CN114119532A - 一种基于遥感影像与孪生神经网络的建筑物变化检测方法 - Google Patents

一种基于遥感影像与孪生神经网络的建筑物变化检测方法 Download PDF

Info

Publication number
CN114119532A
CN114119532A CN202111395778.3A CN202111395778A CN114119532A CN 114119532 A CN114119532 A CN 114119532A CN 202111395778 A CN202111395778 A CN 202111395778A CN 114119532 A CN114119532 A CN 114119532A
Authority
CN
China
Prior art keywords
remote sensing
sensing images
training
building
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
Application number
CN202111395778.3A
Other languages
English (en)
Inventor
马御棠
马仪
周仿荣
黑颖顿
代维菊
洪志湖
王山
刘兴涛
曹俊
胡锦
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202111395778.3A priority Critical patent/CN114119532A/zh
Publication of CN114119532A publication Critical patent/CN114119532A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及人工智能图像分割、目标检测和分类技术领域，尤其涉及一种基于遥感影像与孪生神经网络的建筑物变化检测方法，该方法包括：获取包含若干对遥感图像的数据集；将数据集分为训练集、验证集和测试集，并将其中的遥感图像分别进行剪裁；对剪裁训练集遥感图像进行训练，得到网络模型权重文件；根据网络模型权重文件对剪裁测试集遥感图像进行测试，得到建筑物变化结果。本方法具有自动化、智能化、快速化的优点，对于输入的前后时相的两幅经过辐射校正的遥感图像，只需将其输入算法接口进行预处理，然后传递给网络。本方法实现了前后时相遥感图像中变化建筑物的高效准确定位、端到端检测，部署后操作简单，对建筑物变化检测的结果可靠。

