CN116071346A - 一种异质双时图像变化检测方法及装置 - Google Patents

一种异质双时图像变化检测方法及装置 Download PDF

Info

Publication number
CN116071346A
CN116071346A CN202310180587.8A CN202310180587A CN116071346A CN 116071346 A CN116071346 A CN 116071346A CN 202310180587 A CN202310180587 A CN 202310180587A CN 116071346 A CN116071346 A CN 116071346A
Authority
CN
China
Prior art keywords
image
change
map
determining
images
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
CN202310180587.8A
Other languages
English (en)
Inventor
邢颖慧
张琪
张秀伟
尹翰林
王松
张艳宁
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202310180587.8A priority Critical patent/CN116071346A/zh
Publication of CN116071346A publication Critical patent/CN116071346A/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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

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

Abstract

本发明公开了一种异质双时图像变化检测方法及装置，本发明涉及图像变化检测技术领域，包括：利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图，根据两张第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据变化差分图，确定第一伪标签图，利用前馈神经网络处理经过通道加权和通道维拼接后的第一隐空间特征图，获取初始变化概率图，根据初始变化概率图确定第二伪标签图，利用第二伪标签图替换先验变化图，迭代更新第二伪标签图。该方法以双时相图像在同一特征空间的编码为输入，以可靠的伪标签作为监督引导模型自主推理伪标签中不正确的区域，同时能有效抑制其中的噪斑。

