CN116091940B - 一种基于高分辨率卫星遥感影像的作物分类和识别方法 - Google Patents
一种基于高分辨率卫星遥感影像的作物分类和识别方法 Download PDFInfo
- Publication number
- CN116091940B CN116091940B CN202310012593.2A CN202310012593A CN116091940B CN 116091940 B CN116091940 B CN 116091940B CN 202310012593 A CN202310012593 A CN 202310012593A CN 116091940 B CN116091940 B CN 116091940B
- Authority
- CN
- China
- Prior art keywords
- convolution
- resolution
- remote sensing
- image
- crop
- 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
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
- G06V10/40—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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高分辨率卫星遥感影像的作物分类和识别方法,利用无人机采集作物空间分布图片,结合实地调研结果制作高分遥感影像对应的类别标签;将高分影像和其对应的标签以数据增强的方式进行样本扩充;构建作物分类深度学习模型进行训练,利用卷积提取作物的类别特征,利用叠加层保留作物的上层特征,利用金字塔池化模块聚合作物的上下文语义特征;保存训练过程中得到的最优模型,将最优模型用于高分辨率卫星遥感影像的作物分类和识别。本发明利用编码‑解码的框架网络结构对遥感影像进行作物分类,构建了轻量级编码器进行关键特征的提取,提高了作物分类的准确率和作物识别的效率,同时避免了特征提取带来的特征损失。
Description
技术领域
本发明涉及一种基于高分辨率卫星遥感影像的作物分类和识别方法,属于遥感作物分类领域。
背景技术
农作物精细的分类制图是作物面积估算、长势监测、产量预算和风险评估的基础,同时也是研究全球变化、物质与能量流动的支撑数据。基于遥感技术的作物监测主要包括卫星和无人机两种方式,高空卫星覆盖面积大、探测周期短的优势成为大范围农情信息监测的重要手段,低空无人机灵活方便、分辨率高的特点被广泛应用于农田区域的信息获取。相较于传统的人工统计方法,遥感手段可以及时、快速地获取作物种植的空间结构信息和时间变化特征。
在基于传统的机器学习算法,例如:支持向量机(SVM)、随机森林(RF)、K近邻法(KNN)、决策树(DT)等等,进行遥感影像的作物分类任务中,其分类结果往往受到“椒盐现象”、“同物异谱”和“同谱异物”的影响。利用“卷积”进行遥感影像的特征提取能够巧妙地弱化上述问题,同时也能够很好地解决遥感影像分辨率不足、作物复杂环境场景限制的约束。
尽管卷积神经网络模型在作物分类任务中取得了良好的实验效果,但是基于高分遥感影像固有的特性依旧限制了许多全卷积神经网络的性能。首先,基于遥感影像作物空间分布不规律以及作物生长时期不统一的特点,现有的作物识别分类方法无法准确地捕捉全局特征信息,难免出现“一叶障目”的现象,从而影响了遥感影像作物分类最后提取特征的可区分性。其次,遥感影像需要合理地兼顾上下文作物类别的语义信息,现有的作物识别分类方法在进行作物多层特征提取时,没有对浅层特征进行保留从而丢失了上层作物的类别特征。最后,现有的作物识别分类方法往往随着卷积层数的指数级增长,神经网络模型的参数也随着成倍增加,模型的计算效率也成为作物分类任务迫在眉睫的问题。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于高分辨率卫星遥感影像的作物分类和识别方法。
为了解决以上技术问题,本发明采用的技术方案是:
一种基于高分辨率卫星遥感影像的作物分类和识别方法,包括以下步骤:
步骤1:下载高分六号卫星影像,对下载的遥感数据进行预处理操作,具体步骤如下:
步骤101:对分辨率为八米的多光谱影像进行辐射定标、大气校正和正射校正;
步骤102:对分辨率为两米的全色影像进行辐射定标和正射校正;
步骤103:将正射校正后的多光谱和全色遥感影像进行融合;
步骤2:利用无人机采集作物空间分布图片,结合实地调研结果制作高分遥感影像对应的类别标签,以农作物玉米和水稻为研究对象进行关键性分析,对其他类别的土地类型不再进行细分,类别标签中白色表示背景,黄色表示玉米,绿色表示水稻,其他均表示为黑色;
步骤3:将高分影像和其对应的标签以数据增强的方式进行样本扩充,对高分影像和其对应的标签同时做随机切割,裁剪到固定大小的深度学习数据集,并进行旋转、镜像、模糊、滤波和加噪五种数据增强的操作;