Description

一种基于遥感影像与孪生神经网络的建筑物变化检测方法
技术领域
本申请涉及人工智能图像分割、目标检测和分类技术领域，尤其涉及一种基于遥感影像与孪生神经网络的建筑物变化检测方法。
背景技术
地物变化与分类检测试验场建设需求：多时相图像数据的采集获取；可复现的物理地物变化；变化检测和变化分析；地物变化真值结果标准化输出。
地物变化场景分析单元主要实现卫星遥感图像变化检测的功能，分为两个部分：变化检测和变化分析。变化检测部分主要实现针对输入的多时相卫星遥感图像检测发生变化的区域。按照技术流程包括必要的几何校正和辐射校正等预处理、针对多时相卫星遥感图像面向像素的变化检测以及面向对象的变化检测；变化分析部分主要针对检测后可能的变化区域进行变化信息提取，在变化检测得到的结果图上鉴别出特定地物类别引起的那部分变化的像元，以及评估出此部分像元“变化”的程度。按照应用流程包括变化信息鉴别和变化信息定量评估，变化信息鉴别主要根据关注的地物类别和地物特性模型从变化检测结果中提取出相应的变化区域，变化信息定量评估主要是对各地物类别变化情况的进行定量描述方法，得到最终的变化评估结果。
面向像素多时相图像变化检测主要需要识别已变化的像素和未变化的像素。经典变化检测算法以不同时间所获取的图像作为输入，然后利用输入数据之间的差异产生差异图像，通过对差异图像中的像元进行判决，生成变化掩模。主要由三个主要步骤组成：1)预处理，主要包括几何配准或去噪；2)差异图像(DI)生成；3)识别已变化的像素和未变化的像素，其中关键是差异数据的获取和阈值选择，对于光学图像而言，通常需要从图像序列中提取变化矢量进行分析，对于SAR图像而言，由于SAR图像特殊的成像特性，通常基于SAR图像的统计分布进行似然比检验。近年来，深度学习已成为一种通过从数据中自动学习特征表示进行分类的流行方式。当前的深度学习方法通常由多个相互叠加的训练阶段组成，并且每个阶段通常由卷积滤波器组层、非线性处理层和特征池化层组成。
发明内容
本申请提供了一种基于遥感影像与孪生神经网络的建筑物变化检测方法，以解决传统方式在进行地物变化检测时，自动化、智能化、快速化不高的问题。
本申请解决上述技术问题所采取的技术方案如下：
一种基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，包括：
获取数据集，所述数据集包含若干对遥感图像；
将所述数据集分为训练集、验证集和测试集；
将所述训练集、所述验证集和所述测试集中的遥感图像分别进行剪裁，得到剪裁训练集遥感图像、剪裁验证集遥感图像和剪裁测试集遥感图像；
对所述剪裁训练集遥感图像进行训练，得到网络模型权重文件；
根据所述网络模型权重文件对所述剪裁测试集遥感图像进行测试，得到建筑物变化结果。
进一步的，对所述剪裁训练集遥感图像进行训练包括：
使用所述剪裁训练集遥感图像分别同时训练孪生网络中的每一个分支，得到两幅与所述剪裁训练集遥感图像相同尺寸的特征图；
分别比较两幅所述特征图，得到三通道distance map；
将所述三通道distance map与真值做多分类Focal Loss损失比较并反向传播。
进一步的，所述多分类Focal Loss损失的函数为
FL(pt)＝-αt(1-pt)γlog(pt)，
式中，γ和αt表示两个平衡正负样本的参数，pt表示像素的分类预测值。
进一步的，所述训练集包括若干对训练集遥感图像和与所述训练集遥感图像对应的标签，用于输入孪生神经网络，并对所述训练集进行网络训练。
进一步的，所述验证集包括若干对验证集遥感图像和与所述验证集遥感图像对应的标签，用于在对所述训练集进行网络训练时，验证loss与F1值来评价学习效果及收敛情况。
进一步的，所述测试集包括若干对测试集遥感图像和与所述测试集遥感图像对应的标签，用于在对所述训练集进行网络训练结束后，评价模型泛化能力。
进一步的，根据所述网络模型权重文件对所述剪裁测试集遥感图像进行测试，得到建筑物变化结果，还包括根据所述建筑物变化结果计算评价指标。
进一步的，所述建筑物变化结果包括建筑物增加和建筑物减少。
进一步的，在获取数据集后，对所述数据集包含的若干对遥感图像进行辐射矫正和大气矫正。
本申请提供的技术方案包括以下有益技术效果：
本申请提供的基于遥感影像与孪生神经网络的建筑物变化检测方法包括：获取数据集，该数据集包含若干对遥感图像；将数据集分为训练集、验证集和测试集；将训练集、验证集和测试集中的遥感图像分别进行剪裁，得到剪裁训练集遥感图像、剪裁验证集遥感图像和剪裁测试集遥感图像；对剪裁训练集遥感图像进行训练，得到网络模型权重文件；根据网络模型权重文件对剪裁测试集遥感图像进行测试，得到建筑物变化结果。本申请提供的建筑物变化检测方法，具有自动化、智能化、快速化的优点，对于输入的前、后时相的两幅经过辐射校正的遥感图像，只需将其输入算法接口进行预处理然后传递给网络。对于1024*1024分辨率的三通道图像，网络处理速度约为5600ms，最终输出相同分辨率增加和减少的建筑物的掩膜。本方法在天智杯建筑物变化测试集上F1指标达到67％，具有较强的鲁棒性。本方法实现了前后时相遥感图像中变化建筑物的高效准确定位、端到端检测，部署后操作简单，对建筑物变化检测的结果可靠。
附图说明
图1为本申请实施例提供的孪生神经网络结构图；
图2为本申请实施例提供的骨干网络框架和输入输出示意图；