Description

一种异质双时图像变化检测方法及装置
技术领域
本发明涉及图像变化检测技术领域，更具体的涉及一种异质双时图像变化检测方法及装置。
背景技术
变化检测是对两个不同时期针对一个区域收集的图像进行比较，以确定变化的类型、幅度和位置，其中变化包括因人类活动、自然灾害或气候变化等引起的地表覆盖类型变化。遥感影像变化检测是遥感领域多年来的研究热点，它是土地利用、地质灾害监测、生态环境保护等任务的关键性环节。
然而在实际应用中，在各种内部(传感器性能、卫星轨道等)和外部(天气、气候等)因素的限制下难以获取到理想的同质双时相图像，异质图像之间的变化检测凸显出其重要性。
SAR(Synthetic Aperture Radar，合成孔径雷达)通过主动发射微波，并接收地物的反射波成像，成像方式为主动成像；而光学传感器则通过捕获地物反射光而成像，成像方式为被动成像；两种不同的成像方式决定了二者在对地物特征的表达上存在一定互补性，如光学图像具有更丰富的语义信息和地物细节，但是易受天气和光线的影响，而SAR全天时全天候成像，使SAR图像能够在恶劣天气或夜间成像，但由于其伴随大量噪斑，使图像内容的可读性不强。
光学图像和SAR图像之间的无监督变化检测具有极大的研究意义。在云雾遮蔽情况下，光学传感器无法获得完整且清晰的地面图像，而SAR发射的微波可以穿透云雾，从而不受影响地捕获到地面图像，此时可以用SAR图像和另一个时相的光学图像组成一对异质图像对进行变化检测；此外，遥感图像尺寸大，SAR图像解译难度大，人工进行变化分析和标注的成本很高，无监督的变化检测方法会更具有研究价值。
由于异质图像对相同地物的表示差异巨大，无法直接进行特征比较，因此目前无监督异质变化检测的方法大多以图像转换(即双时相图像域之间相互转换)和隐空间映射(即将双时相图像域转换到隐空间)为主，然后将转换后的同质图像或特征进行简单差分，最后利用自动阈值分割技术或者如聚类的无监督二分类技术得到二值变化图。
由于光学图像和SAR图像之间的地物表达差异巨大且复杂，不同地物在光学和SAR图像之间的映射关系完全不一致，因此无监督的方法很难从复杂的异质差异和变化差异中正确地区分变化区域，无论是图像转换还是隐空间映射的方式都没办法得到良好的差异图；且最后的变化图完全依赖于差异图的分布属性，得到的变化图会有大量的噪斑，即使某些方法会采用简单去噪方法来提高最后变化图的精度，但是这种方法不够智能，只能在特定的场景下使用。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明第一方面提出一种异质双时图像变化检测方法，所述方法包括：
利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图；双流编码器基于两张第一隐空间特征图和先验变化图确定的第一目标函数及双流编码器重构过程中输入和输出确定的第二目标函数构成的第一损失函数训练得到，异质双时图像包括不同时段获取的光学图像和SAR图像；
根据两张第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据变化差分图，确定第一伪标签图；
利用前馈神经网络处理经过通道加权和通道维拼接后的第一隐空间特征图，获取初始概率图，前馈神经网络基于第一伪标签图和初始变化概率图确定的交叉熵损失及利用L2范数对前馈神经网络的参数正则化之和确定的第二损失函数监督训练得到；
根据初始概率图确定第二伪标签图；
利用第二伪标签图替换先验变化图，迭代更新第二伪标签图，并确定两张异质双时图像的变化检测结果的概率图。
可选的，双流编码器包含两个自编码器，每个自编码器包括：
子编码器，其前n-1个编码层均包含输出多个通道数的二维卷积、批归一化处理和LeakyReLU的激活函数，第n个编码层包含输出多个通道数的二维卷积、批归一化处理和Sigmoid激活函数，其中，各层卷积核的大小为均为3x3，且使用padding方法使输入和输出的空间维度相同；
子解码器，其结构与子编码器前n-1个编码层结构相同。
可选的，利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图，包括：
获取一张初始化的先验变化图像；
将两张异质双时图像输入双流编码器，输出的两张初始隐空间特征图像；
根据初始化先验变化图像的各像素点值和对应的两张初始隐空间特征图像像各像素点的L1范数的累加和，与两张先验变化图像的像素点数的商，确定第一目标函数；
根据两张异质双时图像的像素点，与经双流编码器分别重构输出的两张重构图像像素点的差值之和，确定第二目标函数；
根据第一目标函数和第二目标函数确定第一损失函数；
根据第一损失函数训练双流编码器；
将两张异质双时图像输入双流编码器，得到两张第一隐空间特征图，两张第一隐空间特征图映射到相同的隐特征空间。
可选的，获取初始化的先验变化图像，包括：
将两张初始隐空间特征图像各像素点的L1范数相加，得到累加和，利用累加和与初始隐空间特征图像的像素点数的商，确定第三目标函数；
利用第三目标函数，训练双流自编码器的子编码器；
将初始隐空间特征图像输入训练后的子编码器，得到两张第二隐空间特征图；
获取两张第二隐空间特征图的逐像素位置差值的L2范数值，确定L2范数值对应的像素点构成的差分图像，对差分图像进行阈值分割，确定初始化的先验变化图像。
可选的，根据变化差分图，确定第一伪标签图，包括：
获取两张第一隐空间特征图的各像素的L2范数值；
根据百分位函数处理各像素的L2范数值和第一阈值，确定第一隐空间特征图中L2范数值大于第一阈值的多个像素点；
根据多个像素点，确定第一伪标签图。
可选的，利用前馈神经网络处理经过通道加权和通道维拼接处理后的第一隐空间特征图，获取初始概率图，包括：
利用CBAM中的通道注意力，确定第一隐空间特征图的通道注意力权重；
利用多层前馈神经网络FFN，确定经通道维拼接后的输出的变化的概率图和不变的概率图；
根据变化的概率图确定初始概率图。
可选的，根据初始概率图确定第二伪标签图，包括：
对初始概率图的各像素点归一化处理，确定各像素点的归一化概率图；
根据归一化概率图中概率大于第二阈值的变化区域，确定第二伪标签图。
本发明还提供一种异质双时图像变化检测装置，包括：
特征图获取模块，用于利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图；双流编码器基于两张第一隐空间特征图和先验变化图确定的第一目标函数及双流编码器重构过程中输入和输出确定的第二目标函数构成的第一损失函数训练得到，异质双时图像包括不同时段获取的光学图像和SAR图像；
