CN116152660A - 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 - Google Patents
一种基于跨尺度注意力机制的广域遥感图像变化检测方法 Download PDFInfo
- Publication number
- CN116152660A CN116152660A CN202310148968.8A CN202310148968A CN116152660A CN 116152660 A CN116152660 A CN 116152660A CN 202310148968 A CN202310148968 A CN 202310148968A CN 116152660 A CN116152660 A CN 116152660A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- output end
- block
- module
- 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.)
- Granted
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于跨尺度注意力机制的广域遥感图像变化检测方法,该方法包括:获取待检测遥感图像信息;待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;对待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果;图像检测结果表征待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。可见,本发明有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于跨尺度注意力机制的广域遥感图像变化检测方法。
背景技术
目前,在实际的基于跨尺度注意力机制的广域遥感图像变化检测应用场景下,往往需要面对不同卫星所采集的不同分辨率的遥感数据,同时,由于遥感影像中成像角度、天气状况、季节变化以及外观非常混乱的物体等原因造成的伪变化仍难以区分。所以,在这种情况下,现有算法的鲁棒性、精度、实时性、对伪变化的抑制都不能达到理想结果。因此,提供一种基于跨尺度注意力机制的广域遥感图像变化检测方法,以针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
发明内容
本发明所要解决的技术问题在于,提供一种基于跨尺度注意力机制的广域遥感图像变化检测方法,能够有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
为了解决上述技术问题,本发明实施例第一方面公开了一种基于跨尺度注意力机制的广域遥感图像变化检测方法,所述方法包括:
获取待检测遥感图像信息;所述待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;
对所述待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;
利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果;所述图像检测结果表征所述待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。
作为一种可选的实施方式,在本发明实施例第一方面中,所述标准遥感图像信息包括第一标准遥感图像和第二标准遥感图像;
所述利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果,包括:
分别对所述第一标准遥感图像和所述第二标准遥感图像进行卷积池化和编码处理,得到第一输出特征图信息和第二输出特征图信息;所述第一输出特征图信息包括5张第一输出特征图;所述第二输出特征图信息包括5张第二输出特征图;
对所述第一输出特征图信息和所述第二输出特征图信息进行差分处理,得到差值特征图;
对所述第一输出特征图信息、所述第二输出特征图信息和所述差值特征图进行解码和采样卷积处理,得到变化检测预测图;所述变化检测预测图为黑白二值化的图像;
对所述变化检测预测图进行分析,得到图像检测结果。
作为一种可选的实施方式,在本发明实施例第一方面中,所述遥感图像变化检测模型包括第一编码模块、第二编码模块、解码模块和差分模块,其中:
所述第一编码模块的第一输出端连接所述解码模块的第一输入端,所述第一编码模块的第二输出端连接所述差分模块的第一输入端;
所述第二编码模块的第一输出端连接所述解码模块的第二输出端,所述第二编码模块的第二输出端连接所述差分模块的第二输入端;
所述差分模块的输出端连接所述解码模块的第三输出端;
所述解码模块的输出端为所述遥感图像变化检测模型的输出端;
所述第一编码模块和所述第二编码模块的输入端用于输入所述标准遥感图像信息中的标准遥感图像。
作为一种可选的实施方式,在本发明实施例第一方面中,所述第一编码模块和所述第二编码模块均包括1个由卷积层和池化层构成的卷积池化块、4个由ResNet卷积层构成的编码器块;
所述解码模块包括4个由差分单元、跨尺度融合的注意力模块和2个1×1卷积层构成的解码器块、1个由上采样层和2个3×3卷积层构成的最终块。
作为一种可选的实施方式,在本发明实施例第一方面中,所述第一编码模块的第一卷积池化块的第一输出端连接所述第一编码器块的输入端,所述第一编码模块的第一卷积池化块的第二输出端连接所述第一解码器块的第一输入端;所述第一编码器块的第一输出端连接所述第二编码器块的输入端,所述第一编码器块的第二输出端连接所述第二解码器块的第一输入端;所述第二编码器块的第一输出端连接所述第三编码器块的输入端,所述第二编码器块的第二输出端连接所述第三解码器块的第一输入端;所述第三编码器块的第一输出端连接所述第四编码器块的输入端,所述第三编码器块的第二输出端连接所述第四解码器块的第一输入端;所述第四编码器块的输出端连接所述差分模块的第一输入端;