步骤4:构建作物分类深度学习模型进行训练,利用卷积提取作物的类别特征,利用叠加层保留作物的上层特征,利用金字塔池化模块聚合作物的上下文语义特征,具体步骤如下:
步骤401:以两个卷积层为单位,构建第一个和第二个卷积块,每个卷积块之后进行步长为二的下采样;
步骤402:以三个卷积层为单位,构建第三个、第四个和第五个卷积块,每个卷积块之后进行步长为二的下采样,在每个下采样之后串联金字塔池化模块,在第三个金字塔池化模块后连接两个大小为(1×1)的卷积层;
步骤403:每个卷积块之间同时用叠加层进行连接;
步骤404:对编码器最后一层(1×1)大小的卷积提取到的特征,经过特征图个数等于类别数的(1×1)大小的卷积层后,以步长为二的上采样进行特征图还原,再与经过第二个金字塔池化结构进行(3×3)大小卷积提取到的特征结合,以步长为二的上采样进行特征图还原,最后与经过第一个金字塔池化结构进行(3×3)大小卷积提取到的特征结合,以步长为八的上采样进行特征图还原,经过(1×1)大小的卷积层完成作物分类;
步骤5:保存训练过程中得到的最优模型,将最优模型用于高分辨率卫星遥感影像的作物分类和识别,对高分辨率卫星遥感影像按顺序切割成固定大小的图片进行预测,将预测结果再按顺序进行拼接。
进一步地,步骤402中金字塔池化模块从左到右分别将原始特征经过平均池化层映射成(1×1)、(2×2)、(4×4)和(8×8)大小的特征图,再经过(1×1)大小的卷积后进行上采样还原原始特征,最后对不同大小的子区域特征图进行叠加。
本发明构了建编码-解码的网络框架模型。多次利用不同大小的平均池化层聚合不同子区域之间的原始特征信息,减少卷积特征提取时带来的特征损失;在每个卷积块进行特征提取时叠加上层输入的特征信息,保留作物分类的原始特征。本发明使用轻量级的编码器对作物的关键信息进行采集,八倍步长的上采样解码器对原始影像进行还原,高效准确地对玉米和水稻进行了分类。
本发明具体优势如下:
1)该方法通过平均池化聚合不同子区域之间的原始特征,以减少“卷积”特征提取时带来的特征损失,从而提高了模型的准确率;
2)该方法通过叠加每个卷积块的上层输入特征信息,使得同一个大小的特征图有了更多的特征表示,从而进一步提高了模型的准确率;
3)该方法以两层或者三层为单位构建了带有五个卷积块的轻量级编码器,在解码阶段最终以八倍步长的上采样进行原始影像的还原,从而提高了作物分类和识别的效率。
附图说明
图1为本发明的实施流程图。
图2为本发明的高分六号卫星遥感影像预处理的流程图。
图3为本发明的深度学习模型的框架结构图。
图4为本发明的叠加模块的框架结构图。
图5为本发明的金字塔池化模块的框架结构图。
图6为本发明的实施案例的部分分类效果展示;(a)预处理完成的高分六号卫星遥感影像;(b)对应的玉米和水稻的标签;(c)本发明所提出的模型的分类结果。
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
参考图1,一种基于高分辨率卫星遥感影像的作物分类和识别方法,本发明的方法包含以下步骤:
步骤1:下载高分六号卫星影像,高分六号卫星数据包含分辨率为八米的多光谱红色、绿色、蓝色(RGB)和近红外(NIR)波段以及分辨率为两米的全色波段,对下载的遥感数据进行预处理操作,图2为高分六号卫星遥感影像预处理的流程图,具体步骤如下:
步骤101:对分辨率为八米的多光谱影像进行辐射定标、大气校正和正射校正;
步骤102:对分辨率为两米的全色影像进行辐射定标和正射校正;
步骤103:将正射校正后的多光谱和全色遥感影像进行融合,对融合后的多景高分六卫星遥感影像进行拼接和裁剪操作,提取所需要的研究区域;
步骤2:参考无人机采集的作物空间分布图片,以农作物玉米和水稻为研究对象进行关键性分析,共制作19组高分遥感影像及其对应的类别标签,具体步骤如下:
步骤201:结合实地调研结果,在预处理好的高分六号卫星遥感影像上制作标签,19组数据分别为(400×400)到(7000×7000)不等大小的三通道彩色图片,对高分六卫星遥感影像进行“标准差”拉伸处理,在类别标签图片中白色(255,255,255)表示背景,黄色(255,255,115)表示玉米,绿色(85,255,0)表示水稻,其他均表示为黑色(0,0,0);
步骤202:将标签图片全部转换为单通道灰度图片,则灰度值255、239、175、0分别表示为背景、玉米、水稻和其他;
步骤3:将高分影像和其对应的标签以数据增强的方式进行样本扩充,对高分影像和其对应的标签同时做随机切割,将19组数据扩充到一万张(256×256)大小的深度学习数据集,分别随机选择75%的遥感影像和标签旋转90°、180°和270°,25%的遥感影像和标签沿y轴进行镜像操作,随机对25%的原图做模糊操作,25%的原图进行光照调整,随机选择20%的遥感影像添加点噪声;