第一伪标签图获取模块，用于根据两张第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据变化差分图，确定第一伪标签图；
初始概率图获取模块，用于利用前馈神经网络处理经过通道加权和通道维拼接处理后的第一隐空间特征图，获取初始概率图，前馈神经网络基于第一伪标签图和变化概率图确定的交叉熵损失及利用L2范数对前馈神经网络的参数正则化之和确定的第二损失函数监督训练得到；
第二伪标签图获取模块，用于根据初始概率图确定第二伪标签图；
迭代输出模块，用于利用第二伪标签图替换先验变化图，迭代更新第二伪标签图，并确定两张异质双时图像的变化检测结果的概率图。
本发明还提供一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的异质双时图像变化检测方法。
本发明还提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如第一方面所述的异质双时图像变化检测方法。
本发明实施例提供一种异质双时图像变化检测方法及装置，与现有技术相比，其有益效果如下：
本发明通过迭代更新伪标签的方式构建了一种无监督变化检测方法，相比于现有方法，其结果经过模型自主推理有效降低了变化图中的噪斑，有效提高了检测的精度，且不需要再进行其他复杂的后处理。相比于图像转换这种需要进行高难度的转换学习，本方法转换到隐空间的方法训练起来更加容易，也占用更少的资源。
附图说明
为了更清楚地说明本发明的技术方案，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的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还能够根据这些附图获得其它附图。
图1为本发明实施例提供的一种异质双时图像变化检测方法流程图；
图2是本发明实施例提供的一种异质双时图像变化检测方法的自编码器编码部分的结构图；
图3是本发明实施例提供的一种异质双时图像变化检测方法的从CBAM模型中提出来的通道注意力模块；
图4是本发明实施例提供的一种异质双时图像变化检测方法的整个光学和SAR图像变化检测方法示意图；
图5是本发明实施例提供的一种异质双时图像变化检测方法的训练的阶段和伪标签迭代结构图；
图6是本发明实施例提供的一种异质双时图像变化检测方法的样例数据1及其实验结果，其中，(a)为光学图像，(b)为SAR图像，(c)真实变化标签，(d)为检测结果；
图7是本发明实施例提供的一种异质双时图像变化检测方法的样例数据2及其实验结果，(a)为光学图像，(b)为SAR图像，(c)真实变化标签，(d)为检测结果；
图8是本发明实施例提供的一种异质双时图像变化检测方法的样例数据2上的中间结果，(a)为差分图，(b)为对差分图使用Otsu阈值分割的结果，(c)为本方法的最终结果；
图9是本发明提供的一种异质双时图像变化检测装置结构图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或无创造性的劳动可以包括更多或者更少的操作步骤。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
图1表示本发明提供的一种异质双时图像检测方法的流程图。
如图1所示，检测方法的步骤包括：
步骤101、利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图；所述双流编码器基于两张所述第一隐空间特征图和所述先验变化图确定的第一目标函数及双流编码器重构过程中输入和输出确定的第二目标函数构成的第一损失函数训练得到，所述异质双时图像包括不同时段获取的光学图像和SAR(Synthetic Aperture Radar，合成孔径雷达)图像；
具体地，在云雾遮蔽情况下，光学传感器无法获得完整且清晰的地面图像，而SAR发射的微波可以穿透云雾，从而不受影响地捕获到地面图像，此时可以用SAR图像和另一个时相的光学图像组成一对异质图像对进行变化检测，由于光学和SAR图像巨大的分布差异，共享的特征提取器无法进行统一的编码表示，必须分别使用两个编码器对其编码，再进行统一的编码，在本发明中采用的两个编码器称为双流编码器。构建一个空间尺度不变的CNN(Convolutional Neural Network，卷积神经网络)双流编码器对双时相图像进行编码表示；并建立发明内容中所描述的损失函数L1，用以约束异质双时图像投影到同一特征空间。
在一种可能的实施方式中，双流编码器包含两个自编码器，每个所述自编码器包括：
子编码器，其前n-1个编码层均包含输出多个通道数的二维卷积、批归一化处理和LeakyReLU的激活函数，第n个编码层包含输出多个通道数的二维卷积、批归一化处理和Sigmoid激活函数，其中，各层卷积核的大小为均为3x3，且使用padding方法使输入和输出的空间维度相同；
子解码器，其结构与所述子编码器前n-1个编码层结构相同。
在本发明提供的实施例中，子编码器为六层，前五层各层的卷积输出通道分别是12、48、96、48、12、各层还包括一个归一化处理BN(Batch Normalization，批量规范化)和一个LeakyReLU的激活函数，编码器的最后一层称之为对齐层，对齐层包含一个输出通道为5的卷积和一个归一化处理及Sigmoid激活函数，使用Sigmoid激活函数来限制其数值范围在(0，1)范围，子解码器的结构与编码器类似，但是没有对齐层。
图2是自编码器编码部分的结构图。
如图2所示，自编码器的自编码器包括6层，最后一层为对齐层。
在一种可能的实施方式中，利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图的步骤，包括：
步骤1011、获取一张初始化的先验变化图像；
步骤1012、将两张所述异质双时图像输入所述双流编码器，输出的两张初始隐空间特征图像；
具体的，将两张所述异质双时图像输入所述双流编码器，输出的两张初始隐空间特征图像，这个过程表示为：
ZX＝Fenc(X)，X∈Rm×n
ZY＝Genc(Y)，Y∈Rm×n
ZX表示原图像X在隐空间Z中的第一张初始隐空间特征图像，ZY表示原图像Y在隐空间Z中的第二张初始隐空间特征图像，m，n表示X和Y的空间尺寸宽和高。
步骤1013、根据所述初始化先验变化图像的各像素点值和对应的所述两张初始隐空间特征图像像各像素点的L1范数的累加和，与两张所述先验变化图像像素点数的商，确定第一目标函数；
