CN115546671A - 一种基于多任务学习的无人机变化检测方法及其系统 - Google Patents

一种基于多任务学习的无人机变化检测方法及其系统 Download PDF

Info

Publication number
CN115546671A
CN115546671A CN202211356026.0A CN202211356026A CN115546671A CN 115546671 A CN115546671 A CN 115546671A CN 202211356026 A CN202211356026 A CN 202211356026A CN 115546671 A CN115546671 A CN 115546671A
Authority
CN
China
Prior art keywords
change detection
images
aerial vehicle
unmanned aerial
model
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
CN202211356026.0A
Other languages
English (en)
Inventor
赵明
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.)
Beijing Egova Technology Co ltd
Original Assignee
Beijing Egova Technology 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 Beijing Egova Technology Co ltd filed Critical Beijing Egova Technology Co ltd
Priority to CN202211356026.0A priority Critical patent/CN115546671A/zh
Publication of CN115546671A publication Critical patent/CN115546671A/zh
Pending legal-status Critical Current

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于多任务学习的无人机变化检测方法及其系统，其中基于多任务学习的无人机变化检测方法具体包括以下子步骤：进行地理信息对齐，完成图像的对齐；响应于完成图像的对齐，进行对齐后图像的预处理；响应于完成裁剪后的图像的预处理，根据预处理后的图像进行模型的搭建；响应于完成模型的搭建，对搭建后的进行后处理分析。本申请实现了一套从无人机数据采集后到变化检测结果输出的自动化流程，并利用多任务学习策略以及改进的预处理提高了图像间的变化检测的精度。

Description

一种基于多任务学习的无人机变化检测方法及其系统
技术领域
本申请涉及图像处理领域，具体地，涉及一种基于多任务学习的无人机变化检测方法及其系统。
背景技术
变化检测是对多个栅格数据集(通常在不同时期针对一个区域收集)进行比较，以确定变化的类型、幅度和位置变化包括人为活动、突然的自然干扰或长期的气候或环境趋势等。基于遥感影像进行变化检测的研究也是遥感领域多年来的研究热点。目前已经在多个领域得到应用，如土地利用、城市扩张、农田变化、地质灾害监测、生态环境保护、湿地监测、森林防护等。目前，虽然对地面的图像变化检测时大多采用卫星遥感数据集，但是卫星遥感数据集对气候要求非常高，比如拍摄的时间内不允许存在云层，而且存在精度和分辨率低，不灵活，拍摄周期较长，成本高，无法实现高精度小范围的地面图像变化检测的缺点，无人机定点拍摄的方式虽然没有卫星遥感拍摄出来的图像数据量大，范围广，但无人机拍摄出来的图像对气候依赖小、云下航摄能力突出、高分辨率高精度、纹理变化复杂、获取方式简单、实时快速、成本低、无需专用机场等优势是传统遥感拍摄无法比拟的，利用无人机进行低空遥感拍摄的图像进行图像变化的检测是民用或者小范围区域图像变化检测的最优选择。基于无人机的变化检测主要采用基于卷积神经网络的计算机视觉技术进行检测，但是目前大多数基于卷积神经网络的方案都采用单任务学习的方案，直接学习变化区域，另外这些方案均直接利用已经对齐好的图像直接进行处理，没有搭建一套完全的处理流程。
因此，如何提供一种能够实现从无人机采集数据到最终输出变化区域自动化的方法，是本领域技术人员急需解决的问题。
发明内容
本申请提供了一种基于多任务学习的无人机变化检测方法，具体包括以下子步骤：进行地理信息对齐，完成图像的对齐；响应于完成图像的对齐，进行对齐后图像的预处理；响应于完成裁剪后的图像的预处理，根据预处理后的图像进行模型的搭建；响应于完成模型的搭建，对搭建后的进行后处理分析。
如上的，其中，图像为无人机低空遥感拍摄的地域相同且时相不同的两幅图像。
如上的，其中，自动对齐两幅图像的经纬度坐标，完成图像的对齐。
如上的，其中，采用直方图均衡化和直方图匹配操作对对齐后的两幅图像进行预处理。
如上的，其中，根据预处理后的图像进行模型的搭建，具体包括以下子步骤：确定模型结构；响应于确定模型结构，进行模型训练。
如上的，其中，确定模型结构包括，选取主干网络，将两幅图像经过共享的主干网络进行特征提取，得到特征图1和特征图2。
如上的，其中，对特征图1和特征图2分别进行语义分割分支，得到语义分割输出1和语义分割输出2，特征图1和特征图2进行相减操作并取绝对值，得到相同尺寸的特征图3，在特征图3上应用空间金字塔池化进行二分类分割得到变化检测结果。
如上的，其中，根据变化检测数据集进行模型训练。
如上的，其中，变化检测数据包含N个图像以及分别与N个图像对应的数据标签。
一种基于多任务学习的无人机变化检测系统，包括对齐单元、预处理单元、模型搭建单元以及分析单元；对齐单元，用于进行地理信息对齐，完成图像的对齐；预处理单元，用于进行对齐后图像的预处理；模型搭建单元，用于根据预处理后的图像进行模型的搭建；分析单元，用于对搭建后的进行后处理分析。
本申请具有以下有益效果：
本申请实现了一套从无人机数据采集后到变化检测结果输出的自动化流程，并利用多任务学习策略以及改进的预处理提高了图像间的变化检测的精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的基于多任务学习的无人机变化检测方法的流程图；
图2是本实施例提供的基于多任务学习的无人机变化检测方法中的模型搭建结构；
图3是根据本申请实施例提供的基于多任务学习的无人机变化检测方法系统的结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本发明提出了一种基于多任务学习的无人机变化检测系统。首先利用多任务学习，本发明将变化检测问题看做两个任务：1、是否变化的二分类分割；2、变化区域的多类别语义分割，并且这两个任务共享特征提取部分，提升模型的学习能力。然后本发明改进了数据预处理步骤，给模型提供更好的模型输入，提高最终变化检测的精度。最后本发明搭建了一套完整的变化检测系统，能够从无人机采集数据到最终输出变化区域实现自动化。
实施例一
如图1所示，为本申请提供的一种基于多任务学习的无人机变化检测方法，具体包括以下步骤：
步骤S110：进行地理信息对齐，完成图像的对齐。
其中，采用现有技术中的envi软件自动对齐经纬度坐标，将无人机进行低空遥感拍摄的两幅图像进行图像的缩放，使两幅图像进行对齐。
具体地，用经纬度坐标将原始拍摄的两幅图像对齐，可以以一幅图像的经纬度为准，利用envi软件自动对齐另一幅图像的经纬度坐标。
步骤S120：响应于完成图像的对齐，进行对齐后图像的预处理。
其中由于对齐后的两幅图像区域相同、但拍摄的时相不同，因此可能存在亮度差异较大的问题，因此本实施例需要对对齐后的两幅图像进行预处理。
具体地，采用直方图均衡化和直方图匹配操作来做预处理，再利用mask掩膜实现数据区域一致。
其中直方图匹配也叫做直方图规定化，是将某个图像的灰度分布按照某个特定的模式去变换的操作。采用直方图均衡化后，两幅输入图像的分布会更靠近，有利于减小模型训练的难度，以及提高应用时的模型的精度。
步骤S130：响应于完成裁剪后的图像的预处理，根据预处理后的图像进行模型的搭建。
具体地，其中步骤S130具体包括以下子步骤：
步骤S1301：确定模型结构。
其中本实施例采用多任务学习范式，包含两张图像的语义分割任务，和一个变化检测任务，语义分割输出作为辅助任务起到辅助监督的作用，提高主干网络的学习能力，学习到额外的语义信息。
本实施例对比了众多主干网络，如resnet、resnext、resnest、hrnet，最终选用hrnet作为主干网络，hrnet在整个过程中都保持高分辨率表示，并且融合多尺度信息，对于分割任务更好的效果。
进一步地，确定主干网络后，为了解决多个任务(包括语义分割输出和变化检测结果输出)的输出，采用共享主干网络的方式。
如图2所示，为本实施例提供的模型搭建结构。对于两种相同区域但不同时像的图像1和图像2，经过共享的主干网络进行特征提取，分别得到特征图1和特征图2。随后对特征图1和特征图2分别进行语义分割分支，本实施例采用经典的FCN作为分割头，它包含卷积操作和上采样操作，将特征图1语义分割分支后得到语义分割输出1，将特征图2语义分割分支后得到语义分割输出2。其中语义分割输出1和语义分割输出2能够加强训练后的模型精度。
为了进行变化检测，对上述两张图像分别得到的特征图1和特征图2进行相减操作并取绝对值，得到相同尺寸的特征图3，在特征图3上应用空间金字塔池化(SPP分割头)进行最终的二分类分割。该分割任务即为是否变化的二分类分割，经过二分类分割后得到变化检测结果(变化检测分割图像)的输出。
步骤S1302：响应于确定模型结构，进行模型训练。
模型训练具体为，根据变化检测数据集进行模型训练，训练过程具体参考现有技术进行模型训练。
其中变化检测数据集可以有多个，每个变化检测数据包含N个图像以及分别与N个图像对应的数据标签。
数据标签主要区分像素点的类别。由于图像中每个像素点代表不同类别，对每个像素点的类别，将相同类别的像素点标记为一个数据标签，将不同类别的像素点标记为另一个数据标签。
其中类别是由人工进行设定的，例如设定建筑物、土地、河流等类别。
进一步地，数据标签包含变化检测标签和分割标签。
其中分割标签表示像素点所属类别，如果像素点为建筑物类别，则分割标签标记为2。
由于不同时刻拍摄，地理面貌发生变化等原因，图像中的像素点的类别可能会发生变化，因此本实施例在分割标签的基础上设定变化检测标签，利用两幅不同时相图像的分割标签进行比对即可得到变化检测的标签，若同一位置分割标签一致，则变化检测标签为1，若分割标签不一致，则变化检测标签为0。
不同类别的分割难度不同，且训练数据存在较严重的类别不均衡，所有在损失函数设计时，需要进行类别加权，对于数据较少的类别赋以较大的损失权重，以达到类别均衡的目的。
步骤S140：响应于完成模型的搭建，对搭建后的进行后处理分析。
由于模型输出的变化检测结果可能存在细小的杂波区域，采用现有技术中滤除小于一定面积的杂波区域的方式来提高最终的精度，也提供更美观的可视化效果。
具体地，对于输出的变化检测分割图像，循环滤除图像中每个类别的杂波，首先对输出的变化检测分割图像进行二值化，再确定连通域，最后去除面积小于阈值的小区域。
通过上述方法，能够对采集拍摄的无人机不同时期的图像进行比对，并自动输出比对结果，从而能够直观的看出无人机的变化区域，例如无人机所在的地域是否发生了变化。
实施例二
如图3所示，本实施例提供了一种基于多任务学习的无人机变化检测系统，包括对齐单元310、预处理单元320、模型搭建单元330、分析单元340。
对齐单元310用于进行地理信息对齐，完成图像的对齐。
预处理单元320与对齐单元310连接，用于进行对齐后图像的预处理。
模型搭建单元330与预处理单元320连接，用于根据预处理后的图像进行模型的搭建。
分析单元340与模型搭建单元330连接，用于对搭建后的进行后处理分析。
本申请具有以下有益效果：
本申请实现了一套从无人机数据采集后到变化检测结果输出的自动化流程，并利用多任务学习策略以及改进的预处理提高了图像间的变化检测的精度。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于多任务学习的无人机变化检测方法，其特征在于，具体包括以下子步骤：
进行地理信息对齐，完成图像的对齐；
响应于完成图像的对齐，进行对齐后图像的预处理；
响应于完成裁剪后的图像的预处理，根据预处理后的图像进行模型的搭建；
响应于完成模型的搭建，对搭建后的进行后处理分析。
2.如权利要求1所述的基于多任务学习的无人机变化检测方法，其特征在于，图像为无人机低空遥感拍摄的地域相同且时相不同的两幅图像。
3.如权利要求2所述的基于多任务学习的无人机变化检测方法，其特征在于，自动对齐两幅图像的经纬度坐标，完成图像的对齐。
4.如权利要求1所述的基于多任务学习的无人机变化检测方法，其特征在于，采用直方图均衡化和直方图匹配操作对对齐后的两幅图像进行预处理。
5.如权利要求1所述的基于多任务学习的无人机变化检测方法，其特征在于，根据预处理后的图像进行模型的搭建，具体包括以下子步骤：
确定模型结构；
响应于确定模型结构，进行模型训练。
6.如权利要求5所述的基于多任务学习的无人机变化检测方法，其特征在于，确定模型结构包括，选取主干网络，将两幅图像经过共享的主干网络进行特征提取，得到特征图1和特征图2。
7.如权利要求6所述的基于多任务学习的无人机变化检测方法，其特征在于，对特征图1和特征图2分别进行语义分割分支，得到语义分割输出1和语义分割输出2，特征图1和特征图2进行相减操作并取绝对值，得到相同尺寸的特征图3，在特征图3上应用空间金字塔池化进行二分类分割得到变化检测结果。
8.如权利要求1所述的基于多任务学习的无人机变化检测方法，其特征在于，根据变化检测数据集进行模型训练。
9.如权利要求8所述的基于多任务学习的无人机变化检测方法，其特征在于，变化检测数据包含N个图像以及分别与N个图像对应的数据标签。
10.一种基于多任务学习的无人机变化检测系统，其特征在于，包括对齐单元、预处理单元、模型搭建单元以及分析单元；
对齐单元，用于进行地理信息对齐，完成图像的对齐；
预处理单元，用于进行对齐后图像的预处理；
模型搭建单元，用于根据预处理后的图像进行模型的搭建；
分析单元，用于对搭建后的进行后处理分析。
CN202211356026.0A 2022-11-01 2022-11-01 一种基于多任务学习的无人机变化检测方法及其系统 Pending CN115546671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211356026.0A CN115546671A (zh) 2022-11-01 2022-11-01 一种基于多任务学习的无人机变化检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211356026.0A CN115546671A (zh) 2022-11-01 2022-11-01 一种基于多任务学习的无人机变化检测方法及其系统

Publications (1)

Publication Number Publication Date
CN115546671A true CN115546671A (zh) 2022-12-30

Family

ID=84720091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211356026.0A Pending CN115546671A (zh) 2022-11-01 2022-11-01 一种基于多任务学习的无人机变化检测方法及其系统

Country Status (1)

Country Link
CN (1) CN115546671A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452983A (zh) * 2023-06-12 2023-07-18 合肥工业大学 一种基于无人机航拍影像的国土地貌变化快速发现方法
CN117173104A (zh) * 2023-08-04 2023-12-05 山东大学 一种低空无人机图像变化检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN109886238A (zh) * 2019-03-01 2019-06-14 湖北无垠智探科技发展有限公司 基于语义分割的无人机航拍图像变化检测算法
CN111080794A (zh) * 2019-12-10 2020-04-28 华南农业大学 一种耕地现场边云协同的三维重建方法
CN111274865A (zh) * 2019-12-14 2020-06-12 深圳先进技术研究院 一种基于全卷积神经网络的遥感图像云检测方法及装置
CN111582043A (zh) * 2020-04-15 2020-08-25 电子科技大学 基于多任务学习的高分辨率遥感影像地物变化检测方法
CN114943902A (zh) * 2022-03-30 2022-08-26 安徽大学 基于多尺度特征感知网络的城市植被无人机遥感分类方法
CN115170962A (zh) * 2022-07-05 2022-10-11 重庆英卡电子有限公司 一种基于无人机与卫片的林地变更检测方法
US20220327676A1 (en) * 2021-04-07 2022-10-13 SMARTINSIDE AI Inc. Method and system for detecting change to structure by using drone