步骤4:构建作物分类深度学习模型进行训练,75%的数据作训练集,25%的数据作测试集,图3展示了深度学习模型的框架结构,共包括五个卷积块、五个叠加模块、三个金字塔池化模块和三次上采样,卷积块中的第一个数字表示通道数,第二个和第三个数字表示特征图的长和宽,右边数字表示每个卷积块中对应的卷积层数,利用池化层进行步长为二的下采样,“PPM”表示金字塔池化模块,带有“C”的正方形表示叠加层,卷积层的第一个数字1024表示特征图的个数,“N”表示分类的类别个数,(1×1)、(3×3)分别表示卷积核的大小,上采样模块中(2×2)和(8×8)表示不同的采样步长,具体步骤如下:
步骤401:以两个卷积层为单位,构建第一个和第二个卷积块,每个卷积块之后进行步长为二的下采样;
步骤402:以三个卷积层为单位,构建第三个、第四个和第五个卷积块,每个卷积块之后进行步长为二的下采样,在每个下采样之后串联金字塔池化模块,在第三个金字塔池化模块后连接两个大小为(1×1)的卷积层;
步骤403:每个卷积块之间同时用叠加层进行连接,图4展示了叠加模块的框架结构图,其中,叠加层对原始特征图和特征提取后的特征图进行叠加;
步骤404:对编码器最后一层(1×1)大小的卷积提取到的特征,经过特征图个数等于类别数的(1×1)大小的卷积层后,以步长为二的上采样进行特征图还原,再与经过第二个金字塔池化结构进行(3×3)大小卷积提取到的特征结合,以步长为二的上采样进行特征图还原,最后与经过第一个金字塔池化结构进行(3×3)大小卷积提取到的特征结合,以步长为八的上采样进行特征图还原,经过(1×1)大小的卷积层完成作物分类;
步骤5:保存训练过程中得到的最优模型,将最优模型用于高分辨率卫星遥感影像的作物分类和识别,对高分辨率卫星遥感影像按顺序切割成固定大小的图片进行预测,将预测结果再按顺序进行拼接。
进一步地,图5展示了金字塔池化模块的框架结构图,从下到上分别表示输入、平均池化、卷积、上采样和叠加层,步骤402中金字塔池化模块从左到右分别将原始特征经过平均池化层映射成(1×1)、(2×2)、(4×4)和(8×8)大小的特征图,再经过(1×1)大小的卷积后进行上采样还原原始特征,最后对不同大小的子区域特征图进行叠加。
图6(a)展示了部分预处理完成的高分六号卫星遥感影像,图6(b)展示了对应的玉米和水稻的标签,图6(c)展示了本发明所提出的模型的分类结果,表明了本发明能够较好的提取不同类别的农作物进行识别,从而有效地完成了分类任务。本发明与现有的网络模型做对比,表1展示了现有模型以及本发明提出的模型的实验结果,准确率是指分类正确的预测数与总预测数的比值,平均交并比是指每个预测类别预测区域和实际区域交集除以预测区域和实际区域并集的平均值,训练所运行的时间是指在同等实验条件下迭代一百次模型所需要的运行时间,从表1中可以看出本发明所提出的模型具有高效准确的特性,准确率和平均交并比都达到了最优值94.68%和66.51%,训练所运行的时间较短,迭代一百次耗时2.92小时。
表1
评价指标 | 准确率 | 平均交并比 | 训练所运行的时间 |
FCN | 93.22% | 56.51% | 2.93h |
SegNet | 92.77% | 43.71% | 4.87h |
U-Net | 92.77% | 43.32% | 2.91h |
PSPNet | 93.37% | 64.13% | 4.29h |
DeepLabV3+ | 92.75% | 54.33% | 4.57h |
本发明提出的模型 | 94.68% | 66.51% | 2.92h |
本发明具有以下有益效果:提供了一种以高分辨率卫星遥感影像为样本,编码-解码为框架结构的深度学习作物分类和识别方法。利用卷积提取作物的类别特征,利用叠加层保留作物的上层特征,利用金字塔池化模块聚合作物的上下文语义特征。该方法在编码阶段通过不同大小的平均池化层来聚合不同子区域之间的原始特征信息,减少卷积特征提取时带来的特征损失,同时在网络框架模型中串联多个金字塔特征提取模块,尽量保留了不同深度卷积块特征提取后的特征信息。该方法在编码阶段通过叠加输入的上层特征信息,使得同一个大小的特征图有了更多的特征表示,在不失速度的前提下提高了模型的精度和准确率。该方法以两层到三层为单位构建了带有五个卷积块的轻量级编码器,在解码阶段以两次两倍步长和一次八倍步长的上采样进行原始影像的还原,提高了作物分类和识别的效率。另外,该方法也能够进一步用来对空间分布不规律、种植结构复杂、种植面积小而密以及分类对象占比不均衡的作物分类任务进行研究,提供数据和技术支撑。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (2)
1.一种基于高分辨率卫星遥感影像的作物分类和识别方法,其特征在于,包括以下步骤:
步骤1:下载高分六号卫星影像,对下载的遥感数据进行预处理操作;具体为:对分辨率为八米的多光谱影像进行辐射定标、大气校正和正射校正,对分辨率为两米的全色影像进行辐射定标和正射校正,最后将正射校正后的多光谱和全色遥感影像进行融合;