的具体的，为了将两张异质双时图像编码到同一特征空间，需要约束未变化区域具有相同的编码表示(也就是将其投影到相同的隐特征空间中)。由于图像中还存在变化区域，为了使变化区域的特征表示呈现出差异，因此引入先验变化图Pu作为掩码，进行更加准确的特征拉近，需要优化下面的式子：
Figure BDA0004102229900000091
Pu(i，j)∈0，1
Lpull为确定的第一目标函数，Lpull的最小值是优化的目标。
步骤1014、根据所述两张异质双时图像的像素点，与经所述双流编码器分别重构输出的两张重构图像像素点的差值之和，确定第二目标函数；
具体的，为了保留编码结果具有足够的隐信息，这里使用了自编码器。自编码结构要求解码过程重构的数据和输入相同，其需要优化：
minLrec＝(X-Fdec(Zx))+(Y-Gdec(ZY))
Lrec表示确定的第二目标函数，Fenc(·)，Fdec(·)，Genc(·)，Gdec(·)分别表示双流的编码器和解码器，双流的编码器和解码器均采用CNN实现。
步骤1015、根据第一目标函数和第二目标函数确定第一损失函数；
具体的，该阶段的损失函数为：
L1＝Lpull+λLrec
其中，λ表示线性组合参数。
步骤1011-步骤1015建立起来了衡量双流编码器训练结果的损失函数。
步骤1016、根据所述第一损失函数训练所述双流编码器；
具体的，训练时使用的数据来自经过辐射校正，几何校正等处理的光学遥感图像和单极化SAR幅度图像，两个时相的图像在空间上完成了相互配准；
训练时将两张异质双时图像划分为patch，patch的大小和图像本身的属性、模型感受野以及训练设备的性能有关，可以设置为96、64、32等，且patch之间需要有重叠以保证每个像素充分训练，patch裁切步长的设置与patch的大小有关，可以设置为32，16等，使用对称填充将图像填充为可整切的大小；
每个patch送入训练之前需要进行图像增强和归一化，图像增强策略是随机对双时相patch进行旋转，缩放，翻转和引入随机噪声；
步骤1016开始对双流编码器进行训练，已达到获得合适的双流编码器。
步骤1017、将两张所述异质双时图像输入所述双流编码器，得到两张所述第一隐空间特征图，两张所述第一隐空间特征图映射到相同的隐特征空间。
具体的，步骤1017获得了两张映射到相同的隐特征空间的对齐的编码后的第一隐空间特征图。
在一种可能的实施方式中，获取初始化的先验变化图像的步骤，包括：
步骤10111、将所述两张初始隐空间特征图像各像素点的L1范数相加，得到累加和，利用所述累加和与所述初始隐空间特征图像的像素点数的商，确定第三目标函数；
具体的，第三目标函数定义为：
Figure BDA0004102229900000101
步骤10112、利用所述第三目标函数，训练所述双流自编码器的子编码器；
步骤10113、将所述初始隐空间特征图像输入训练后的所述子编码器，得到两张第二隐空间特征图；
具体的，步骤10112-步骤10113，使用无掩码的
Figure BDA0004102229900000102
仅训练双流自编码器的编码器(即预热训练)获得没有使用重构约束的提取了显著特征的差分图，即两张第二隐空间特征图。
步骤10114、获取两张所述第二隐空间特征图的逐像素位置差值的L2范数值，确定所述L2范数值对应的像素点构成的差分图像，对差分图像进行阈值分割，确定初始化的先验变化图像。
具体的，在上述步骤中没有使用重构约束，编码后的结果只提取了显著特征，所以得到的差分图不精确，我们对其使用阈值分割方法，具体采用最大类间方差算法Otsu(大津法)得到一个粗略变化图，我们将这个变化图作为先验变化图像
Figure BDA0004102229900000111
这个过程可以表示为：
Figure BDA0004102229900000112
其中，Otsu()表示阈值分割算法，D(0)表示未使用重构约束的差分图像。
步骤102、根据两张所述第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据所述变化差分图，确定第一伪标签图；
步骤103、利用所述第一伪标签图监督训练的前馈神经网络处理经过通道加权和通道维拼接后的第一隐空间特征图，获取初始变化概率图；
在一种可能的实施方式中，所述利用所述第一伪标签图监督训练的前馈神经网络处理经过通道加权和通道维拼接处理后的第一隐空间特征图，获取初始变化概率图的步骤，包括：
步骤1031、利用CBAM(Convolutional BlockAttention Module，卷积注意力模块)中的通道注意力，确定两张所述第一隐空间特征图的通道注意力权重；
步骤1032、利用多层前馈神经网络FFN(Feed Forward Networks，多层前馈神经网络)，确定经通道维拼接后的输出的变化的概率图和不变的概率图；
步骤1033、根据变化的概率图确定初始概率图；
步骤1034、利用第一伪标签图和所述确定的交叉熵损失及利用L2范数对所述多层前馈神经网络FFN的参数正则化之和确定的第二损失函数；
步骤1035、根据第二损失函数训练所述多层前馈神经网络FFN；
步骤1036、在多层前馈神经网络FFN中输出初始变化概率图。
在本发明提供的实施方式中，在获得了两张异质双时图像的第一隐空间特征图后，此时的特征具有易判别性，更适合去监督学习，由于编码环节的结果有重构的约束，其编码结果必须保留足够的原始图像信息，相比于最后的变化信息，其特征表示存在一些冗余，因此进行伪标签监督学习之前首先使用通道注意力对ZX和ZY进行通道加权，本方法采用了CBAM中的通道注意力实现方式，这样可以抑制与变化信息无关的通道信息。然后融合两个时相的图像特征，使用FFN进行监督学习。
具体的，融合方法采用的是通道维的特征拼接，FFN为三层卷积层，前两层每层都为Conv-BN-ReLU，第三层为Conv-BN-Sigmoid，称为直接监督层，使用Sigmoid激活函数是为了将输出映射为一个在[0，1]区间的概率值。这个过程可以表示为：
p＝FFN(cat(ZX·att(ZX)，ZY·att(ZY)))
其中，att(·)表示输入的通道注意力权重，cat(·，·)表示通道维拼接操作，p为FFN输出的初始概率图。
具体的，通过交叉熵损失进行有监督学习，由于标签是不准确的，为了能尽可能发挥FFN的泛化能力，推理出更准确的结果，故同时使用L2范数对FFN的参数进行正则化，防止对伪标签的过拟合。
该阶段的优化目标为：
Figure BDA0004102229900000121
WFFN表示FFN的参数，β是正则项的系数，其中交叉熵损失为：
Figure BDA0004102229900000122
训练结束后的FNN的输出为2通道，分别表示两个类别(变化与不变)的概率图，其中变化的概率图为本申请获得的初始变化概率图。
图3是从CBAM模型中提出来的通道注意力模块。
如图3所示，在CBAM模型中提出来的通道注意力模块输入特征F后，经过平行设置的最大池MaxPool和平均池AvgPool之后，经过共享多层感知机制Shared MLP之后，再分别经过最大池化MaxPool和平均池化AvgPool之后累加并积分，输出通道注意力。
步骤104、根据所述初始变化概率图确定第二伪标签图；
步骤105、利用所述第二伪标签图替换先验变化图，迭代更新所述第二伪标签图，并确定两张异质双时图像的变化检测结果的概率图。
具体的，在迭代更新过程首先将本发明提供的方法划分为两个阶段：
阶段I：构建两个空间尺度不变的CNN自编码器分别对双时相图像进行编码表示；并建立发明内容中所描述的损失函数L1，用来约束双时相图像投影到同一特征空间。
阶段II：构建带有通道注意力的FFN推理结构，以阶段I生成的特征表示作为输入，以阶段I生成的可靠变化信息作为伪标签；并建立发明内容中所描述的损失函数L2，该损失函数用来帮助FFN推理比伪标签更精确的变化区域。
然后，对本方法进行训练，训练方法包括：
使用两个SGD(stochastic gradient descent，随机梯度下降)优化器进行优化，分别用于两个阶段参数的更新，初始学习率均设置为1e-4；并设置学习率衰减策略，由于阶段II会存在过拟合的问题，阶段II的学习率衰减程度要更大一些；批处理大小可以为32、64等。
训练方法中的L1中的超参数λ＝2，L2中的超参数β＝0.5。
训练开始时首先对阶段I仅使用
Figure BDA0004102229900000131
损失训练若干epoch进行预热训练，同时获得初始化先验变化图
Figure BDA0004102229900000132
正式开始训练后阶段I和阶段II交替训练，训练过程中固定每次迭代阶段I和阶段II的epoch数量，保证每次迭代阶段I训练收敛，而阶段II训练epoch数量不宜过多，否则会过分和伪标签拟合，在欠收敛的情况下才能充分发挥FFN的推理能力，随着迭代次数的增加，训练固定epoch数量的阶段Ⅱ也会慢慢收敛，多轮迭代后所有loss均收敛。
在训练结束后在模型内输入两张异质双时图像，获得FFN输出变化检测结果的概率图即初始变化概率图。
综上，本发明使用伪标签贯穿整个方法，且一次迭代分为明确的两个阶段，第一阶段主要是依据先验变化图获得异质图像的统一特征表示，并以TopN的方式获得伪标签，第二阶段以第一阶段的编码结果和获得的伪标签进行监督学习。本方法的关键点在于下面几点：
(1)使用先验变化图获得更好的编码结果。这是本方法的迭代结果中重要的环节，通过迭代不断修正编码的结果。现有的方法中也会用类似的方式，但是现有方法的先验变化图是通过编码结果或差分结果不断更新，而本方法的伪标签会经过第二阶段推理，明显更加可靠和合理。
(2)初始化的先验变化图像的方法也非常巧妙，在不引入额外复杂运算的情况下使用本模型的子结构得到比其他传统方法更好的先验变化图，同时初始化了编码器，让编码器的训练更快更稳定。
(3)第一阶段获得可靠伪标签。尽管这个伪标签的获取方式为简单的TopN方法，但是这种方法符合模型所体现出来的特点：特征度量距离越远越有可能是变化区域。由于第二阶段能够根据伪标签自主推理更精确的结果，该方法对N的敏感度比较低，只需要保证一个比较小的值即可。现有方法中很少有二值伪标签的使用，类似的做法也是通过差分图二值化得到，但是这种做法会引入大量的误差。
(4)使用伪标签进行监督学习。这个环节能对变化区域进行充分推理，是提高检测结果最关键的一步，也是迭代模式起作用的根源。现有方法中没有使用伪标签进行监督学习得到变化图的方法。
图4是是整个光学和SAR图像变化检测方法示意图。
如图4所示，该示意图包括训练和推理中数据的流向，以及网络中间特征图的状态。虚线主要用来生成和更新整个图像上的变化情况，由于模型是全CNN的，它对图像输入的空间大小没有要求，而全图的变化情况需要一次性生成，所以不能和训练时候一样以patch作为输入(各个patch分布存在差异)，在本方法中，以整幅图像输入得到全图变化概率图的过程称为验证流程。所有的D和Pu都是在验证流程中获得的，训练中使用Pu参与再运算的时候需要根据patch的位置对其进行切片索引(附图4中的“切片”操作)。
图5是训练的阶段和伪标签迭代结构图。
如图5所示，首先准备光学图像X和SAR图像Y，然后对自编码器的编码器进行预热训练，生成初始化的先验变化图像，根据初始化的先验变化图像构建L1损失函数，利用L1损失函数训练对齐的自编码器，获得自编码器输出的X和Y映射到隐空间的编码后的图像ZX和ZY，根据编码后的图像ZX和ZY获得第一伪标签，利用L2损失函数监督伪标签和FFN推理的结果，获得伪标签监督学习的第二伪标签图，然后判断L2损失函数是否收敛，如果未收敛，利用第二伪标签图更新初始化的先验变化图像，继续后续的步骤，如果L2损失函数收敛，训练结束。
图6是样例数据1及其实验结果。
如图6所示，(a)为光学图像，(b)为SAR图像，(c)真实变化标签，(d)为检测结果。
图7是样例数据2及其实验结果。
如图7所示，(a)为光学图像，(b)为SAR图像，(c)真实变化标签，(d)为检测结果。
图8是样例数据2上的中间结果。
如图8所示，(a)为差分图，(b)为对差分图使用Otsu阈值分割的结果，(c)为本方法的最终结果。
在一种可能的实施方式中，根据所述变化差分图，确定第一伪标签图的步骤，包括：
步骤1021、获取两张所述第一隐空间特征图的各像素的L2范数值；
步骤1022、根据百分位函数处理各像素的L2范数值和第一阈值，确定第一隐空间特征图中L2范数值大于第一阈值的多个像素点；
步骤1023、根据所述多个像素点，确定所述第一伪标签图。
在本发明提供的实施例中，在获得了两个图像在同一特征空间的编码表示后，即两张第一隐空间特征图，此时未变化区域的特征距离会远远小于变化区域的，因此可以使用L2范数来度量每个位置的变化程度，此时度量值在[0，1]之间，从而得到变化概率图：
D(i，j)＝||ZX(i，j)-ZY(i，j)||2，D(i，j)∈[0，1]
其中，ZX(i，j)和ZY(i，j)分别表示两张异质双时图像的第一隐空间特征图，D(i，j)表示变化概率图的各像素点的值；
在获得的D(i，j)中特征距离越远的位置越有可能是变化区域，因此第二伪标签图Pu (n)可以通过选择D中距离大于TopN的像素位置，考虑到变化区域通常占少部分，N可以依情况选择较小的第一阈值，比如5％。即：
α＝percentile(D，N)
其中，percentile(·，·)表示计算分位数；
具体的，获取变化概率图的各像素点的值D(i，j)中百分位大于α的像素点另其值为1，其它像素点值为0，得到第一伪标签图的各像素点值
Figure BDA0004102229900000161
在一种可能的实施方式中，根据所述初始变化概率图确定第二伪标签图，包括：
步骤1041、对所述初始变化概率图的各像素点归一化处理，确定各像素点的归一化概率图；
步骤1042、根据归一化概率图中概率大于第二阈值的变化区域，确定第二伪标签图。
在本发明提供的实施例中，由于输入特征变化区域具有易判别性，变化区域也表现出极高的变化概率，然而不变区域的概率范围较大。因此取其中表示变化概率的通道p1，进行归一化后选择其中概率大于第二阈值pt(本方法中第二阈值pt＝0.95)的位置为变化区域，其他为未变化区域，并更新Pu用作下次迭代：
Figure BDA0004102229900000171
Figure BDA0004102229900000172
本发明还提供一种异质双时图像变化检测装置2，包括：
特征图获取模块201，用于利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图；所述双流编码器基于两张所述第一隐空间特征图和所述先验变化图确定的第一目标函数、及双流编码器重构过程中输入和输出确定的第二目标函数构成的第一损失函数训练得到；
第一伪标签图获取模块202，用于根据所述两张第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据所述变化差分图，确定第一伪标签图；
初始概率图获取模块203，用于利用所述第一伪标签图监督训练的前馈神经网络处理经过通道加权和通道维拼接处理后的第一隐空间特征图，获取初始变化概率图；
第二伪标签图获取模块204，用于根据所述初始变化概率图确定第二伪标签图；
迭代输出模块205，用于利用所述第二伪标签图替换先验变化图，迭代更新所述第二伪标签图，并确定两张异质双时图像的变化检测结果的概率图。
图9是本发明提供的一种异质双时图像变化检测装置结构图。
如图9所示异质双时图像变化检测装置2包括：特征图获取模块201、第一伪标签图获取模块202、初始概率图获取模块203、第二伪标签图获取模块204、迭代输出模块205。
在一种可能的实施方式中，双流编码器包含两个自编码器，每个所述自编码器包括：
子编码器，其前n-1个编码层均包含输出多个通道数的二维卷积、批归一化处理和LeakyReLU的激活函数，第n个编码层包含输出多个通道数的二维卷积、批归一化处理和Sigmoid激活函数，其中，各层卷积核的大小为均为3x3，且使用padding方法使输入和输出的空间维度相同；
子解码器，其结构与所述子编码器前n-1个编码层结构相同。
在一种可能的实施方式中，特征图获取模块201具体包括：
第一图像获取单元2011、用于获取一张初始化的先验变化图像；
初始图像获取单元2012、用于将两张所述异质双时图像输入所述双流编码器，输出的两张初始隐空间特征图像；
第一函数确定单元2013、用于根据所述初始化先验变化图像的各像素点值和对应的所述两张初始隐空间特征图像像各像素点的L1范数的累加和，与两张所述先验变化图像的像素点数的商，确定第一目标函数；
第二函数确定单元2014、用于根据所述两张异质双时图像的像素点，与经所述双流编码器分别重构输出的两张重构图像像素点的差值之和，确定第二目标函数；
第一损失函数确定单元2015、用于根据第一目标函数和第二目标函数确定第一损失函数；
第一训练单元2016、用于根据所述第一损失函数训练所述双流编码器；
第一特征图获取单元2017、用于将两张所述异质双时图像输入所述双流编码器，得到两张所述第一隐空间特征图，两张所述第一隐空间特征图映射到相同的隐特征空间。
在一种可能的实施方式中，所述第一图像获取单元2011具体包括：
第三函数确定单元20111、用于将所述两张初始隐空间特征图像各像素点的L1范数相加，得到累加和，利用所述累加和与所述初始隐空间特征图像的像素点数的商，确定第三目标函数；
第二训练单元20112，用于利用所述第三目标函数，训练所述双流自编码器的子编码器；
第二特征图获取单元20113、用于将所述初始隐空间特征图像输入训练后的所述子编码器，得到两张第二隐空间特征图；
先验变化图像获取单元20114、获取两张所述第二隐空间特征图的逐像素位置差值的L2范数值，确定所述L2范数值对应的像素点构成的差分图像，对差分图像进行阈值分割，确定初始化的先验变化图像。
在一种可能的实施方式中，所述第一伪标签图获取模块202具体包括：
L2范数获取单元2021、用于获取两张所述第一隐空间特征图的各像素的L2范数值；
第一处理单元2022、用于根据百分位函数处理各像素的L2范数值和第一阈值，确定第一隐空间特征图中L2范数值大于第一阈值的多个像素点；
生成单元2023、用于根据所述多个像素点，确定所述第一伪标签图。
在一种可能的实施方式中，所述初始变化概率图获取模块203具体包括：
权重确定单元2031，用于利用CBAM中的通道注意力，确定第一隐空间特征图的通道注意力权重；
概率图输出单元2032、用于利用多层前馈神经网络FFN，确定经通道维拼接后的输出的变化的概率图和不变的概率图；
概率图确定单元2033、用于根据变化的概率图确定初始概率图；
第二损失函数确定单元2034、用于利用第一伪标签图和所述确定的交叉熵损失及利用L2范数对所述多层前馈神经网络FFN的参数正则化之和确定的第二损失函数；
第三训练单元2035、用于根据第二损失函数训练所述多层前馈神经网络FFN；
初始变化概率图输出单元2036、用于在多层前馈神经网络FFN中输出初始变化概率图。
在一种可能的实施方式中，所述第二伪标签图获取模块204具体包括：
第二图像获取单元2041、用于对所述初始变化概率图的各像素点归一化处理，确定各像素点的归一化概率图；
第二处理单元2042、用于根据归一化概率图中概率大于第二阈值的变化区域，确定第二伪标签图。