所述第二编码模块的第二卷积池化块的第一输出端连接所述第五编码器块的输入端,所述第二编码模块的第二卷积池化块的第二输出端连接所述第一解码器块的第二输入端;所述第五编码器块的第一输出端连接所述第六编码器块的输入端,所述第五编码器块的第二输出端连接所述第二解码器块的第二输入端;所述第六编码器块的第一输出端连接所述第七编码器块的输入端,所述第六编码器块的第二输出端连接所述第三解码器块的第二输入端;所述第七编码器块的第一输出端连接所述第八编码器块的输入端,所述第七编码器块的第二输出端连接所述第四解码器块的第二输入端;所述第八编码器块的输出端连接所述差分模块的第二输入端;
所述解码模块的第四解码器块的第三输入端连接所述差分模块的输出端,所述第四解码器块的输出端连接所述第三解码器块的第三输入端,所述第三解码器块的输出端连接所述第二解码器块的第三输入端,所述第二解码器块的输出端连接所述第一解码器块的第三输入端,所述第一解码器块的输出端连接所述最终块的输入端,所述最终块的输出端为所述遥感图像变化检测模型的输出端。
作为一种可选的实施方式,在本发明实施例第一方面中,所述第四解码器块包括差分单元、注意力模块、第一卷积层和第二卷积层,其中:
所述差分单元的第一输入端连接所述第三编码器块的第二输出端,所述差分单元的第二输入端连接所述第七编码器块的第二输出端,所述差分单元的输出端连接所述注意力模块的第一输入端;
所述注意力模块的第二输入端连接所述差分模块的输出端,所述注意力模块的输出端连接所述第一卷积层的输入端;
所述第一卷积层的输出端连接所述第二卷积层的输入端;
所述第二卷积层的输出端为所述第四解码器块的输出端。
作为一种可选的实施方式,在本发明实施例第一方面中,在所述利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果之前,所述方法还包括:
获取训练样本集;所述训练样本集包括若干个三元组的训练样本信息;所述三元组的训练样本信息为由两个不同时相的图像和图像变化检测对应的标签所构成的三元素向量;
对所述训练样本集进行数据增强和归一化处理,得到待用样本集;
从所述待用样本集中选取出目标样本信息;
将所述目标样本信息输入训练模型,得到训练预测结果;
利用损失函数对所述训练预测结果和所述目标样本信息进行计算处理,得到损失函数值信息;
其中,所述损失函数为:
式中,Lce为损失函数值,H为目标样本信息中遥感图像的高,W为目标样本信息中遥感图像的宽,Phw为训练预测结果对应的预测标签、Yhw为目标样本信息对应的真实标签;l(Phw,Yhw)为交叉熵损失,(h,w)为目标样本信息中遥感图像中坐标值为h和w的像素点坐标;
判断所述损失函数值信息的损失函数值是否满足收敛条件,得到第一判断结果;
当所述第一判断结果为否时,判断所述损失函数值信息的迭代次数是否等于训练次数阈值,得到第二判断结果;
当所述第二判断结果为否时,确定模型训练状态为不满足终止训练条件;
当所述第二判断结果为是时,确定所述模型训练状态为满足终止训练条件;
当所述第一判断结果为是时,确定所述模型训练状态为满足终止训练条件;
当所述模型训练状态为不满足终止训练条件时,利用参数更新模型对所述训练模型进行参数更新,并触发执行所述从所述待用样本集中选取出目标样本信息;
其中,参数更新模型为:
θ←θ+v;
式中,x(i)为目标样本信息中第i个目标样本,y(i)为目标样本信息中第i个目标样本对应的标签,v为更新速度,θ为训练模型的参数,η为初始参数学习率,α为动量参数,f(·)为模型计算函数;
当所述模型训练状态为满足终止训练条件时,确定所述训练模型为所述遥感图像变化检测模型。
本发明实施例第二方面公开了一种基于跨尺度注意力机制的广域遥感图像变化检测系统,系统包括:
获取模块,用于获取待检测遥感图像信息;所述待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;
第一处理模块,用于对所述待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;
第二处理模块,用于利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果;所述图像检测结果表征所述待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。
本发明第三方面公开了另一种基于跨尺度注意力机制的广域遥感图像变化检测系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的基于跨尺度注意力机制的广域遥感图像变化检测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的基于跨尺度注意力机制的广域遥感图像变化检测方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,获取待检测遥感图像信息;待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;对待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果;图像检测结果表征待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。可见,本发明有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于跨尺度注意力机制的广域遥感图像变化检测方法的流程示意图;
