1,2,3，……，n，j＝1,2,3，……，k、3×3的卷积层，同理，同一层的修正线性单元yi(k+1)通过3×3的卷积层与修正线性单元yi(k+2)相连，且每层的最后一个修正线性单元yi(k+n)通过2×2向上卷积与上一层第一个修正线性单元yi(k+1)相连，每层的最后一个修正线性单元Xik与该层第一个修正线性单元yi(k+1)相连，重力数据因为专业性和保密性，相较于其他数据较难获取，造成能训练的数据样本较少，本方法采用的U型卷积网络能够融合不同层次的特征，以此增加训练效果。
创建交叉熵损失函数，并且利用交叉熵损失函数表示U型卷积网络实际输出概率与目标输出概率之间的相似度Loss，，其计算公式为：
式中，
为模型预测样本为正例的概率，y为样本标签，正例样本取值为1，负例样本取值为0。
通过使用交叉熵损失函数，用于衡量网络模型输出值与真实值之间的差距，给模型优化指明方向。
标注布格重力异常剩余图像的前后背景，将布格重力异常剩余图像前景标注为0，背景标注为1；
对布格重力异常剩余图像中单样本进行数据增强；单样本通过如下方式进行数据增强：
扭曲图像；
以50％的概率旋转；
以80％的概率水平翻转；
以30％的概率垂直翻转；
剪裁50％的区域；
随机生成指定分辨率大小的图像；
从管道里生成指定数量的图像。
单样本数据增强是采用预设的数据变换规则，在现有数据的基础上进行扩增的方法，增强包括几何操作类、颜色变换类。几何操作类包括翻转、旋转、剪裁、变形、缩放等各种操作。翻转和旋转适用于对方向不敏感的任务，比如图像分类；剪裁相对翻转和旋转，会改变图像的大小，缩放变形则会造成图像失真。几何变换类没有改变图像本身的内容，只是对图像某部分像素进行了重分布。颜色变换类则改变了图像内容，常见操作如噪音、模糊、颜色变换、擦除、填充等。数据增强的本质就是增强模型的泛化能力。
参考图3，根据快速并行细化算法对布格重力异常剩余图像中表现隐伏断层空间展布的特征体进行骨架提取，即通过对符合特定条件的像素进行腐蚀从而只展示骨架，所述步骤中像素腐蚀步骤为：若像素点满足特定条件，则将该像素点的像素变为0；若像素点不满足特定条件，则不对该像素点进行处理；
特定条件为包含以下任一条件的条件；
i)该像素点值为1；
ii)该像素点的八连通区域内部像素的像素值从0到1变换次数仅为1；八连通区域指的是从区域内每一象素出发，可通过八个方向，即上、下、左、右、左上、右上、左下、右下这八个方向的移动的组合，在不越出区域的前提下，到达区域内的任意象素。
iii)该像素点的八连通区域内部像素的像素值为1的个数大于2小于6；
iv)该像素点的四连通区域内部上、右、下三个像素中有一个像素的像素值为0，四连通区域指的是从区域内每一象素出发，可通过四个方向，即上、下、左、右这四个方向的移动的组合，在不越出区域的前提下，到达区域内的任意象素；
v)该像素点的四连通区域内部左、下、右三个像素中有一个像素的像素值为0。
根据快速并行细化算法对布格重力异常剩余图像中表现隐伏断层空间展布的特征体进行骨架提取，即通过对符合特定条件的像素进行腐蚀从而只展示骨架，
根据最小二乘方法对布格重力异常剩余图像中的骨架进行线性拟合，最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。
Claims (4)
1.一种根据布格重力异常图像提取隐伏断层的方法，其特征在于至少包括如下步骤：
(1)根据向上延拓的方法对布格重力异常剩余图像进行降噪预处理；
(2)构建U型卷积网络，并且根据U型卷积网络对布格重力异常剩余图像进行训练；
(3)创建交叉熵损失函数，并且利用交叉熵损失函数表示U型卷积网络实际输出概率与目标输出概率之间的相似度Loss，其计算公式为：
式中，
为模型预测样本为正例的概率，y为样本标签，正例样本取值为1，负例样本取值为0；
(4)标注布格重力异常剩余图像的前后背景，将布格重力异常剩余图像前景标注为0，背景标注为1；
(5)对布格重力异常剩余图像中单样本进行数据增强；
(6)根据快速并行细化算法对布格重力异常剩余图像中表现隐伏断层空间展布的特征体进行骨架提取，即通过对符合特定条件的像素进行腐蚀从而只展示骨架；
所述步骤(6)中像素腐蚀步骤为：若像素点满足特定条件，则将该像素点的像素变为0；若像素点不满足特定条件，则不对该像素点进行处理；
特定条件为包含以下任一条件的条件；
i)该像素点值为1；
ii)该像素点的八连通区域内部像素的像素值从0到1变换次数仅为1；
iii)该像素点的八连通区域内部像素的像素值为1的个数大于2小于6；
iv)该像素点的四连通区域内部上、右、下三个像素中有一个像素的像素值为0；
v)该像素点的四连通区域内部左、下、右三个像素中有一个像素的像素值为0；
(7)根据最小二乘方法对布格重力异常剩余图像中的骨架进行线性拟合。
2.根据权利要求1所述的根据布格重力异常图像提取隐伏断层的方法，其特征在于：所述步骤(1)中向上延拓即为计算高度大于布格重力异常剩余图像的原本高度。
3.根据权利要求1所述的根据布格重力异常图像提取隐伏断层的方法，其特征在于：所述步骤(2)中U型卷积网络包括编码器和解码器，编码器包括修正线性单元Xij，i＝1,2,3，……，n，j＝1,2,3，……，k、3×3的卷积层，位于最上层的修正线性单元X11通过3×3的卷积层与修正线性单元X12相连，修正线性单元X12通过3×3的卷积层与修正线性单元X13相连，以此类推，直至最上层最后一个修正线性单元X1k被连接；每层的最后一个修正线性单元Xik通过2×2最大池化与下一层第一个修正线性单元Xi1相连，解码器包括修正线性单元yi(k+j)，i＝1,2,3，……，n，j＝1,2,3，……，k、3×3的卷积层，同理，同一层的修正线性单元yi(k+1)通过3×3的卷积层与修正线性单元yi(k+2)相连，且每层的最后一个修正线性单元yi(k+k)通过2×2向上卷积与上一层第一个修正线性单元yi(k+1)相连，每层的最后一个修正线性单元Xik与该层第一个修正线性单元yi(k+1)相连。
4.根据权利要求1所述的根据布格重力异常图像提取隐伏断层的方法，其特征在于，所述步骤(5)中单样本通过如下方式进行数据增强：
(5.1)扭曲图像；
(5.2)以50％的概率旋转；
(5.3)以80％的概率水平翻转；
(5.4)以30％的概率垂直翻转；
(5.5)剪裁50％的区域；
(5.6)随机生成指定分辨率大小的图像；