在本发明提供的又一实施例中，还提供了一种设备，所述设备包括处理器和存储器，所述存储器种存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现本发明实施例中所述的异质双时图像变化检测方法。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现本发明实施例中所述的异质双时图像变化检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种异质双时图像变化检测方法，其特征在于，包括：
利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图；所述双流编码器基于两张所述第一隐空间特征图和所述先验变化图确定的第一目标函数及双流编码器重构过程中输入和输出确定的第二目标函数构成的第一损失函数训练得到，所述异质双时图像包括不同时段获取的光学图像和SAR图像；
根据两张所述第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据所述变化差分图，确定第一伪标签图；
利用所述第一伪标签图监督训练的前馈神经网络处理经过通道加权和通道维拼接后的第一隐空间特征图，获取初始变化概率图；
根据所述初始变化概率图确定第二伪标签图；
利用所述第二伪标签图替换先验变化图，迭代更新所述第二伪标签图，并确定两张异质双时图像的变化检测结果的概率图。
2.如权利要求1所述的方法，其特征在于，所述双流编码器包含两个自编码器，每个所述自编码器包括：
子编码器，其前n-1个编码层均包含输出多个通道数的二维卷积、批归一化处理和LeakyReLU的激活函数，第n个编码层包含输出多个通道数的二维卷积、批归一化处理和Sigmoid激活函数，其中，各层卷积核的大小为均为3x3，且使用padding方法使输入和输出的空间维度相同；
子解码器，其结构与所述子编码器前n-1个编码层结构相同。
3.如权利要求2所述的方法，其特征在于，所述利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图，包括：
获取一张初始化的先验变化图像；
将两张所述异质双时图像输入所述双流编码器，输出的两张初始隐空间特征图像；
根据所述初始化先验变化图像的各像素点值和对应的所述两张初始隐空间特征图像像各像素点的L1范数的累加和，与两张所述先验变化图像的像素点数的商，确定第一目标函数；
根据所述两张异质双时图像的像素点，与经所述双流编码器分别重构输出的两张重构图像像素点的差值之和，确定第二目标函数；
根据第一目标函数和第二目标函数确定第一损失函数；
根据所述第一损失函数训练所述双流编码器；
将两张所述异质双时图像输入所述双流编码器，得到两张所述第一隐空间特征图，两张所述第一隐空间特征图映射到相同的隐特征空间。
4.如权利要求3所述的方法，其特征在于，所述获取初始化的先验变化图像，包括：
将所述两张初始隐空间特征图像各像素点的L1范数相加，得到累加和，利用所述累加和与所述初始隐空间特征图像的像素点数的商，确定第三目标函数；
利用所述第三目标函数，训练所述双流自编码器的子编码器；
将所述初始隐空间特征图像输入训练后的所述子编码器，得到两张第二隐空间特征图；
获取两张所述第二隐空间特征图的逐像素位置差值的L2范数值，确定所述L2范数值对应的像素点构成的差分图像，对差分图像进行阈值分割，确定初始化的先验变化图像。
5.如权利要求1所述的方法，其特征在于，所述根据所述变化差分图，确定第一伪标签图，包括：
获取两张所述第一隐空间特征图的各像素的L2范数值；
根据百分位函数处理各像素的L2范数值和第一阈值，确定第一隐空间特征图中L2范数值大于第一阈值的多个像素点；
根据所述多个像素点，确定所述第一伪标签图。
6.如权利要求1所述的方法，其特征在于，所述利用所述第一伪标签图监督训练的前馈神经网络处理经过通道加权和通道维拼接处理后的第一隐空间特征图，获取初始变化概率图，包括：
利用CBAM中的通道注意力，确定两张所述第一隐空间特征图的通道注意力权重；
利用多层前馈神经网络FFN，确定经通道维拼接后的输出的变化的概率图和不变的概率图；
根据变化的概率图确定初始概率图；
利用第一伪标签图和所述确定的交叉熵损失及利用L2范数对所述多层前馈神经网络FFN的参数正则化之和确定的第二损失函数；
根据第二损失函数训练所述多层前馈神经网络FFN；
在多层前馈神经网络FFN中输出初始变化概率图。
7.如权利要求1所述的方法，其特征在于，所述根据所述初始变化概率图确定第二伪标签图，包括：
对所述初始变化概率图的各像素点归一化处理，确定各像素点的归一化概率图；
根据归一化概率图中概率大于第二阈值的变化区域，确定第二伪标签图。
8.一种异质双时图像变化检测装置，其特征在于，包括：
特征图获取模块，用于利用双流编码器获取待检测的两张异质双时图像的映射到相同隐特征空间的第一隐空间特征图及先验变化图；所述双流编码器基于两张所述第一隐空间特征图和所述先验变化图确定的第一目标函数及双流编码器重构过程中输入和输出确定的第二目标函数构成的第一损失函数训练得到；
第一伪标签图获取模块，用于根据所述两张第一隐空间特征图的逐像素位置差值的L2范数，确定变化差分图，根据所述变化差分图，确定第一伪标签图；
初始概率图获取模块，用于利用所述第一伪标签图监督训练的前馈神经网络处理经过通道加权和通道维拼接处理后的第一隐空间特征图，获取初始变化概率图；
第二伪标签图获取模块，用于根据所述初始变化概率图确定第二伪标签图；
迭代输出模块，用于利用所述第二伪标签图替换先验变化图，迭代更新所述第二伪标签图，并确定两张异质双时图像的变化检测结果的概率图。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至7中任一项所述的异质双时图像变化检测方法。
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至7中任一项所述的异质双时图像变化检测方法。
CN202310180587.8A 2023-03-01 2023-03-01 一种异质双时图像变化检测方法及装置 Pending CN116071346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310180587.8A CN116071346A (zh) 2023-03-01 2023-03-01 一种异质双时图像变化检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310180587.8A CN116071346A (zh) 2023-03-01 2023-03-01 一种异质双时图像变化检测方法及装置