图3为本申请实施例提供的前后时相遥感影像和检测的变化掩膜。
具体实施方式
为便于对申请的技术方案进行描述和理解，以下结合附图及实施例对本申请的技术方案作进一步的说明。
本申请实施例提供的基于遥感影像与孪生神经网络的建筑物变化检测方法，包括以下步骤：
首先，输入数据预处理阶段。参见图1，为本申请实施例提供的孪生神经网络结构图，数据来源为国产自主产权系列卫星，输入网络的数据集内包含5000对包含农田、森林和荒漠等非城市地区，经过了辐射校正和大气校正的L2级别遥感图像，格式为png，包含R、G、B三个波段，尺寸为1024*1024像素，分辨率为0.5-0.7米。真值标签包含对应等大小的增加标签和减少标签，代表建筑物的增加，减少情况，其中像素值为(0,0,0)代表没有建筑物发生变化，(0,0,255)代表建筑物增加，(255,0,0)代表建筑物减少。定义数据集中的3500对图像与其对应的标签为训练集，用于输入孪生网络进行训练；500对图像与标签为验证集，用于在训练时验证loss与F1值来评价学习效果及收敛情况；1000对图像与标签为测试集，用于在网络训练结束后评价模型泛化能力。
为了平衡有限算力与图像批量大小的关系，将尺寸为3*1024*1024的原数据图像与对应标签裁剪为16个3*256*256的图像输入网络，因此最终训练集包含56000对图像。同时对验证集与测试集进行相同的处理。
使用上述划分的训练集，分别同时训练孪生网络中的每一个分支，代码具体实现一个DLinkNet网络，两个分支同时对前后时相影像进行前向传播。
根据上一步骤，得到两幅和原图像同尺寸的特征图且通道数为3，分别比较其像素差异，得到3通道distance map，并与真值做多分类Focal Loss损失比较且反向传播。训练过程中使用验证集将每一代结果进行F1指标评价，最终得到训练好的网络模型权重文件。
根据上一步骤得到的网络模型权重文件对测试集进行测试，获得像素级别的建筑物增加、减少情况，并计算评价指标。
其中，在网络设计阶段，对于孪生网络的两个分支，使用合适的特征提取框架直接影响网络的性能。考虑到希望输出与原输入图像尺寸相同的特征图，UNet是一种经典且适用的图像分割网络。它将输入的图像进行若干次卷积和最大池化操作下采样获得高级语义信息，后通过上卷积(up-convolution)操作并连接对应下采样时保存的裁剪特征图恢复至略低于原始分辨率的高分辨率。但由于UNet面向的数据集的局限性，故网络设计也存在对特征提取不够充分的缺点。DLinkNet(如图1所示)基于UNet网络结构，并做了如下结构改进：
1.使用残差组件作为特征提取的骨干结构，大大提升了网络的深度，使得网络特征提取能力更加强大。
2.在网络的中心部分添加了带有短路连接的空洞卷积，扩大了感受野并融合了多尺度的信息，且上采样时连接了下采样时保存的裁剪特征图，大大减少了恢复分辨率时的信息损失。
这两个改进增强了整个网络的特征提取能力，且恢复的尺寸与原输入完全相同，更便于和数据集真值做比较，因此本申请实施例选用DLinkNet作为孪生网络分支的骨干。
两个前、后时相影像经过孪生网络特征提取骨干前向传播，生成两幅与原图像相同尺寸的特征图且通道数为3，然后计算特征图差异，故可以将孪生网络看作分类过程：差异图中每个像素可以被分类于增加、减少或不变。通过观察数据集真值，发现变化的区域和为变化区域之间有极端不平衡情况，增加、减少的建筑物区域远远小于未变化的区域，且后者非常容易分类。
损失函数的选择上，如果直接使用多分类交叉熵会出现明显的正负样本不平衡的情况。本申请实施例使用多分类Focal Loss作为损失函数，在处理遥感影像变化区域像素远远小于非变化区域像素的场景中，大大减轻正负样本分布不均导致的网络训练问题，该多分类Focal Loss损失函数为：
FL(pt)＝-αt(1-pt)γlog(pt)，
式中，γ和αt是两个平衡正负样本的参数，当γ＝0时，Focal Loss与交叉熵等价。当γ增大时，若一个像素的分类预测值pt接近1,则系数数(1-pt)γ减小，对损失的影响显著降低，可以使网络更好地学习不易分类的样本。
本申请实施例中所采用CPU为12核Intel i5-10500@3.10GHz；GPU为一张NvidiaGeForce3080；显存为10G；操作系统为Ubuntu 20.04.1LTS；使用Pytorch框架来实现和训练所提出的孪生网络模型。训练时，受限于显存大小，批量设置为10；优化方法使用Adam，固定学习率为3e-4，权值衰减为0。迭代次数为200次，直到损失不再下降且F1值不再上升，在完整训练集上训练共用时97小时。
本申请实施例提供的基于遥感影像与孪生神经网络的建筑物变化检测方法，相比以往的人为建筑物变化检测方法，该方法具有自动化、智能化、快速化的优点。对于输入的前、后时相的两幅经过辐射校正的L2级别遥感影像，只需将其输入算法接口，进行预处理然后传递给网络。对于1024*1024分辨率的三通道影像，网络处理速度约为5600ms，最终输出相同分辨率增加和减少的建筑物的掩膜，参见图3，为本申请实施例提供的前后时相遥感影像和检测的变化掩膜。本方法在天智杯建筑物变化测试集上F1指标达到67％，具有较强的鲁棒性，且实现了前后时相遥感图像中变化建筑物的高效准确定位、端到端检测，部署后操作简单，对建筑物变化的检测结果可靠。