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851087A (zh) * 2015-04-17 2015-08-19 华中农业大学 多尺度森林动态变化监测方法
CN109886238A (zh) * 2019-03-01 2019-06-14 湖北无垠智探科技发展有限公司 基于语义分割的无人机航拍图像变化检测算法
CN111080794A (zh) * 2019-12-10 2020-04-28 华南农业大学 一种耕地现场边云协同的三维重建方法
CN111274865A (zh) * 2019-12-14 2020-06-12 深圳先进技术研究院 一种基于全卷积神经网络的遥感图像云检测方法及装置
CN111582043A (zh) * 2020-04-15 2020-08-25 电子科技大学 基于多任务学习的高分辨率遥感影像地物变化检测方法
US20220327676A1 (en) * 2021-04-07 2022-10-13 SMARTINSIDE AI Inc. Method and system for detecting change to structure by using drone
CN114943902A (zh) * 2022-03-30 2022-08-26 安徽大学 基于多尺度特征感知网络的城市植被无人机遥感分类方法
CN115170962A (zh) * 2022-07-05 2022-10-11 重庆英卡电子有限公司 一种基于无人机与卫片的林地变更检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUAN SANDINO， FELIPE GONZALEZ: ""A Novel Approach for Invasive Weeds and Vegetation Surveys Using UAS and Artificial Intelligence"", 《 2018 23RD INTERNATIONAL CONFERENCE ON METHODS & MODELS IN AUTOMATION & ROBOTICS (MMAR)》 *
刘广: ""基于无人机航拍图像的目标检测算法研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, vol. 031, no. 2022 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452983A (zh) * 2023-06-12 2023-07-18 合肥工业大学 一种基于无人机航拍影像的国土地貌变化快速发现方法
CN116452983B (zh) * 2023-06-12 2023-10-10 合肥工业大学 一种基于无人机航拍影像的国土地貌变化快速发现方法
CN117173104A (zh) * 2023-08-04 2023-12-05 山东大学 一种低空无人机图像变化检测方法及系统
CN117173104B (zh) * 2023-08-04 2024-04-16 山东大学 一种低空无人机图像变化检测方法及系统

Similar Documents

Publication Publication Date Title
Iqbal et al. How computer vision can facilitate flood management: A systematic review
Keramitsoglou et al. Automatic identification of oil spills on satellite images
CN115546671A (zh) 一种基于多任务学习的无人机变化检测方法及其系统
CN112163496B (zh) 一种基于语义分割的嵌入式终端水库水位预警方法
CN110458047B (zh) 一种基于深度学习的越野环境场景识别方法及系统
CN112950780B (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN103617413B (zh) 一种在图像中识别物体的方法
CN108986142A (zh) 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法
CN110310305A (zh) 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置
CN114943902A (zh) 基于多尺度特征感知网络的城市植被无人机遥感分类方法
Li et al. An aerial image segmentation approach based on enhanced multi-scale convolutional neural network
CN113378642B (zh) 一种对农村违法占地建筑物进行检测的方法
CN104050674A (zh) 一种显著性区域检测方法及装置
Luo et al. RBD-Net: robust breakage detection algorithm for industrial leather
CN113177956A (zh) 一种面向无人机遥感影像的语义分割方法
CN113569911A (zh) 车辆识别方法、装置、电子设备及存储介质
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN111767826A (zh) 一种定时定点场景异常检测方法
CN115393733B (zh) 一种基于深度学习的水体自动识别方法及系统
CN112967286B (zh) 一种新增建设用地检测方法及装置
Tao et al. An approach for identifying historic village using deep learning
CN114550016A (zh) 一种基于上下文信息感知的无人机定位方法及系统
Bodavarapu et al. An optimized convolutional neural network model for wild animals detection using filtering techniques and different opacity levels
Norelyaqine et al. Deep learning for building extraction from high-resolution remote sensing images
Patel et al. Road Network Extraction Methods from Remote Sensing Images: A Review Paper.

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