Publications (1)

Publication Number Publication Date
CN116071346A true CN116071346A (zh) 2023-05-05

Family

ID=86180217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310180587.8A Pending CN116071346A (zh) 2023-03-01 2023-03-01 一种异质双时图像变化检测方法及装置

Country Status (1)

Country Link
CN (1) CN116071346A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797787A (zh) * 2023-05-22 2023-09-22 中国地质大学（武汉） 基于跨模态融合与图神经网络的遥感影像语义分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116797787A (zh) * 2023-05-22 2023-09-22 中国地质大学（武汉） 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN116797787B (zh) * 2023-05-22 2024-01-02 中国地质大学（武汉） 基于跨模态融合与图神经网络的遥感影像语义分割方法

Similar Documents

Publication Publication Date Title
CN114120102A (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
Chutia et al. An effective ensemble classification framework using random forests and a correlation based feature selection technique
CN114926746A (zh) 基于多尺度差分特征注意力机制的sar图像变化检测方法
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN116071346A (zh) 一种异质双时图像变化检测方法及装置
CN114241208A (zh) 图像间变化检测的局部和全局深度对比特征学习网络构建方法
CN114937173A (zh) 一种基于动态图卷积网络的高光谱图像快速分类方法
US20220236452A1 (en) Method For Classification Of Precipitation Type Based On Deep Learning
Luo et al. New deep learning method for efficient extraction of small water from remote sensing images
CN114821299A (zh) 一种遥感图像变化检测方法
CN116665114B (zh) 基于多模态的遥感场景识别方法、系统及介质
Zhang et al. Global attention network with multiscale feature fusion for infrared small target detection
CN117349784A (zh) 遥感数据的处理方法、装置及设备
Li et al. SAE‐CenterNet: Self‐attention enhanced CenterNet for small dense object detection
Zalipynis Bitfun: fast answers to queries with tunable functions in geospatial array dbms
CN116563552A (zh) 一种多源遥感图像融合语义分割方法及系统
CN116310812A (zh) 基于半监督语义分割对比学习的高分辨遥感图像语义变化检测方法
CN115601759A (zh) 端到端文本识别方法、装置、设备及存储介质
Peng et al. Reconstruction of optical image time series with unequal lengths SAR based on improved sequence–sequence model
CN115147727A (zh) 一种遥感影像不透水面提取方法及系统
CN114332533A (zh) 一种基于DenseNet的滑坡图像识别方法和系统
Ivanda et al. An application of 1D convolution and deep learning to remote sensing modelling of Secchi depth in the northern Adriatic Sea
Accarino et al. An ensemble machine learning approach for tropical cyclone localization and tracking from ERA5 reanalysis data
Zhu et al. A cross-resolution transfer learning approach for soil moisture retrieval from Sentinel-1 using limited training samples

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