(5.7)从管道里生成指定数量的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110625314.0A CN113421194B (zh) | 2021-06-04 | 2021-06-04 | 一种根据布格重力异常图像提取隐伏断层的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110625314.0A CN113421194B (zh) | 2021-06-04 | 2021-06-04 | 一种根据布格重力异常图像提取隐伏断层的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113421194A CN113421194A (zh) | 2021-09-21 |
| CN113421194B true CN113421194B (zh) | 2022-07-15 |
Family
ID=77713893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110625314.0A Active CN113421194B (zh) | 2021-06-04 | 2021-06-04 | 一种根据布格重力异常图像提取隐伏断层的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113421194B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学（武汉） | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104598553A (zh) * | 2014-12-31 | 2015-05-06 | 中国地质大学（武汉） | 一种复合式的地质图制图自动综合的方法 |
| JP2016085114A (ja) * | 2014-10-26 | 2016-05-19 | 滋樹 水谷 | 地熱資源評価に有用な重力及び磁力データ総合的解析方法 |
| CN105678843A (zh) * | 2016-01-12 | 2016-06-15 | 中国地质大学（武汉） | 一种混合体元地质体模型局部快速更新方法 |
| CN106886047A (zh) * | 2017-02-28 | 2017-06-23 | 中国地质大学（北京） | 一种接收函数和重力联合反演地壳厚度和波速比的方法 |
| CN108846835A (zh) * | 2018-05-31 | 2018-11-20 | 西安电子科技大学 | 基于深度可分离卷积网络的图像变化检测方法 |
| CN109902315A (zh) * | 2017-12-07 | 2019-06-18 | 核工业北京地质研究院 | 一种圈定隐伏花岗岩岩体深部边界的方法 |
| CN110703347A (zh) * | 2019-10-24 | 2020-01-17 | 中国石油化工股份有限公司 | 基于构造背景的重力断裂影像识别方法 |
| CN110888176A (zh) * | 2019-10-25 | 2020-03-17 | 东华理工大学 | 一种利用地面高精度重力测量的找矿方法 |
| CN111141698A (zh) * | 2019-12-30 | 2020-05-12 | 中国地质大学（北京） | 一种基于热红外比辐射率的岩性分类方法 |
| WO2020154562A1 (en) * | 2019-01-24 | 2020-07-30 | Caide Systems, Inc. | Method and system for automatic multiple lesion annotation of medical images |
| CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 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 |
| US10849585B1 (en) * | 2019-08-14 | 2020-12-01 | Siemens Healthcare Gmbh | Anomaly detection using parametrized X-ray images |
| AU2020103715A4 (en) * | 2020-11-27 | 2021-02-11 | Beijing University Of Posts And Telecommunications | Method of monocular depth estimation based on joint self-attention mechanism |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0821048D0 (en) * | 2008-11-18 | 2008-12-24 | Statoilhydro Asa | Method of processing measured data |
| US10884161B2 (en) * | 2015-03-04 | 2021-01-05 | Institute of Mineral Resources, Chinese Academy of Geological Sciences | Method for automatically extracting structural framework from potential field data |
| US10565707B2 (en) * | 2017-11-02 | 2020-02-18 | Siemens Healthcare Gmbh | 3D anisotropic hybrid network: transferring convolutional features from 2D images to 3D anisotropic volumes |
| CN112884036A (zh) * | 2021-02-09 | 2021-06-01 | 北京京能能源技术研究有限责任公司 | 一种锅炉受热面异常图像识别方法、标记方法及系统 |
-
2021
- 2021-06-04 CN CN202110625314.0A patent/CN113421194B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016085114A (ja) * | 2014-10-26 | 2016-05-19 | 滋樹 水谷 | 地熱資源評価に有用な重力及び磁力データ総合的解析方法 |
| CN104598553A (zh) * | 2014-12-31 | 2015-05-06 | 中国地质大学（武汉） | 一种复合式的地质图制图自动综合的方法 |
