CN114821337B - 基于时相一致性伪标签的半监督sar图像建筑区提取方法 - Google Patents
基于时相一致性伪标签的半监督sar图像建筑区提取方法 Download PDFInfo
- Publication number
- CN114821337B CN114821337B CN202210553829.9A CN202210553829A CN114821337B CN 114821337 B CN114821337 B CN 114821337B CN 202210553829 A CN202210553829 A CN 202210553829A CN 114821337 B CN114821337 B CN 114821337B
- Authority
- CN
- China
- Prior art keywords
- image
- prediction
- building area
- data
- semi
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本发明提供的是一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,本发明利用时间序列SAR图像中的语义不变性获取一致性约束,将不同时间点的SAR图像间的非语义变化看作是天然数据增强的结果,同时对两个支路的模型使用不同的初始化参数,构造模型参数层面的扰动,数据和模型层面的扰动能够增强模型预测的稳定性和对数据噪声的鲁棒性。本发明采用的基于时相一致性伪标签的半监督SAR图像建筑区提取方法,能够有效利用无标注SAR图像序列中的信息,得到更好的建筑区提取效果。
Description
技术领域
本发明属于图像处理技术领域,特别涉及基于时相一致性伪标签的半监督SAR图像建筑区提取方法。
背景技术
随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的发展,SAR图像的解译成为大量研究工作的重点。SAR具有全天时、全天候观测的优势,在各领域有着广泛的应用。传统的SAR图像建筑区提取采用人为设计的特征或者对SAR图像的数据分布进行建模的方法,鲁棒性较低,而由于SAR图像的标注较为困难,目前缺乏公开的大规模建筑区提取数据集,这限制了基于深度神经网络的SAR图像建筑区提取方法的发展。半监督学习方法利用无标注数据中的信息优化模型,能够有效地缓解标注数据缺乏的问题,但是目前半监督学习方法在普通光学图像上已经有较多的研究,也取得了较多的成果,但是专门针对于SAR图像的半监督学习建筑区提取方法还未见公开研究发表。时间序列SAR图像是拍摄于同一地域不同时间的图像,当时间间隔较短时,其语义信息能够保持一致性,但是由于传感器噪声等各种因素的干扰,不同时间点图像在灰度上会存在一些差异,如图1所示,这可以看为是一种天然的数据增强方式。由于SAR图像的成像机理和普通光学图像存在较大差异,数据分布与光学图像不同,直接将光学图像中的半监督学习方法应用于SAR图像难以取得令人满意的效果。总的来说,基于半监督学习的SAR图像建筑区提取还尚未解决,存在以下两点挑战:(1)SAR图像和普通光学图像成像机理不同,光学图像中的半监督建筑区提取方法大多通过对输入图像施加不同数据增强的方式获取一致性约束,直接应用在SAR图像中会改变SAR图像中的数据分布,导致模型效果下降;(2)现有的SAR图像半监督学习方法尚未有效利用时相一致性信息。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,该方法能够更好地利用无标注SAR图像中的信息,以更高的精度实现SAR图像建筑区提取。
本发明提供的基于时相一致性伪标签的半监督SAR图像建筑区提取方法,包括以下具体步骤:
步骤1:将有标注的SAR图像数据同时输入到两支路具有相同结构,但是不同初始化参数的深度卷积神经网络Gθ1(·)和Gθ2(·)中,得到两个网络的预测结果,即将有标注SAR图像Il同时输入两个深度神经网络得到预测结果p2=Gθ2(Il);其中θ1和θ2分别为第一支路和第二支路网络的参数。
步骤2:计算两个支路网络输出结果与人工标注间的损失函数其中W和H分别为输入图像的宽和高,i为像素点的编号,p1i和p2i分别为第一个支路网络和第二个支路网络对输入图像第i个像素点的预测输出,/>为输入数据中的第i个数据点的人工标签,lce为交叉熵损失函数,其表达式为lce=ylny'+(1-y)ln(1-y')其中y为数据标签,y'为网络预测结果。
步骤3:将无标注的时间序列SAR图像随机平均划分,得到两组无标注输入图像,即将具有n个时间点的时间序列SAR图像划分为两组分别为Iu1和Iu2,其中Iu1和Iu2的图像数量均为/>
步骤4:将步骤3中随机划分的两组无标注数据分布输入到两个不同支路,得到每个时相图像的预测结果,即将图像Iu1和图像Iu2分别入网络Gθ1(·)和Gθ2(·)中,得到预测概率输出
步骤5:对步骤4中无标注数据的网络预测概率输出进行评估,对于每个像素点,如果其预测类别的概率最大值大于设定的阈值θ1,则该点为有效预测点;对于每张图像的预测结果,如果有效预测点的比例大于设定的阈值θ2,则该预测结果为有效预测;
步骤6:将无标注数据的有效预测输出转化为伪标签,对于第t个时间点的图像,其伪标签由所有其他时间点的有效预测概率进行平均后,取每个像素点概率最大的类别作为该像素点的类别,即其中h和w代表像素点位置,c代表预测类别,t和τ代表时间序列编号。
步骤7:计算无标注图像序列每个时间点图像的预测输出和伪标签之间的时相一致性损失函数,即其中t代表时间序列标号,W和H分别为输入图像的宽和高,/>为第t个时间点图像在第i个位置上的伪标签,lce为交叉熵损失函数。
步骤8:计算标注数据和无标注数据的总损失函数,并通过反向传播算法更新模型参数,即其中λ为调节监督损失和无监督损失权重的参数,监督损失使模型具备预测像素点是否为建筑区类别的能力,无监督损失利用一致性正则化原则,使得模型的预测更为稳定,且对噪声更为鲁棒。
步骤9:经过上述步骤训练得到的模型Gθ1(·)和Gθ2(·),在推理阶段,对于输入图像I,只使用其中的一个模型即可得到预测结果,即为模型的预测结果,对于每一个像素点预测是否为“建筑区”类别。
步骤10:将图像中预测为“建筑区”类别的像素点集合提取为建筑区域。
本发明的原理是:利用时间序列SAR图像中的语义不变性获取一致性约束,将不同时间点的SAR图像间的非语义变化看作是天然数据增强的结果,同时对两个支路的模型使用不同的初始化参数,构造模型参数层面的扰动,数据和模型层面的扰动能够增强模型预测的稳定性和对数据噪声的鲁棒性。
与现有技术相比,本发明的优点和有益效果如下:本发明提供的是一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,该方法利用了深度卷积神经网络提取SAR图像中的建筑区域,并利用无标注时间序列SAR图像中的语义一致性约束构造伪标签优化模型参数,提高模型性能。网络的输入包括有标注的SAR图像和无标注时间序列SAR图像,无标注的SAR图像序列具有语义一致性;网络框架包括两个结构一致,但是具有不同初始化参数的建筑区提取网络支路,伪标签生成与评估模块。在模型训练过程中,对于有标注图像,网络采用监督学习方式优化网络参数;对于无标注图像序列,首先将图像序列随机划分为两组,分别输入两个建筑区提取网络,得到每张图像的预测输出;然后对于序列中任一图像,将序列中其他图像的预测结果经评估合格后作为该图像的伪标签;最后计算任一图像与其对应伪标签的损失函数,并优化网络参数。在模型的推理阶段,只需使用两个网络支路中的其中一路网络即可。本发明采用的基于时相一致性伪标签的半监督SAR图像建筑区提取方法,能够有效利用无标注SAR图像序列中的信息,得到更好的建筑区提取效果。
附图说明
图1不同时相SAR图像示例。
图2为本发明所用的半监督学习框架流程图。
具体实施方式
本发明提供了一种时相一致性伪标签的半监督SAR图像建筑区提取方法。为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图对本发明进一步详细说明。
步骤1:如图2所示,对于有标注的SAR图像数据,将其同时输入到两路具有相同结构,但是不同初始化参数的深度卷积神经网络Gθ1(·)和Gθ2(·)中,得到两个网络的预测结果。网络框架中的两个网络模型采用一般的语义分割网络如DeepLabV3+构成,并使用不同的随机参数进行初始化。
步骤2:计算有标注数据两个支路网络输出结果与人工标注间的损失函数,此部分为监督损失函数,使得网络能够具备区分建筑区和非建筑区的能力。
步骤3:对于无标注的时间序列SAR图像将其随机平均划分,得到两组无标注输入图像分别为Iu1和Iu2,两组无标注图像的数量相同,使得两个支路网络的参数对应的训练数据相等。
步骤4:将步骤3中随机划分的两组无标注数据分布输入到两个不同支路,得到每个时相图像的预测结果,即将图像Iu1和Iu2分别输入网络Gθ1(·)和Gθ2(·)中,得到预测概率输出,概率输出中预测了每一个像素点被预测为各个类别的概率。
步骤5:对步骤4中无标注数据的网络预测概率输出进行评估,对于每个像素点,如果其预测类别的概率最大值大于设定的阈值θ1,则该点为有效预测点;对于每张图像的预测结果,如果有效预测点的比例大于设定的阈值θ2,则该预测结果为有效预测;阈值可以根据不同的数据设置为不同的值,在实验中,θ1和θ2的值根据经验值分别设置为0.8和0.7。
步骤6:通过伪标签生成模块,将无标注数据的有效预测输出转化为伪标签,每一个时间点图像生成一个对应的伪标签。即对于第t个时间点的图像,将其他所有时间点的有效预测概率进行平均后,得到平均预测概率,然后将平均预测概率中每个像素点概率最大的类别作为该像素点的类别,即其中h和w代表像素点位置,c代表预测类别,t和τ代表时间序列编号。
步骤7:计算无标注图像序列中每个时间点图像的预测输出和伪标签之间的时相一致性损失函数,即其中t代表时间序列标号,W和H分别为输入图像的宽和高,/>为第t个时间点图像在第i个位置上的伪标签,lce为交叉熵损失函数。通过利用其他时间点图像的预测作为伪标签,要求网络对于不同时间点的图像具有一致的预测,体现了一致性正则化的原则。
步骤8:计算标注数据和无标注数据的总损失函数其中λ为调节监督损失和无监督损失权重的参数,监督损失使模型具备预测像素点是否为建筑区类别的能力,无监督损失利用一致性正则化原则,使得模型的预测更为稳定,且对噪声更为鲁棒。通过反向传播算法更新两个支路模型的参数,即两个模型分别使用步骤3中分配到的数据计算的损失函数来更新参数,使用动量值为0.9,权重衰减值为0.01的随机梯度下降(Stochastic Gradient Descent,SGD)优化器,初始学习率为0.01,并使用指数变换学习率衰减策略调整学习率的大小。
步骤9:经过上述步骤训练得到的模型Gθ1(·)和Gθ2(·),在推理阶段,对于输入图像I,只使用其中的一个模型即可得到预测结果,即模型对于输入图像的每一个像素点预测是否为“建筑区”类别的概率,选择概率较大的类别作为预测输出的类别。
步骤10:将图像中预测为“建筑区”类别的像素点集合提取为建筑区域。
在实验过程中,使用TCSBD数据集进行模型的训练和测试。TCSBD数据集是专为半监督SAR图像建筑区提取任务构建的数据集,包含Cosmos-SkyMed卫星拍摄于武汉地区和TerraSAR-X卫星拍摄于深圳地区的数据。其中武汉地区和深圳地区数据各包含精确标注的SAR图像500张,无标注的时间序列SAR图像500组,每组4张,共2000张,每组具有语义一致性,图像大小均为512×512像素。在实验过程中,监督学习方法仅使用有标注数据训练模型,半监督学习方法在使用相同数量的有标注数据外,还使用全部的无标注数据参与训练。。对建筑区提取精度的度量,本方法采用的评价指标为:平均交并比(mIoU)和总体准确率(OA)。在武汉和深圳地区使用不同比例标注数据的情况下,监督学习和半监督学习方法的实验结果分别如表1、表2、表3和表4所示。由建筑区提取的定量分析和定性分析可知,本方法能够有效提升模型的建筑区提取的精度,取得比监督学习更好的效果。
表1武汉地区数据实验mIoU结果
表2武汉地区数据实验OA结果
表3深圳地区数据实验mIoU结果
表4深圳地区数据实验OA结果
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于,包括以下步骤:
步骤1,将有标注的SAR图像数据同时输入到两个具有相同结构的支路网络中Gθ1(·)和Gθ2(·),两个支路网络的初始化参数不同,得到两个网络的预测结果;
步骤2,计算两个支路网络输出结果与人工标注间的损失函数;
步骤3,将无标注的时间序列SAR图像随机平均划分,得到两组无标注输入图像;
步骤4,将步骤3中随机划分的两组无标注数据分布输入到两个不同支路,得到每个时相图像的预测结果,即预测概率输出;
步骤5,对步骤4中无标注数据的网络预测概率输出进行评估,对于每个像素点,如果其预测类别的概率最大值大于设定的阈值θ1,则该点为有效预测点;对于每张图像的预测结果,如果有效预测点的比例大于设定的阈值θ2,则该预测结果为有效预测;
步骤6,通过伪标签生成模块,将无标注数据的有效预测输出转化为伪标签,每一个时间点图像生成一个对应的伪标签,对于第t个时间点的图像,将其他所有时间点的有效预测概率进行平均后,得到平均预测概率,然后将平均预测概率中每个像素点概率最大的类别作为该像素点的类别;
步骤7,计算无标注图像序列每个时间点图像的预测输出和伪标签之间的时相一致性损失函数;
步骤8,计算标注数据和无标注数据的总损失函数,并通过反向传播算法更新模型参数;
步骤9,经过上述步骤训练得到的模型Gθ1(·)和Gθ2(·),在推理阶段,对于输入图像I,只使用其中的一个模型即可得到预测结果,即模型对于输入图像的每一个像素点预测各个类别的概率,选择概率最大的类别作为预测输出的类别;
步骤10,将图像中预测为“建筑区”类别的像素点集合提取为建筑区域。
2.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于:步骤2中两个支路网络输出结果与人工标注间的损失函数为:
其中W和H分别为输入图像的宽和高,i为像素点的编号,p1i和p2i分别为第一个支路网络和第二个支路网络对输入图像第i个像素点的预测输出,为输入数据中的第i个数据点的人工标签,lce为交叉熵损失函数,其表达式为lce=ylny'+(1-y)ln(1-y'),其中y为数据标签,y'为网络预测结果。
3.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于:步骤6中,确定伪标签中每个像素点类别的计算公式为其中h和w代表像素点位置,c代表预测类别,t和τ代表时间序列编号。
4.如权利要求2所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于:步骤7中,无标注图像序列每个时间点图像的预测输出和伪标签之间的时相一致性损失函数,即其中t代表时间序列标号,W和H分别为输入图像的宽和高,/>为第t个时间点图像在第i个位置上的伪标签,lce为交叉熵损失函数。
5.如权利要求4所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于:步骤8中,标注数据和无标注数据的总损失函数即其中λ为调节监督损失和无监督损失权重的参数,监督损失使模型具备预测像素点是否为建筑区类别的能力,无监督损失利用一致性正则化原则,使得模型的预测更为稳定,且对噪声更为鲁棒。
6.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于:步骤8中,通过反向传播算法更新两个支路网络的参数,即两个网络分别使用步骤3中分配到的数据计算的损失函数来更新参数,使用动量值为0.9,权重衰减值为0.01的随机梯度下降、优化器,初始学习率为0.01,并使用指数变换学习率衰减策略调整学习率的大小。
7.如权利要求1所述的一种基于时相一致性伪标签的半监督SAR图像建筑区提取方法,其特征在于:步骤5中,θ1和θ2的值根据经验值分别设置为0.8和0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210553829.9A CN114821337B (zh) | 2022-05-20 | 2022-05-20 | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210553829.9A CN114821337B (zh) | 2022-05-20 | 2022-05-20 | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821337A CN114821337A (zh) | 2022-07-29 |
CN114821337B true CN114821337B (zh) | 2024-04-16 |
Family
ID=82517493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210553829.9A Active CN114821337B (zh) | 2022-05-20 | 2022-05-20 | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821337B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263845A (zh) * | 2019-06-18 | 2019-09-20 | 西安电子科技大学 | 基于半监督对抗深度网络的sar图像变化检测方法 |
WO2021203796A1 (zh) * | 2020-04-09 | 2021-10-14 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测系统 |
CN114332135A (zh) * | 2022-03-10 | 2022-04-12 | 之江实验室 | 一种基于双模型交互学习的半监督医学图像分割方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11087228B2 (en) * | 2015-08-12 | 2021-08-10 | Bae Systems Information And Electronic Systems Integration Inc. | Generic probabilistic approximate computational inference model for streaming data processing |
-
2022
- 2022-05-20 CN CN202210553829.9A patent/CN114821337B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263845A (zh) * | 2019-06-18 | 2019-09-20 | 西安电子科技大学 | 基于半监督对抗深度网络的sar图像变化检测方法 |
WO2021203796A1 (zh) * | 2020-04-09 | 2021-10-14 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测系统 |
CN114332135A (zh) * | 2022-03-10 | 2022-04-12 | 之江实验室 | 一种基于双模型交互学习的半监督医学图像分割方法及装置 |
Non-Patent Citations (1)
Title |
---|
一种结合GAN和伪标签的深度半监督模型研究;杨灿;;中国科技信息;20200901(17);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114821337A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks | |
WO2023087558A1 (zh) | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 | |
CN110598029A (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
CN112132149B (zh) | 一种遥感影像语义分割方法及装置 | |
CN110674323B (zh) | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN116644755B (zh) | 基于多任务学习的少样本命名实体识别方法、装置及介质 | |
Jing et al. | AutoRSISC: Automatic design of neural architecture for remote sensing image scene classification | |
Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
CN113469186A (zh) | 一种基于少量点标注的跨域迁移图像分割方法 | |
CN113723572B (zh) | 船只目标识别方法、计算机系统及程序产品、存储介质 | |
CN116306793A (zh) | 一种基于对比孪生网络的具有目标任务指向性的自监督学习方法 | |
Wang et al. | Lightweight deep neural networks for ship target detection in SAR imagery | |
CN114708637A (zh) | 一种基于元学习的人脸动作单元检测方法 | |
Cheng et al. | Water quality monitoring method based on TLD 3D fish tracking and XGBoost | |
CN113590971A (zh) | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 | |
CN114821337B (zh) | 基于时相一致性伪标签的半监督sar图像建筑区提取方法 | |
CN115761654B (zh) | 一种车辆重识别方法 | |
CN116580243A (zh) | 一种掩码图像建模引导域适应的跨域遥感场景分类方法 | |
Chen et al. | DGCNN network architecture with densely connected point pairs in multiscale local regions for ALS point cloud classification | |
CN115640901A (zh) | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 | |
CN116148864A (zh) | 一种基于DyConvGRU和Unet的预测细化结构的雷达回波外推方法 | |
Yan et al. | ASMEvoNAS: Adaptive segmented multi-objective evolutionary network architecture search | |
Jing et al. | NASABN: A neural architecture search framework for attention-based networks | |
Sun et al. | Distilling Siamese Trackers with Attention Mask |
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 |