步骤2:利用无人机采集作物空间分布图片,结合实地调研结果制作高分遥感影像对应的类别标签,以农作物玉米和水稻为研究对象进行关键性分析,对其他类别的土地类型不再进行细分,类别标签中白色表示背景,黄色表示玉米,绿色表示水稻,其他均表示为黑色;
步骤3:将高分影像和其对应的标签以数据增强的方式进行样本扩充,对高分影像和其对应的标签同时做随机切割,裁剪到固定大小的深度学习数据集,并进行旋转、镜像、模糊、滤波和加噪五种数据增强的操作;
步骤4:构建作物分类深度学习模型进行训练,利用卷积提取作物的类别特征,利用叠加层保留作物的上层特征,利用金字塔池化模块聚合作物的上下文语义特征;构建深度学习模型的具体步骤如下:
步骤401:以两个卷积层为单位,构建第一个和第二个卷积块,每个卷积块之后进行步长为二的下采样;
步骤402:以三个卷积层为单位,构建第三个、第四个和第五个卷积块,每个卷积块之后进行步长为二的下采样,在每个下采样之后串联金字塔池化模块,在第三个金字塔池化模块后连接两个大小为(1×1)的卷积层;金字塔池化模块从左到右分别将原始特征经过平均池化层映射成(1×1)、(2×2)、(4×4)和(8×8)大小的特征图,再经过(1×1)大小的卷积后进行上采样还原原始特征,最后对不同大小的子区域特征图进行叠加;
步骤403:每个卷积块之间同时用叠加层进行连接;
步骤404:对编码器最后一层(1×1)大小的卷积提取到的特征,经过特征图个数等于类别数的(1×1)大小的卷积层后,以步长为二的上采样进行特征图还原,再与经过第二个金字塔池化结构进行(3×3)大小卷积提取到的特征结合,以步长为二的上采样进行特征图还原,最后与经过第一个金字塔池化结构进行(3×3)大小卷积提取到的特征结合,以步长为八的上采样进行特征图还原,经过(1×1)大小的卷积层完成作物分类;
步骤5:保存训练过程中得到的最优模型,将最优模型用于高分辨率卫星遥感影像的作物分类和识别。
2.根据权利要求1所述的基于高分辨率卫星遥感影像的作物分类和识别方法,其特征在于:所述步骤5中对高分辨率卫星遥感影像按顺序切割成固定大小的图片进行预测,将预测结果再按顺序进行拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012593.2A CN116091940B (zh) | 2023-01-05 | 2023-01-05 | 一种基于高分辨率卫星遥感影像的作物分类和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310012593.2A CN116091940B (zh) | 2023-01-05 | 2023-01-05 | 一种基于高分辨率卫星遥感影像的作物分类和识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091940A CN116091940A (zh) | 2023-05-09 |
CN116091940B true CN116091940B (zh) | 2023-07-25 |
Family
ID=86202017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310012593.2A Active CN116091940B (zh) | 2023-01-05 | 2023-01-05 | 一种基于高分辨率卫星遥感影像的作物分类和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237648B (zh) * | 2023-11-16 | 2024-02-23 | 中国农业科学院农业资源与农业区划研究所 | 基于上下文感知的语义分割模型的训练方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102113969B1 (ko) * | 2019-10-28 | 2020-06-02 | 이화여자대학교 산학협력단 | 공간 정보 딥러닝 기술을 활용한 관광 목적 sns 이미지 데이터 분류의 정확도 향상 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN112949413A (zh) * | 2021-02-04 | 2021-06-11 | 北京大学 | 基于街景图片的城市景观要素分类及地方性度量方法 |
CN112991354A (zh) * | 2021-03-11 | 2021-06-18 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
CN113705326A (zh) * | 2021-07-02 | 2021-11-26 | 重庆交通大学 | 一种基于全卷积神经网络的城市建设用地识别方法 |
-
2023