| CN105678843A (zh) * | 2016-01-12 | 2016-06-15 | 中国地质大学（武汉） | 一种混合体元地质体模型局部快速更新方法 |
| CN106886047A (zh) * | 2017-02-28 | 2017-06-23 | 中国地质大学（北京） | 一种接收函数和重力联合反演地壳厚度和波速比的方法 |
| CN109902315A (zh) * | 2017-12-07 | 2019-06-18 | 核工业北京地质研究院 | 一种圈定隐伏花岗岩岩体深部边界的方法 |
| CN108846835A (zh) * | 2018-05-31 | 2018-11-20 | 西安电子科技大学 | 基于深度可分离卷积网络的图像变化检测方法 |
| WO2020154562A1 (en) * | 2019-01-24 | 2020-07-30 | Caide Systems, Inc. | Method and system for automatic multiple lesion annotation of medical images |
| US10849585B1 (en) * | 2019-08-14 | 2020-12-01 | Siemens Healthcare Gmbh | Anomaly detection using parametrized X-ray images |
| CN110703347A (zh) * | 2019-10-24 | 2020-01-17 | 中国石油化工股份有限公司 | 基于构造背景的重力断裂影像识别方法 |
| CN110888176A (zh) * | 2019-10-25 | 2020-03-17 | 东华理工大学 | 一种利用地面高精度重力测量的找矿方法 |
| CN111141698A (zh) * | 2019-12-30 | 2020-05-12 | 中国地质大学（北京） | 一种基于热红外比辐射率的岩性分类方法 |
| CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 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 |
| AU2020103715A4 (en) * | 2020-11-27 | 2021-02-11 | Beijing University Of Posts And Telecommunications | Method of monocular depth estimation based on joint self-attention mechanism |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113421194A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898507B (zh) | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 | |
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
| CN107239751B (zh) | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 | |
| CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
| CN112149594B (zh) | 基于深度学习和高分辨率卫星影像的城市建设评估方法 | |
| CN110097101A (zh) | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 | |
| CN112699967B (zh) | 一种基于改进深度神经网络的远距离机场目标检测方法 | |
| Xia et al. | A novel algorithm for ship detection based on dynamic fusion model of multi-feature and support vector machine | |
| CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
| CN111241970A (zh) | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 | |
| Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
| CN111640116B (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
| CN113673586A (zh) | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 | |
| CN103871039A (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN102830404A (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
| CN106023221A (zh) | 基于非负低秩稀疏关联制图的遥感图像分割方法 | |
| CN113421194B (zh) | 一种根据布格重力异常图像提取隐伏断层的方法 | |
| CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
| CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及系统 | |
| CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
| Tian et al. | Semantic segmentation of remote sensing image based on GAN and FCN network model | |
| CN110378862A (zh) | 一种提高输电线路外破目标识别准确度的数据增强方法 | |
| CN112396582B (zh) | 一种基于Mask RCNN的均压环歪斜检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |