CN115546656A - 一种基于深度学习的遥感影像养殖区域提取方法 - Google Patents
一种基于深度学习的遥感影像养殖区域提取方法 Download PDFInfo
- Publication number
- CN115546656A CN115546656A CN202211119318.2A CN202211119318A CN115546656A CN 115546656 A CN115546656 A CN 115546656A CN 202211119318 A CN202211119318 A CN 202211119318A CN 115546656 A CN115546656 A CN 115546656A
- Authority
- CN
- China
- Prior art keywords
- image
- channels
- convolution
- layer
- convolution kernel
- 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
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
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及遥感影像技术领域,特别涉及一种基于深度学习的遥感影像养殖区域提取方法,包括:获取若干景高分二号遥感图像数据,对遥感图像数据进行遥感图像预处理,包括地理校正、辐射定标、大气校正和图像裁剪,针对不同养殖区域对S2中图像裁剪后的数据进行标注,对标注后的数据按照8:2的比例分割成训练集、验证集,基于训练集构建深层神经网络模型,将验证集输入S4中训练完的深层神经网络模型中,得到分类后的养殖区域结果。本发明的有益效果是:鲁棒性强,抗环境干扰能力强,兼具底层和高层特征,有效提取养殖区域,具有较强的抗环境干扰能力,针对不同地区、类别的养殖区域适应性好,采用像素分类,识别精确性高。
Description
技术领域
本发明涉及遥感影像技术领域,特别涉及一种基于深度学习的遥感影像养殖区域提取方法。
背景技术
养殖区域提取主要是指从遥感影像中,利用适当的目标提取方法,自动提取养殖区域的流程。高效、准确地对养殖区域面积、范围进行监测,对于科学规划养殖面积,减少海洋环境承载压力等方面具有重要意义,因此养殖区域检测具有重要研究意义。
随着我国遥感技术的发展,国产卫星产品已经广泛应用于环境监测、测绘制图等多个领域,同时越来越多地区开始关注针对近海养殖区域的遥感监测方法。基于高分辨率遥感影像的养殖区域监测技术主要利用高分辨率卫星传感器采集地面数据,然后对获取到的遥感影像进行特征分析,构建决策模型从而提取养殖区域范围,获取养殖区域面积。
基于高分辨率遥感影像的养殖区域提取方法主要利用了养殖区域的形态,例如边缘、纹理、形状、亮度等作为特征,然后基于这些特征对影像中的养殖区域进行初步提取,在利用数字图像处理手段(SIFT、小波变换等)对养殖区域进行精细化提取。
但养殖区域的形态学特征是依赖人工设计的底层特征,具有较低的语义性,会对相似特征的目标产生误判,同时基于数字图像的识别方式鲁棒性差,抵抗环境和光学干扰的能力弱,在不同光照和风浪情景的图像之间普适性差。
发明内容
本发明提出了一种基于深度学习的遥感影像养殖区域提取方法,解决现有技术中,养殖区域遥感影像提取鲁棒性差、普适性差的问题。
一种基于深度学习的遥感影像养殖区域提取方法,包括:
S1、获取若干景高分二号遥感图像数据;
S2、对遥感图像数据进行遥感图像预处理,包括地理校正、辐射定标、大气校正和图像裁剪;
S3、针对不同养殖区域对S2中图像裁剪后的数据进行标注,对标注后的数据按照8:2的比例分割成训练集、验证集;
S4、基于训练集构建深层神经网络模型;
S5、将验证集输入S4中训练完毕的深层神经网络模型中,得到分类后的养殖区域结果。
优选地,S3中,使用多边形标注工具进行标注,根据不同养殖区域的特征将养殖区域分为三类,对于非目标的其他像素统一标注为一类。
优选地,S4中,构建深层神经网络结构包括使用残差层增加训练梯度、使用空洞金字塔池化获取多尺度信息和导入输出层还原分类结果;
对深层神经网络模型设置超参数,基于训练集对深层神经网络模型进行训练,使用随机梯度下降算法迭代求解能最小化损失函数的网络参数。
优选地,S4中,深层神经网络模型包括残差层、空洞金字塔和输出层;
480×480×3的图像为输入时,将图像输入残差层进行四次下采样,提升图像的通道数且增加特征数量,得到60×60×2048的第一特征图,将第一特征图输入空洞金字塔提取并融合特征,得到60×60×256的第二特征图,将第二特征图输入到输出层得到60×60×num_class的分类后图像,再进行二次线性插值得到480×480×num_class的图像,即为对养殖区域的分类预测结果。
优选地,S4中,所述残差层使用残差网络对输入图像进行特征提取,分为五层:
在第一层中,使用0对图像进行3×3填充,然后使用7×7的卷积核,选取步长为2对图像进行卷积,使图像下采样到原本尺寸的1/2,并将通道数扩充至64,之后对图像进行最大池化,进一步将图像下采样至原本尺寸的1/4;
第二层由三个结构相同的残差单元构成,该残差单元首先使用1×1的卷积核将图像通道数下降为64,然后使用3×3的卷积核提取图像特征信息,最后使用1×1的卷积核将图像通道数扩展为256,并计算残差作为输出;
在三个相同的残差单元中重复三次,该层中所有卷积均设置步长为1,输出尺寸仍为原图像尺寸1/4,通道数为256的图像;
第三层由四个结构相同的残差单元构成,该残差单元首先使用1×1的卷积核将图像通道数下降至128,然后使用3×3的卷积提取图像特征,最后使用1×1的卷积核将图像通道数设置为512,并计算残差作为输出;
在四个相同的残差单元中重复四次,其中第一个残差单元中卷积步长设置为2,输出图像下采样为原图尺寸的1/8,通道数为512;
第四层由一个瓶颈层和五个相同的残差单元构成,瓶颈层首先使用1×1的卷积核将图像通道数下降至256,然后使用膨胀系数为1的3×3的卷积提取图像特征,最后使用1×1的卷积核将图像通道数提升为1024,并计算残差作为输出;
残差单元首先使用1×1的卷积核将图像通道数下降至256,然后使用膨胀系数为2的3×3的卷积核做膨胀卷积提取更大尺度图像特征,最后使用1×1的卷积核将图像通道数设置为1024,并计算残差作为输出,在五个相同的残差单元中重复五次,没有进一步下采样,输出图像为原图尺寸的1/8,通道数为1024;
第五层由一个瓶颈层和两个相同的残差单元构成,瓶颈层首先使用1×1的卷积核将图像通道数下降至512,然后使用膨胀系数为2的3×3的卷积核进行膨胀卷积进一步提取图像特征,最后使用1×1的卷积核将图像通道数提升为2048,并计算残差作为输出;
残差单元首先使用1×1的卷积核将图像通道数下降至512,然后使用膨胀系数为4的3×3的卷积核做膨胀卷积提取更大尺度图像特征,最后使用1×1的卷积核将图像通道数设置为2048,并计算残差作为输出,在两个相同的残差单元中重复两次,没有进一步下采样,输出图像为原图尺寸的1/8,通道数为2048。
优选地,S4中,空洞金字塔包括五个并行的分支:
第一分支由无填充、膨胀系数为1、步长为1的1×1卷积层构成;
第二分支使用0对图像进行12×12填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为12对图像进行膨胀卷积;
第三分支使用0对图像进行24×24填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为24对图像进行膨胀卷积;
第四分支使用0对图像进行36×36填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为36对图像进行膨胀卷积;
第五分支对输入图像进行全局平均池化提取每个通道上的高层信息,之后使用二次线性插值将图像尺寸还原。
优选地,S4中,输出层首先使用3×3的卷积将空洞金字塔输出的五个并行的分支连接成为一个尺寸为原图1/8,通道数为1280的特征图像,之后使用一个1×1卷积,改变输出通道数为num_class,再将num_class张特征图使用二次线性插值的方式将图像上采样八倍得到和输入图像尺寸一致的分类结果图。
优选地,所有卷积层均采用relu激活函数。
优选地,残差的定义为:res=f(x)+x,其中,res表示残差值,f(x)表示卷积层输出值,x表示卷积层输入值。
与现有技术对比,本发明的有益效果是:
1.鲁棒性强,抗环境干扰能力强,基于深度学习方法,利用深层卷积神经网络对高分辨率遥感影像中养殖区域的不同尺度特征进行提取,兼具底层和高层特征,有效提取养殖区域,具有较强的抗环境干扰能力;
2.针对不同地区、类别的养殖区域适应性好,容纳了来自全国各地的养殖区域数据,加强了针对全国各地不同形态样养殖网箱的适应性,可以灵活有效地检测来自全国沿海的数据;
3.采用像素分类,识别精确性高,使用了语义分割模型,针对待识别的图像采用了像素尺度的分类,相比起使用最小四边形定位目标的算法能够更准确的识别养殖区域。
附图说明
图1为本发明实例基于深度学习的遥感影像养殖区域提取流程图;
图2为本发明实例使用的神经网络模型结构图;
图3为空洞金字塔的结构图;
图4为瓶颈层的第一部分;
图5为瓶颈层的第二部分;
图6为本发明实例残差单元结构图。
具体实施方式
下面结合具体实施例对本发明的具体实施方式做进一步说明:
一种基于深度学习的遥感影像养殖区域提取方法,如图1,包括:
S1、获取若干景高分二号遥感图像数据;
数据来源于国家资源卫星中心,数据源需满足空间分辨率要求及观测时间范围的要求。高分二号卫星是我国自主研制的民用光学遥感卫星,它的空间分辨率可高于1米,配备了高分辨率1米全色和4米多光谱传感器,因此,其亚米级的空间分辨率和定位的高精确性满足实际对数据源的空间分辨率需求。选择分辨率4米的多光谱传感器数据若干景,作为训练样本的原始数据。使用目视解译法对数据进行甄别,获取的数据主要拍摄地点是海洋,其中一部分应包含养殖区域,另一部分则应不包含养殖区域,用以增加模型鲁棒性。
S2、对遥感图像数据进行遥感图像预处理,包括地理校正、辐射定标、大气校正和图像裁剪;地理校正可以使数据的经纬度信息与真实地物匹配正确,由此获得地理位置正确、光谱准确度较高、地物特征较为明显的遥感图像,辐射定标和大气校正则使图像中的像元的光谱准确度提高,继而使养殖区的特征变得明显,遥感图像预处理可以为后续工作排除不必要的误差。为了减少模型训练时的显存占用,将处理后的图像裁剪为1000*1000像素大小。
S3、针对不同养殖区域对S2中图像裁剪后的数据进行标注,对标注后的数据按照8:2的比例分割成训练集、验证集;
S4、基于训练集构建深层神经网络模型;
S5、将验证集输入S4中训练完毕的深层神经网络模型中,得到分类后的养殖区域结果。
S3中,使用多边形标注工具进行标注,根据不同养殖区域的特征将养殖区域分为“raft”,”fishry”,”deep_fishry”三类,对于非目标的其他像素统一标注为“background”一类。
S4中,构建深层神经网络结构包括使用残差层增加训练梯度、使用空洞金字塔池化获取多尺度信息和导入输出层还原分类结果;
对深层神经网络模型设置超参数,基于训练集对深层神经网络模型进行训练,使用随机梯度下降算法迭代求解能最小化损失函数的网络参数。
S4中,深层神经网络模型如图2,包括残差层(如图6)、空洞金字塔(如图3)和输出层;
480×480×3的图像为输入时,将图像输入残差层进行四次下采样,提升图像的通道数且增加特征数量,得到60×60×2048的第一特征图,将第一特征图输入空洞金字塔提取并融合特征,得到60×60×256的第二特征图,将第二特征图输入到输出层得到60×60×num_class的分类后图像,再进行二次线性插值得到480×480×num_class的图像,即为对养殖区域的分类预测结果。
S4中,所述残差层使用残差网络对输入图像进行特征提取,分为五层:
在第一层中,使用0对图像进行3×3填充,然后使用7×7的卷积核,选取步长为2对图像进行卷积,使图像下采样到原本尺寸的1/2,并将通道数扩充至64,之后对图像进行最大池化,进一步将图像下采样至原本尺寸的1/4;
第二层由三个结构相同的残差单元构成,如图3,该残差单元首先使用1×1的卷积核将图像通道数下降为64,然后使用3×3的卷积核提取图像特征信息,最后使用1×1的卷积核将图像通道数扩展为256,并计算残差作为输出;
在三个相同的残差单元中重复三次,该层中所有卷积均设置步长为1,输出尺寸仍为原图像尺寸1/4,通道数为256的图像;
第三层由四个结构相同的残差单元构成,该残差单元首先使用1×1的卷积核将图像通道数下降至128,然后使用3×3的卷积提取图像特征,最后使用1×1的卷积核将图像通道数设置为512,并计算残差作为输出;
在四个相同的残差单元中重复四次,其中第一个残差单元中卷积步长设置为2,输出图像下采样为原图尺寸的1/8,通道数为512;
第四层由一个瓶颈层(如图4和图5)和五个相同的残差单元构成,瓶颈层首先使用1×1的卷积核将图像通道数下降至256,然后使用膨胀系数为1的3×3的卷积提取图像特征,最后使用1×1的卷积核将图像通道数提升为1024,并计算残差作为输出;
残差单元首先使用1×1的卷积核将图像通道数下降至256,然后使用膨胀系数为2的3×3的卷积核做膨胀卷积提取更大尺度图像特征,最后使用1×1的卷积核将图像通道数设置为1024,并计算残差作为输出,在五个相同的残差单元中重复五次,没有进一步下采样,输出图像为原图尺寸的1/8,通道数为1024;
第五层由一个瓶颈层和两个相同的残差单元构成,瓶颈层首先使用1×1的卷积核将图像通道数下降至512,然后使用膨胀系数为2的3×3的卷积核进行膨胀卷积进一步提取图像特征,最后使用1×1的卷积核将图像通道数提升为2048,并计算残差作为输出;
残差单元首先使用1×1的卷积核将图像通道数下降至512,然后使用膨胀系数为4的3×3的卷积核做膨胀卷积提取更大尺度图像特征,最后使用1×1的卷积核将图像通道数设置为2048,并计算残差作为输出,在两个相同的残差单元中重复两次,没有进一步下采样,输出图像为原图尺寸的1/8,通道数为2048。
S4中,空洞金字塔包括五个并行的分支:
第一分支由无填充、膨胀系数为1、步长为1的1×1卷积层构成;
第二分支使用0对图像进行12×12填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为12对图像进行膨胀卷积;
第三分支使用0对图像进行24×24填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为24对图像进行膨胀卷积;
第四分支使用0对图像进行36×36填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为36对图像进行膨胀卷积;
第五分支对输入图像进行全局平均池化提取每个通道上的高层信息,之后使用二次线性插值将图像尺寸还原。
S4中,输出层首先使用3×3的卷积将空洞金字塔输出的五个并行的分支连接成为一个尺寸为原图1/8,通道数为1280的特征图像,之后使用一个1×1卷积,改变输出通道数为num_class,再将num_class张特征图使用二次线性插值的方式将图像上采样八倍得到和输入图像尺寸一致的分类结果图。
所有卷积层均采用relu激活函数。
残差的定义为:res=f(x)+x,其中,res表示残差值,f(x)表示卷积层输出值,x表示卷积层输入值。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,包括:
S1、获取若干景高分二号遥感图像数据;
S2、对遥感图像数据进行遥感图像预处理,包括地理校正、辐射定标、大气校正和图像裁剪;
S3、针对不同养殖区域对S2中图像裁剪后的数据进行标注,对标注后的数据按照8:2的比例分割成训练集、验证集;
S4、基于训练集构建深层神经网络模型;
S5、将验证集输入S4中训练完毕的深层神经网络模型中,得到分类后的养殖区域结果。
2.如权利要求1所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,S3中,使用多边形标注工具进行标注,根据不同养殖区域的特征将养殖区域分为三类,对于非目标的其他像素统一标注为一类。
3.如权利要求2所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,S4中,构建深层神经网络结构包括使用残差层增加训练梯度、使用空洞金字塔池化获取多尺度信息和导入输出层还原分类结果;
对深层神经网络模型设置超参数,基于训练集对深层神经网络模型进行训练,使用随机梯度下降算法迭代求解能最小化损失函数的网络参数。
4.如权利要求3所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,S4中,深层神经网络模型包括残差层、空洞金字塔和输出层;
480×480×3的图像为输入时,将图像输入残差层进行四次下采样,提升图像的通道数且增加特征数量,得到60×60×2048的第一特征图,将第一特征图输入空洞金字塔提取并融合特征,得到60×60×256的第二特征图,将第二特征图输入到输出层得到60×60×num_class的分类后图像,再进行二次线性插值得到480×480×num_class的图像,即为对养殖区域的分类预测结果。
5.如权利要求4所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,S4中,所述残差层使用残差网络对输入图像进行特征提取,分为五层:
在第一层中,使用0对图像进行3×3填充,然后使用7×7的卷积核,选取步长为2对图像进行卷积,使图像下采样到原本尺寸的1/2,并将通道数扩充至64,之后对图像进行最大池化,进一步将图像下采样至原本尺寸的1/4;
第二层由三个结构相同的残差单元构成,该残差单元首先使用1×1的卷积核将图像通道数下降为64,然后使用3×3的卷积核提取图像特征信息,最后使用1×1的卷积核将图像通道数扩展为256,并计算残差作为输出;
在三个相同的残差单元中重复三次,该层中所有卷积均设置步长为1,输出尺寸仍为原图像尺寸1/4,通道数为256的图像;
第三层由四个结构相同的残差单元构成,该残差单元首先使用1×1的卷积核将图像通道数下降至128,然后使用3×3的卷积提取图像特征,最后使用1×1的卷积核将图像通道数设置为512,并计算残差作为输出;
在四个相同的残差单元中重复四次,其中第一个残差单元中卷积步长设置为2,输出图像下采样为原图尺寸的1/8,通道数为512;
第四层由一个瓶颈层和五个相同的残差单元构成,瓶颈层首先使用1×1的卷积核将图像通道数下降至256,然后使用膨胀系数为1的3×3的卷积提取图像特征,最后使用1×1的卷积核将图像通道数提升为1024,并计算残差作为输出;
残差单元首先使用1×1的卷积核将图像通道数下降至256,然后使用膨胀系数为2的3×3的卷积核做膨胀卷积提取更大尺度图像特征,最后使用1×1的卷积核将图像通道数设置为1024,并计算残差作为输出,在五个相同的残差单元中重复五次,没有进一步下采样,输出图像为原图尺寸的1/8,通道数为1024;
第五层由一个瓶颈层和两个相同的残差单元构成,瓶颈层首先使用1×1的卷积核将图像通道数下降至512,然后使用膨胀系数为2的3×3的卷积核进行膨胀卷积进一步提取图像特征,最后使用1×1的卷积核将图像通道数提升为2048,并计算残差作为输出;
残差单元首先使用1×1的卷积核将图像通道数下降至512,然后使用膨胀系数为4的3×3的卷积核做膨胀卷积提取更大尺度图像特征,最后使用1×1的卷积核将图像通道数设置为2048,并计算残差作为输出,在两个相同的残差单元中重复两次,没有进一步下采样,输出图像为原图尺寸的1/8,通道数为2048。
6.如权利要求5所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,S4中,空洞金字塔包括五个并行的分支:
第一分支由无填充、膨胀系数为1、步长为1的1×1卷积层构成;
第二分支使用0对图像进行12×12填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为12对图像进行膨胀卷积;
第三分支使用0对图像进行24×24填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为24对图像进行膨胀卷积;
第四分支使用0对图像进行36×36填充,然后使用3×3的卷积核,选取步长为1,膨胀系数为36对图像进行膨胀卷积;
第五分支对输入图像进行全局平均池化提取每个通道上的高层信息,之后使用二次线性插值将图像尺寸还原。
7.如权利要求6所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,S4中,输出层首先使用3×3的卷积将空洞金字塔输出的五个并行的分支连接成为一个尺寸为原图1/8,通道数为1280的特征图像,之后使用一个1×1卷积,改变输出通道数为num_class,再将num_class张特征图使用二次线性插值的方式将图像上采样八倍得到和输入图像尺寸一致的分类结果图。
8.如权利要求7所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,所有卷积层均采用relu激活函数。
9.如权利要求8所述的一种基于深度学习的遥感影像养殖区域提取方法,其特征在于,残差的定义为:res=f(x)+x,其中,res表示残差值,f(x)表示卷积层输出值,x表示卷积层输入值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119318.2A CN115546656A (zh) | 2022-09-14 | 2022-09-14 | 一种基于深度学习的遥感影像养殖区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119318.2A CN115546656A (zh) | 2022-09-14 | 2022-09-14 | 一种基于深度学习的遥感影像养殖区域提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546656A true CN115546656A (zh) | 2022-12-30 |
Family
ID=84728415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211119318.2A Pending CN115546656A (zh) | 2022-09-14 | 2022-09-14 | 一种基于深度学习的遥感影像养殖区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546656A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343206A (zh) * | 2023-05-29 | 2023-06-27 | 山东科技大学 | 一种海洋浮游生物分析显微镜图像的自动拼接识别方法 |
CN116452901A (zh) * | 2023-06-19 | 2023-07-18 | 中国科学院海洋研究所 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
CN116503677A (zh) * | 2023-06-28 | 2023-07-28 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
-
2022
- 2022-09-14 CN CN202211119318.2A patent/CN115546656A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343206A (zh) * | 2023-05-29 | 2023-06-27 | 山东科技大学 | 一种海洋浮游生物分析显微镜图像的自动拼接识别方法 |
CN116343206B (zh) * | 2023-05-29 | 2023-08-08 | 山东科技大学 | 一种海洋浮游生物分析显微镜图像的自动拼接识别方法 |
CN116452901A (zh) * | 2023-06-19 | 2023-07-18 | 中国科学院海洋研究所 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
CN116452901B (zh) * | 2023-06-19 | 2023-09-15 | 中国科学院海洋研究所 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
CN116503677A (zh) * | 2023-06-28 | 2023-07-28 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
CN116503677B (zh) * | 2023-06-28 | 2023-09-05 | 武汉大学 | 一种湿地分类信息提取方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
CN109447089B (zh) | 基于超分技术的高分辨率北极海冰类型提取方法 | |
CN112183432B (zh) | 一种基于中分辨率sar图像的建筑区提取方法以及系统 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN109871823B (zh) | 一种结合旋转框和上下文信息的卫星图像舰船检测方法 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN111598098A (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
Liang et al. | Maximum likelihood classification of soil remote sensing image based on deep learning | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN113936214A (zh) | 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法 | |
CN113486975A (zh) | 遥感图像的地物分类方法、装置、设备及存储介质 | |
Akshay et al. | Satellite image classification for detecting unused landscape using CNN | |
Singh et al. | Performance analysis of different threshold determination techniques for change vector analysis | |
CN114266932A (zh) | 一种基于自学习的遥感多光谱数据半监督标注方法 | |
Bin et al. | Parcel-based change detection in land-use maps by adopting the holistic feature | |
CN113269028B (zh) | 一种基于深度卷积神经网络的水体变化检测方法和系统 | |
CN112033937B (zh) | 一种水体提取精度的评价方法 | |
CN113158770A (zh) | 一种改进的全卷积孪生神经网络的矿区变化检测方法 | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN111047525A (zh) | Sar遥感图像到光学遥感图像的翻译方法 | |
Azhar et al. | A framework for multiscale intertidal sandflat mapping: A case study in the Whangateau estuary |
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 |