图2是本发明实施例公开的一种遥感图像变化检测模型的结构示意图;
图3是本发明实施例公开的另一种遥感图像变化检测模型的结构示意图;
图4是本发明实施例公开的一种第四解码器块的结构示意图;
图5是本发明实施例公开的一种最终块2021的结构示意图;
图6是本发明实施例公开的一种基于跨尺度注意力机制的广域遥感图像变化检测系统的结构示意图;
图7是本发明实施例公开的另一种基于跨尺度注意力机制的广域遥感图像变化检测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作出创造性劳动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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于跨尺度注意力机制的广域遥感图像变化检测方法,能够有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于跨尺度注意力机制的广域遥感图像变化检测方法的流程示意图。其中,图1所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法应用于图像处理系统中,如用于基于跨尺度注意力机制的广域遥感图像变化检测管理的本地服务器或云端服务器等,本发明实施例不做限定。如图1所示,该基于跨尺度注意力机制的广域遥感图像变化检测方法可以包括以下操作:
101、获取待检测遥感图像信息。
本发明实施例中,待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像。
102、对待检测遥感图像信息进行归一化处理,得到标准遥感图像信息。
103、利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果。
本发明实施例中,图像检测结果表征待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。
需要说明的是,上述遥感图像变化检测模型是基于跨尺度注意力机制的模型。
可选的,标准遥感图像信息包括若干张标准遥感图像。
在该可选的实施例中,作为一种可选的实施方式,上述对待检测遥感图像信息进行归一化处理,得到标准遥感图像信息,包括:
对于待检测遥感图像信息中的任一遥感图像,将该遥感图像的图像格式大小调整为256*256;
将调整图像格式大小之后的遥感图像中的每个像素点除以255,得到该遥感图像对应的标准遥感图像。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法能够有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在一个可选的实施例中,上述标准遥感图像信息包括第一标准遥感图像和第二标准遥感图像;
利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果,包括:
分别对第一标准遥感图像和第二标准遥感图像进行卷积池化和编码处理,得到第一输出特征图信息和第二输出特征图信息;第一输出特征图信息包括5张第一输出特征图;第二输出特征图信息包括5张第二输出特征图;
对第一输出特征图信息和第二输出特征图信息进行差分处理,得到差值特征图;
对第一输出特征图信息、第二输出特征图信息和差值特征图进行解码和采样卷积处理,得到变化检测预测图;变化检测预测图为黑白二值化的图像;
对变化检测预测图进行分析,得到图像检测结果。
需要说明的是,上述卷积池化处理是将图像进行缩放,以减小数据处理过程所需内存,进而提高图像的数据处理效率。
需要说明的是,上述编码处理包括对图像的降采样处理。
可选的,上述每两张第一输出特征图是在不同编码阶段得到的特征图。
可选的,上述黑白二值化的图像表征图像中的颜色包括黑色和白色。
可选的,解码处理是利用解码器块实现的。
在该可选的实施例中,作为一种可选的实施方式,上述对变化检测预测图进行分析,得到图像检测结果,包括:
判断变化检测预测图中是否存在像素值大于预设的像素阈值的区域,得到像素判断结果;
当像素判断结果为是时,将大于预设的像素阈值的区域进行圈定标注,得到图像检测结果。
优选的,上述像素阈值为0.9。
需要说明的是,上述大于预设的像素阈值的区域表征遥感图像中同一地区不同时间变化的区域位置。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在另一个可选的实施例中,如图2所示,遥感图像变化检测模型包括第一编码模块201、第二编码模块203、解码模块202和差分模块204,其中:
第一编码模块201的第一输出端连接解码模块202的第一输入端,第一编码模块201的第二输出端连接差分模块204的第一输入端;
第二编码模块203的第一输出端连接解码模块202的第二输出端,第二编码模块203的第二输出端连接差分模块204的第二输入端;
差分模块204的输出端连接解码模块202的第三输出端;
解码模块202的输出端为遥感图像变化检测模型的输出端;
第一编码模块201和第二编码模块203的输入端用于输入标准遥感图像信息中的标准遥感图像。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,第一编码模块201和第二编码模块203均包括1个由卷积层和池化层构成的卷积池化块、4个由ResNet卷积层构成的编码器块;
解码模块202包括4个由差分单元20251、跨尺度融合的注意力模块20252和2个1×1卷积层构成的解码器块、1个由上采样层20211和2个3×3卷积层构成的最终块2021。
具体的,如图5所示,上述最终块2021中的上采样层20211的输入端连接第一解码器块2022的输出端,上采样层20211的输出端连接第三卷积层20212的输入端,第三卷积层20212的输出端连接第四卷积层20213的输出端,第四卷积层20213的输出端为最终块2021的输出端。