Claims (9)

1.一种基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，包括：
获取数据集，所述数据集包含若干对遥感图像；
将所述数据集分为训练集、验证集和测试集；
将所述训练集、所述验证集和所述测试集中的遥感图像分别进行剪裁，得到剪裁训练集遥感图像、剪裁验证集遥感图像和剪裁测试集遥感图像；
对所述剪裁训练集遥感图像进行训练，得到网络模型权重文件；
根据所述网络模型权重文件对所述剪裁测试集遥感图像进行测试，得到建筑物变化结果。
2.根据权利要求1所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，对所述剪裁训练集遥感图像进行训练包括：
使用所述剪裁训练集遥感图像分别同时训练孪生网络中的每一个分支，得到两幅与所述剪裁训练集遥感图像相同尺寸的特征图；
分别比较两幅所述特征图，得到三通道distance map；
将所述三通道distance map与真值做多分类Focal Loss损失比较并反向传播。
3.根据权利要求2所述的基于遥感影像与神经网络的建筑物变化检测方法，其特征在于，所述多分类Focal Loss损失的函数为
FL(pt)＝-αt(1-pt)γlog(pt)，
式中，γ和αt表示两个平衡正负样本的参数，pt表示像素的分类预测值。
4.根据权利要求1所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，所述训练集包括若干对训练集遥感图像和与所述训练集遥感图像对应的标签，用于输入孪生神经网络，并对所述训练集进行网络训练。
5.根据权利要求4所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，所述验证集包括若干对验证集遥感图像和与所述验证集遥感图像对应的标签，用于在对所述训练集进行网络训练时，验证loss与F1值来评价学习效果及收敛情况。
6.根据权利要求4所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，所述测试集包括若干对测试集遥感图像和与所述测试集遥感图像对应的标签，用于在对所述训练集进行网络训练结束后，评价模型泛化能力。
7.根据权利要求1所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，根据所述网络模型权重文件对所述剪裁测试集遥感图像进行测试，得到建筑物变化结果，还包括根据所述建筑物变化结果计算评价指标。
8.根据权利要求7所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，所述建筑物变化结果包括建筑物增加和建筑物减少。
9.根据权利要求1所述的基于遥感影像与孪生神经网络的建筑物变化检测方法，其特征在于，在获取数据集后，对所述数据集包含的若干对遥感图像进行辐射矫正和大气矫正。
CN202111395778.3A 2021-11-23 2021-11-23 一种基于遥感影像与孪生神经网络的建筑物变化检测方法 Pending CN114119532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395778.3A CN114119532A (zh) 2021-11-23 2021-11-23 一种基于遥感影像与孪生神经网络的建筑物变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395778.3A CN114119532A (zh) 2021-11-23 2021-11-23 一种基于遥感影像与孪生神经网络的建筑物变化检测方法

Publications (1)

Publication Number Publication Date
CN114119532A true CN114119532A (zh) 2022-03-01

Family

ID=80440389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395778.3A Pending CN114119532A (zh) 2021-11-23 2021-11-23 一种基于遥感影像与孪生神经网络的建筑物变化检测方法

Country Status (1)

