CN115601649A - 基于TransUnet的海洋内波条纹分割方法、设备及存储介质 - Google Patents
基于TransUnet的海洋内波条纹分割方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115601649A CN115601649A CN202211380014.1A CN202211380014A CN115601649A CN 115601649 A CN115601649 A CN 115601649A CN 202211380014 A CN202211380014 A CN 202211380014A CN 115601649 A CN115601649 A CN 115601649A
- Authority
- CN
- China
- Prior art keywords
- transunnet
- network
- internal wave
- marine
- patch
- 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
-
- 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
- G06V10/20—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
- G06V10/70—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)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于TransUnet的海洋内波条纹分割方法、设备及存储介质,该方法包括以下步骤:步骤S1、获取海洋内波SAR影像数据集,处理后得到带标签数据的影像数据集;步骤S2、采用预训练后的TransUnet网络对带标签数据的影像数据集进行分割,得到分割后的海洋内波条纹;所述TransUnet网络包括编码器和解码器,所述编码器包括用于进行特征映射的卷积神经网络CNN和用于依据特征映射结果进行编码以提取全局上下文的输入序列的Transformer网络。与现有技术相比,本发明采用TransUnet网络结合了卷积神经网络CNN详细的高分辨率空间信息以及Transformer编码的全局上下文优势,具备分割精度高的优点。
Description
技术领域
本发明涉及内波探测技术领域,尤其是涉及一种基于TransUnet的海洋内波条纹分割方法、设备及存储介质。
背景技术
海洋内波是整个海洋中普遍存在的一种波动现象,它对海洋结构以及表面的动力过程有很大影响,也严重影响着海洋工程结构安全。因此,准确地了解海洋内波发生的位置是十分必要的。
随着遥感技术的发展,对海洋内波的研究不再仅仅依靠现场观测、物理模型实验和数值模拟等传统方法,合成孔径雷达(Synthetic Aperture Radar,SAR)已成为观测内波的有效途径。最近四十多年来,合成孔径雷达已广泛地应用于地球遥感。它可以为地球科学和气候变化等众多研究领域提供高分辨率、全天候和全天时的影像。海洋内波在SAR图像中具有特定的纹理特征,但它易与图像中其他类似的特征,如涡旋、舰船尾迹等相混淆。遥感数据量越来越大,对数据处理的需求也随之就增大。
因此,为了确定海洋内波发生的位置以及进一步对内波参数进行反演,发展SAR遥感图像海洋内波自动分割技术是很有必要的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种分割精度高的基于TransUnet的海洋内波条纹分割方法、设备及存储介质。
本发明的目的可以通过以下技术方案来实现:
根据本发明的第一方面,提供了一种基于TransUnet的海洋内波条纹分割方法,该方法包括以下步骤:
步骤S1、获取海洋内波SAR影像数据集,处理后得到带标签数据的影像数据集;
步骤S2、、采用预训练后的TransUnet网络对带标签数据的影像数据集进行分割,得到分割后的海洋内波条纹;所述TransUnet网络包括编码器和解码器,所述编码器包括用于进行特征映射的卷积神经网络CNN和用于依据特征映射结果进行编码以提取全局上下文的输入序列的Transformer网络。
优选地,所述步骤S1包括以下子步骤:
步骤S11、获取海洋内波SAR影像数据集,并进行预处理;
步骤S12、将影像数据转换为TIFF格式,以获取影像的强度值和地理信息;
步骤S13、将所有TIFF格式的影像数据进行随机裁剪以增加数据量,并保存为JPG格式;
步骤S14、利用可视化软件对裁剪后的JPG格数据集进行标记,并生成PNG格式的标签数据;
步骤S15、将标签数据二值化处理。
优选地,所述步骤S11中的预处理包括多视处理、滤波处理和地理编码。
优选地,所述滤波处理具体为:采用Gamma Map滤波算法进行滤波处理。
优选地,所述步骤S2中采用预训练后的TransUnet网络对带标签数据的影像数据集进行分割,得到分割后的海洋内波条纹,具体包括以下子步骤:
步骤S21、采用卷积神经网络CNN提取特征映射;
步骤S22、利用Transformer对卷积神经网络CNN提取到的特征映射进行编码,作为提取全局上下文的输入序列;
步骤S23、解码器对编码的特征进行上采样,再通过跳跃链接与对应分辨率的CNN特征相结合,对海洋内波条纹进行分割,从而获取内波条纹的位置信息。
优选地,所述步骤S22包括以下子步骤:
步骤S221、将卷积神经网络CNN提取到的特征映射图像切分为平面的二维patch序列;
步骤S222、使用可训练的线性投影将矢量化的patch映射到潜在的D维嵌入空间;为了编码patch空间,给每个patch添加特定的位置信息,表达式为:
步骤S223、编码器中存在L层Transformer,每个Transformer包括多头自注意力MSA和多层感知机块MLP,经过L层Transformer输出结果为二维patch序列在D维空间的编码特征。
优选地,所述步骤S23包括以下子步骤:
步骤S231、通过上采样器对编码特征进行上采样;
步骤S232、通过跳跃链接与其相对应的分辨率特征相聚合,通过卷积层进行卷积运算且最后一个卷积层为像素分类卷积层,最终输出所需的海洋内波条纹;
其中,上采样器与编码器一起构成了u形结构,通过跳跃链接在不同的分辨率级上实现特征聚合。
优选地,所述TransUnet网络训练的损失函数为戴斯相似系数DSC损失函数,表达式为:
式中,FP为假阳性,TP为真阳性,FN为假阴性。
根据本发明的第二方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现任一项所述的方法。
根据本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现任一项所述的方法。
与现有技术相比,本发明具有以下优点:
1)采用的TransUnet网络同时具有CNN详细的高分辨率空间信息与Transformer编码的全局上下文优势,因而在在海洋内波检测与识别领域展现出优越的性能,从而为海下安全监测提供技术支持,为做好海下安全工作提供服务;
2)与传统的Unet分割结果相比,TransUnet能更好地分割和保留海洋内波条纹的轮廓信息,这得益于TransUnet能够结合Transformer和Unet的优点,使分割的海洋内波不仅完整没有断裂,且边缘部分更加精细;
3)预处理中使用Gamma Map滤波算法可有效降低SAR影像中的斑点噪声;
4)依据数据集大小,可通过调节Transformer的层数,选择恰当的模型复杂度,以拥有较好的分割性能;
5)跳跃链接通过恢复底层空间信息有助于增强分割细节,依据输入图像的分辨率,对跳跃链接次数和Transformer层数进行合理设定,提高了海洋内波的分割性能。
附图说明
图1为本发明的方法流程图;
图2为本发明海洋内波SAR数据集获取步骤;
图3为是本发明的TransUnet框架结构,其中3a为Transformer结构,图3b为跨网结构;
图4为本发明模型性能分析图;
图5为TransUnet中跳接次数对精度的影响;
图6为本发明分割后的海洋内波条纹结果示意图,其中,图6a为原始图像,图6b为Unet分割结果,图6c为TransUnet分割结果,i-iV给出了四种图像的原始图像和分割结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,本发明给出了一种基于TransUnet的海洋内波条纹分割方法,该方法包括以下步骤:
步骤S1、获取海洋内波SAR影像数据集,处理后得到带标签数据的影像数据集;
步骤S2、、采用预训练后的TransUnet网络对带标签数据的影像数据集进行分割,得到分割后的海洋内波条纹;所述TransUnet网络包括编码器和解码器,所述编码器包括用于进行特征映射的卷积神经网络CNN和用于依据特征映射结果进行编码以提取全局上下文的输入序列的Transformer网络。
接下来,对具体步骤及逆行详细介绍。
数据处理的流程如图2所示。首先,从相应平台下载海洋内波SAR原始数据,对原始影像数据进行多视处理、滤波和地理编码等预处理;将影像数据转换为TIFF格式,以获取影像的强度值和地理信息;其次,将所有TIFF格式的影像数据进行随机裁剪以增加数据量,并保存为JPG格式;再次,利用Labelme可视化软件对裁剪后的JPG格数据集进行标记,并生成PNG格式的标签数据;最后将标签数据进行二值化,条纹灰度值取为255,背景灰度值取为0。本文使用Labelme软件将数据集每张影像的每个像素点标上对应的类别标签,像素点和对应的标签就构成了像素样本,然后将像素样本转化为二值图像,最终制作了703张原始影像数据。其中C(Crop)数据集由随机裁剪的影像数据构成。预处理中使用Gamma Map滤波方法以降低SAR影像中的斑点噪声。
TransUnet由一个编码器和一个对应的解码器组成,如图3所示。其中,TransUnet的编码器是CNN和Transformer的混合体。利用CNN将图像编码为特征图像。因Transformer是关于序列对序列预测的注意力机制,所以需要对特征图像进行序列化。本文先将输入的特征图像切分为平面的二维patch序列,每个patch大小为16×16,数量为N(N=(HW)/P2,即序列长度。H和W分别为输入图像的长和宽)。使用可训练的线性投影将矢量化的XP(patch)映射到潜在的D维嵌入空间。为了编码patch空间,给每个patch添加特定的位置信息。如式(1)所示:
编码器中存在L层Transformer,每个Transformer由多头自注意力(MSA)和多层感知机块(MLP)构成。如式(2)和(3)所示,因此第L层的输出可以写成如下:
Z′l=MSA(LN(Zl-1))+Zl-1 (2)
Zl=MLP(LN(Z′l))+Z′l (3)
式中,LN为层归一化,Zl是编码的图像特征,Transformer层的结构如图3a所示。经过L层Transformer输出的结果为二维patch序列在D维空间的编码特征。为了恢复空间顺序,编码特征的大小应该重塑到序列化之前。解码器如图3b所示。在图3b中,先对编码特征进行上采样,用2×2的卷积核进行卷积以减少一半的特征通道数量;然后通过跳跃链接与其相对应的分辨率特征相聚合,再用两个3×3的卷积核进行卷积运算,且均使用ReLU激活函数。在最后一层,1×1的卷积层为像素分类卷积层。可以看到,上采样器与混合编码器一起构成了一个u形结构,它通过跳跃链接在不同的分辨率级上实现特征聚合。
本文输入的图像大小为[3,128,128],经过四个卷积块后(等同于4次下采样)输出为[1024,8,8],接着经过重塑和12层Transformer处理后为[64,1024],最后经过逆重塑和一次卷积处理后编码层输出的图像大小为[512,8,8]。经过解码层的四次上采样与九次卷积处理后,最终输出的图像为[1,128,128],即将输出的大小调整为所需的海洋内波条纹。
TransUnet网络的损失函数为DSC(Dice Similariy Coefficient)损失函数,DSC是一种集合相似度度量指标,通常用于评估两个样本的相似度。其公式定义如下:
式中;FP(False Positive)为假阳性,TP(True Positive)为真阳性,FN(FalseNegative)为假阴性。
具体实施例:
为了训练TransUnet网络,本文将原始数据集划分为训练集、验证集和测试集选择数据分配比例为8:1:1,测试集的DSC损失值下降到最低,此时模型效果较好。输入的原始图像分辨率大小为256×256,模型中调整为128×128。对于模型,使用的学习率为0.001,动量0.9和权重衰减系数1e-4的随机梯度优化器进行训练。基于Python平台。对于TransUnet模型,默认BatchSize为16,PatchSize为16,默认训练Epochs次数为300,且patience为50(即如果大于50次训练的损失率都未下降,则停止训练)。图3为模型的性能分析图。由图3可知在第287次迭代为最优模型参数,此时训练集的DSC(Dice Similariy Coefficientg)损失值下降到0.1529,测试集的损失值降到0.1769。
为了评估不同模块对模型性能的影响,分别在不同设置下进行了研究。该研究包括以下三个模块:输入图像的分辨率、跳跃链接次数和Transformer层数。
在其他参数都相同的情况下,输入分辨率大小分别为128×128和64×64。可发现知精确度随着分辨率提高而提高。正如Dosovitskiy等指出的,随着序列长度增加,性能会显著改善。输入的分辨率从64×64到128×128,训练集的DSC提高了2.85%,相应的测试集DSC提高了1.61%,但其代价是更大的计算量。因考虑到计算时间的成本,本文所有的实验都默认分辨率为128×128。
Unet框架的跳跃链接通过恢复底层空间信息有助于增强分割细节。为了检验跳跃链接的数量对性能的影响,通过改变图4b中分辨率分别为64×64、32×32和16×16的跳跃链接来实现。分割性能如图5所示。由图5可以发现添加更多的跳跃链接通常会得到更好的分割性能,并且发现在无跳跃链接时分割效果较差。在“1”中,仅在64×64分辨率上添加跳跃链接。在“2”中,在64×64和32×32分辨率上分别添加跳跃链接。
Transformer是一种完全依赖于注意力机制来建立输入与输出之间的全局依赖关系,有助于恢复局部空间信息以增强分割精度。本文分别选择0、4、8、12和16层5种情况来分析,在分割效果中,可以观察到初始时增加Transformer层数,DSC精度均有提升;在12层时,DSC精度达到了最高82.31%,之后有所下降。因此,选择恰当的模型复杂度即可拥有较好的分割性能。
为了评估分割效果,在测试集中提供了定性的比较结果,如图6所示。可以发现U-net分割更容易产生错误的分割。对于复杂的条纹形状,会遇到欠分割(例如,在第二行(ii)或(iV)中,条纹被Unet欠分割),对于简单的条纹形状,会遇到过度分割(例如,在第二行(i)中,海洋内波条纹边缘不精细)。通过对比TransUnet的预测结果,可以发现TransUnet优于Unet(例如,在第三行(iV)和(iV)中,TransUnet分割的条纹更完整,没有断裂)。因此,这些观察表明TransUnet能够进行更精细的分割并保留详细的形状信息。原因是TransUnet享受到了全局上下文信息和低级细节的好处,而Unet则依赖于低级语义特征。
本发明电子设备包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令,来执行各种适当的动作和处理。在RAM中,还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口,包括:输入单元,例如键盘、鼠标等;输出单元,例如各种类型的显示器、扬声器等;存储单元,例如磁盘、光盘等;以及通信单元,例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理,例如方法S1~S2。例如,在一些实施例中,方法S1~S2可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时,可以执行上文描述的方法S1~S2的一个或多个步骤。备选地,在其他实施例中,CPU可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S1~S2。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于TransUnet的海洋内波条纹分割方法,其特征在于,该方法包括以下步骤:
步骤S1、获取海洋内波SAR影像数据集,处理后得到带标签数据的影像数据集;
步骤S2、采用预训练后的TransUnet网络对带标签数据的影像数据集进行分割,得到分割后的海洋内波条纹;所述TransUnet网络包括编码器和解码器,所述编码器包括用于进行特征映射的卷积神经网络CNN和用于依据特征映射结果进行编码以提取全局上下文的输入序列的Transformer网络。
2.根据权利要求1所述的一种基于TransUnet的海洋内波条纹分割方法,其特征在于,所述步骤S1包括以下子步骤:
步骤S11、获取海洋内波SAR影像数据集,并进行预处理;
步骤S12、将影像数据转换为TIFF格式,以获取影像的强度值和地理信息;
步骤S13、将所有TIFF格式的影像数据进行随机裁剪以增加数据量,并保存为JPG格式;
步骤S14、利用可视化软件对裁剪后的JPG格数据集进行标记,并生成PNG格式的标签数据;
步骤S15、将标签数据二值化处理。
3.根据权利要求2所述的一种基于TransUnet的海洋内波条纹分割方法,其特征在于,所述步骤S11中的预处理包括多视处理、滤波处理和地理编码。
4.根据权利要求3所述的一种基于TransUnet的海洋内波条纹分割方法,其特征在于,所述滤波处理具体为:采用Gamma Map滤波算法进行滤波处理。
5.根据权利要求1所述的一种基于TransUnet的海洋内波条纹分割方法,其特征在于,所述步骤S2中采用预训练后的TransUnet网络对带标签数据的影像数据集进行分割,得到分割后的海洋内波条纹,具体包括以下子步骤:
步骤S21、采用卷积神经网络CNN提取特征映射;
步骤S22、利用Transformer对卷积神经网络CNN提取到的特征映射进行编码,作为提取全局上下文的输入序列;
步骤S23、解码器对编码的特征进行上采样,再通过跳跃链接与对应分辨率的CNN特征相结合,对海洋内波条纹进行分割,从而获取内波条纹的位置信息。
6.根据权利要求5所述的一种基于TransUnet的海洋内波条纹分割方法,其特征在于,所述步骤S22包括以下子步骤:
步骤S221、将卷积神经网络CNN提取到的特征映射图像切分为平面的二维patch序列;
步骤S222、使用可训练的线性投影将矢量化的patch映射到潜在的D维嵌入空间;为了编码patch空间,给每个patch添加特定的位置信息,表达式为:
步骤S223、编码器中存在L层Transformer,每个Transformer包括多头自注意力MSA和多层感知机块MLP,经过L层Transformer输出结果为二维patch序列在D维空间的编码特征。
7.根据权利要求5所述的一种基于TransUnet的海洋内波条纹分割方法,其特征在于,所述步骤S23包括以下子步骤:
步骤S231、通过上采样器对编码特征进行上采样;
步骤S232、通过跳跃链接与其相对应的分辨率特征相聚合,通过卷积层进行卷积运算且最后一个卷积层为像素分类卷积层,最终输出所需的海洋内波条纹;
其中,上采样器与编码器一起构成了u形结构,通过跳跃链接在不同的分辨率级上实现特征聚合。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380014.1A CN115601649A (zh) | 2022-11-04 | 2022-11-04 | 基于TransUnet的海洋内波条纹分割方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380014.1A CN115601649A (zh) | 2022-11-04 | 2022-11-04 | 基于TransUnet的海洋内波条纹分割方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115601649A true CN115601649A (zh) | 2023-01-13 |
Family
ID=84852809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211380014.1A Pending CN115601649A (zh) | 2022-11-04 | 2022-11-04 | 基于TransUnet的海洋内波条纹分割方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115601649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719031A (zh) * | 2023-08-08 | 2023-09-08 | 中国科学院空天信息创新研究院 | 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统 |
-
2022
- 2022-11-04 CN CN202211380014.1A patent/CN115601649A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719031A (zh) * | 2023-08-08 | 2023-09-08 | 中国科学院空天信息创新研究院 | 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统 |
CN116719031B (zh) * | 2023-08-08 | 2023-10-13 | 中国科学院空天信息创新研究院 | 一种合成孔径雷达sar图像的海洋涡旋检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022111352A1 (zh) | 目标检测方法及装置、存储介质、终端 | |
CN111079683B (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN112348770A (zh) | 一种基于多分辨率卷积网络的桥梁裂缝检测方法 | |
CN115019182B (zh) | 遥感图像目标细粒度识别方法、系统、设备及存储介质 | |
CN116051549B (zh) | 一种太阳能电池片缺陷分割方法、系统、介质及设备 | |
CN116030074A (zh) | 一种道路病害的识别方法、重识别方法及相关设备 | |
CN115601649A (zh) | 基于TransUnet的海洋内波条纹分割方法、设备及存储介质 | |
CN115330813A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN116485815A (zh) | 基于双尺度编码器网络的医学图像分割方法、设备和介质 | |
CN116778318A (zh) | 一种卷积神经网络遥感影像道路提取模型及方法 | |
CN114462469B (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN116309536A (zh) | 一种路面裂缝检测方法及存储介质 | |
CN116071664A (zh) | 基于改进CenterNet网络的SAR图像舰船检测方法 | |
CN116363037A (zh) | 一种多模态图像融合方法、装置及设备 | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 | |
CN114332870A (zh) | 水位识别方法、装置、设备及可读存储介质 | |
CN115984714B (zh) | 一种基于双分支网络模型的云检测方法 | |
CN112633123A (zh) | 一种基于深度学习的异源遥感影像变化检测方法及装置 | |
CN117351372A (zh) | 一种基于改进DeeplabV3+的遥感图像道路分割方法 | |
CN116778470A (zh) | 对象识别及对象识别模型训练方法、装置、设备及介质 | |
CN115631405A (zh) | 一种基于SegFormer的SAR影像海洋内波条纹分割方法 | |
CN113781475A (zh) | 热红外图像显著人体目标检测方法及系统 | |
CN116311052A (zh) | 一种人群计数方法、装置、电子设备及存储介质 | |
CN112287995B (zh) | 一种基于多层耦合映射的低分辨率图像识别方法 | |
CN117150369B (zh) | 超重预测模型的训练方法及电子设备 |
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 |