- 2023-01-05 CN CN202310012593.2A patent/CN116091940B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102113969B1 (ko) * | 2019-10-28 | 2020-06-02 | 이화여자대학교 산학협력단 | 공간 정보 딥러닝 기술을 활용한 관광 목적 sns 이미지 데이터 분류의 정확도 향상 방법, 이를 수행하기 위한 기록 매체 및 장치 |
CN112949413A (zh) * | 2021-02-04 | 2021-06-11 | 北京大学 | 基于街景图片的城市景观要素分类及地方性度量方法 |
CN112991354A (zh) * | 2021-03-11 | 2021-06-18 | 东北大学 | 一种基于深度学习的高分辨率遥感影像语义分割方法 |
CN113705326A (zh) * | 2021-07-02 | 2021-11-26 | 重庆交通大学 | 一种基于全卷积神经网络的城市建设用地识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116091940A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128134B (zh) | 一种矿区生态环境演变驱动因子权重量化分析方法 | |
CN111428781A (zh) | 遥感影像地物分类方法及系统 | |
CN107273938B (zh) | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 | |
CN111914907A (zh) | 一种基于深度学习空谱联合网络的高光谱图像分类方法 | |
CN111523521A (zh) | 一种双支路融合多尺度注意神经网络的遥感图像分类方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN111476170A (zh) | 一种结合深度学习和随机森林的遥感影像语义分割方法 | |
CN115170979A (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
CN116091940B (zh) | 一种基于高分辨率卫星遥感影像的作物分类和识别方法 | |
CN114067219A (zh) | 一种基于语义分割与超像素分割融合的农田作物识别方法 | |
CN115457396A (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
Nazmfar et al. | Classification of satellite images in assessing urban land use change using scale optimization in object-oriented processes (a case study: Ardabil city, Iran) | |
CN116343058A (zh) | 基于全局协同融合的多光谱和全色卫星影像地表分类方法 | |
CN114037922B (zh) | 一种基于层级上下文网络的航拍图像分割方法 | |
CN116030324A (zh) | 一种基于光谱特征与空间特征融合的目标检测方法 | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
CN112446256A (zh) | 一种基于深度isa数据融合的植被类型识别方法 | |
Bhagat et al. | Multimodal sensor fusion using symmetric skip autoencoder via an adversarial regulariser | |
CN115170987A (zh) | 一种基于图像分割和配准融合对葡萄进行病害检测的方法 | |
Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects | |
Goetz et al. | Applications of multi-temporal land cover information in the mid-Atlantic region: A RESAC initiative | |
CN117115566B (zh) | 利用全季节遥感影像的城市功能区识别方法及系统 | |
CN117765410B (zh) | 遥感影像双分支特征融合固废识别方法、系统及电子设备 | |
Ahamed et al. | Instance Segmentation of Visible Cloud Images Based on Mask R-CNN Applying Transfer Learning Approach | |
Lamprecht et al. | 3D Tree Models |
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 |