Country Link
CN (1) CN114119532A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661016A (zh) * 2022-12-08 2023-01-31 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台
CN116977747A (zh) * 2023-08-28 2023-10-31 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259853A (zh) * 2020-02-04 2020-06-09 中国科学院计算技术研究所 一种高分辨率遥感图像变化检测方法、系统及装置
WO2020191391A2 (en) * 2019-03-21 2020-09-24 Illumina, Inc. Artificial intelligence-based sequencing
CN112819792A (zh) * 2021-02-03 2021-05-18 杭州高斯洪堡科技有限公司 一种基于DualNet的城市区域变化检测方法
CN113469074A (zh) * 2021-07-06 2021-10-01 西安电子科技大学 基于孪生注意力融合网络的遥感图像变化检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020191391A2 (en) * 2019-03-21 2020-09-24 Illumina, Inc. Artificial intelligence-based sequencing
CN111259853A (zh) * 2020-02-04 2020-06-09 中国科学院计算技术研究所 一种高分辨率遥感图像变化检测方法、系统及装置
CN112819792A (zh) * 2021-02-03 2021-05-18 杭州高斯洪堡科技有限公司 一种基于DualNet的城市区域变化检测方法
CN113469074A (zh) * 2021-07-06 2021-10-01 西安电子科技大学 基于孪生注意力融合网络的遥感图像变化检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BO WU 等: "Change Detection of Grid Construction Based on Satellite Remote Sensing Images and Siamese Neural Network", 《2022 8TH ANNUAL INTERNATIONAL CONFERENCE ON NETWORK AND INFORMATION SYSTEMS FOR COMPUTERS (ICNISC)》, 19 September 2022 (2022-09-19), pages 366 - 375, XP034298729, DOI: 10.1109/ICNISC57059.2022.00078 *
YI LIU 等: "Building Change Detection for Remote Sensing Images Using a Dual-Task Constrained Deep Siamese Convolutional Network Model", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 18, no. 5, 31 December 2020 (2020-12-31), pages 811 - 815, XP011851229, DOI: 10.1109/LGRS.2020.2988032 *
王庆: "基于深度学习的遥感影像变化检测方法研究", 《中国博士学位论文全文数据库 基础科学辑》, no. 6, 15 June 2020 (2020-06-15), pages 008 - 32 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661016A (zh) * 2022-12-08 2023-01-31 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台
CN116977747A (zh) * 2023-08-28 2023-10-31 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法
CN116977747B (zh) * 2023-08-28 2024-01-23 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法

Similar Documents

Publication Publication Date Title
CN111738124B (zh) 基于Gabor变换和注意力的遥感图像云检测方法
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110598600A (zh) 一种基于unet神经网络的遥感图像云检测方法
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN114119532A (zh) 一种基于遥感影像与孪生神经网络的建筑物变化检测方法
CN115830471B (zh) 一种多尺度特征融合和对齐的域自适应云检测方法
CN116342894B (zh) 基于改进YOLOv5的GIS红外特征识别系统及方法
CN114255403A (zh) 基于深度学习的光学遥感图像数据处理方法及系统
CN111401107A (zh) 基于特征融合神经网络的多模态人脸识别方法
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN115239672A (zh) 缺陷检测方法及装置、设备、存储介质
CN117475236B (zh) 用于矿产资源勘探的数据处理系统及其方法
CN112149526B (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN111723852A (zh) 针对目标检测网络的鲁棒训练方法
CN111815526A (zh) 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统
CN114155165A (zh) 一种基于半监督的图像去雾方法
CN113989256A (zh) 遥感图像建筑物的检测模型优化方法及检测方法、装置
CN117853942A (zh) 用于云雾的识别方法、云雾识别装置及云雾识别系统
CN115100491B (zh) 一种面向复杂自动驾驶场景的异常鲁棒分割方法与系统
CN113609913B (zh) 一种基于采样阈值区间加权的松材线虫病树检测方法
CN115937565A (zh) 基于自适应l-bfgs算法的高光谱图像分类方法
CN113011446B (zh) 一种基于多源异构数据学习的智能目标识别方法

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