可选的,上述第三卷积层20212和第四卷积层20213为3×3卷积层。
需要说明的是,通过不同编码器块的编码处理和不同解码器块的解码处理可有效的融合浅层特征图和深层特征图中与变化相关的信息,抑制由各种因素而导致的伪变化信息,提高伪变化问题的变化检测效率和精度。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,如图3所示,第一编码模块201的第一卷积池化块2011的第一输出端连接第一编码器块2012的输入端,第一编码模块201的第一卷积池化块2011的第二输出端连接第一解码器块2022的第一输入端;第一编码器块2012的第一输出端连接第二编码器块2013的输入端,第一编码器块2012的第二输出端连接第二解码器块2023的第一输入端;第二编码器块2013的第一输出端连接第三编码器块2014的输入端,第二编码器块2013的第二输出端连接第三解码器块2024的第一输入端;第三编码器块2014的第一输出端连接第四编码器块2015的输入端,第三编码器块2014的第二输出端连接第四解码器块2025的第一输入端;第四编码器块2015的输出端连接差分模块204的第一输入端;
第二编码模块203的第二卷积池化块2031的第一输出端连接第五编码器块2032的输入端,第二编码模块203的第二卷积池化块2031的第二输出端连接第一解码器块2022的第二输入端;第五编码器块2032的第一输出端连接第六编码器块2033的输入端,第五编码器块2032的第二输出端连接第二解码器块2023的第二输入端;第六编码器块2033的第一输出端连接第七编码器块2034的输入端,第六编码器块2033的第二输出端连接第三解码器块2024的第二输入端;第七编码器块2034的第一输出端连接第八编码器块2035的输入端,第七编码器块2034的第二输出端连接第四解码器块2025的第二输入端;第八编码器块2035的输出端连接差分模块204的第二输入端;
解码模块202的第四解码器块2025的第三输入端连接差分模块204的输出端,第四解码器块2025的输出端连接第三解码器块2024的第三输入端,第三解码器块2024的输出端连接第二解码器块2023的第三输入端,第二解码器块2023的输出端连接第一解码器块2022的第三输入端,第一解码器块2022的输出端连接最终块2021的输入端,最终块2021的输出端为遥感图像变化检测模型的输出端。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在一个可选的实施例中,如图4所示,上述第四解码器块2025包括差分单元20251、注意力模块20252、第一卷积层20253和第二卷积层20254,其中:
差分单元20251的第一输入端连接第三编码器块2014的第二输出端,差分单元20251的第二输入端连接第七编码器块的第二输出端,差分单元20251的输出端连接注意力模块20252的第一输入端;
注意力模块20252的第二输入端连接差分模块204的输出端,注意力模块20252的输出端连接第一卷积层20253的输入端;
第一卷积层20253的输出端连接第二卷积层20254的输入端;
第二卷积层20254的输出端为第四解码器块2025的输出端。
具体的,上述第一卷积层20253和第二卷积层20254均为1×1卷积层。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在另一个可选的实施例中,在利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果之前,方法还包括:
获取训练样本集;训练样本集包括若干个三元组的训练样本信息;三元组的训练样本信息为由两个不同时相的图像和图像变化检测对应的标签所构成的三元素向量;
对训练样本集进行数据增强和归一化处理,得到待用样本集;
从待用样本集中选取出目标样本信息;
将目标样本信息输入训练模型,得到训练预测结果;
利用损失函数对训练预测结果和目标样本信息进行计算处理,得到损失函数值信息;
其中,损失函数为:
式中,Lce为损失函数值,H为目标样本信息中遥感图像的高,W为目标样本信息中遥感图像的宽,Phw为训练预测结果对应的预测标签、Yhw为目标样本信息对应的真实标签;l(Phw,Yhw)为交叉熵损失,(h,w)为目标样本信息中遥感图像中坐标值为h和w的像素点坐标;
判断损失函数值信息的损失函数值是否满足收敛条件,得到第一判断结果;
当第一判断结果为否时,判断损失函数值信息的迭代次数是否等于训练次数阈值,得到第二判断结果;
当第二判断结果为否时,确定模型训练状态为不满足终止训练条件;
当第二判断结果为是时,确定模型训练状态为满足终止训练条件;
当第一判断结果为是时,确定模型训练状态为满足终止训练条件;
当模型训练状态为不满足终止训练条件时,利用参数更新模型对训练模型进行参数更新,并触发执行从待用样本集中选取出目标样本信息;
其中,参数更新模型为:
θ←θ+v;
式中,x(i)为目标样本信息中第i个目标样本,y(i)为目标样本信息中第i个目标样本对应的标签,v为更新速度,θ为训练模型的参数,η为初始参数学习率,α为动量参数,f(·)为模型计算函数;
当模型训练状态为满足终止训练条件时,确定训练模型为遥感图像变化检测模型。
优选的,上述训练次数阈值为200。
可选的,上述收敛条件为损失函数值和历史损失函数值收敛。
可选的,上述训练模型和遥感图像变化检测模型之间的区别为模型参数不一致。
可见,实施本发明实施例所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
实施例二
请参阅图6,图6是本发明实施例公开的一种基于跨尺度注意力机制的广域遥感图像变化检测系统的结构示意图。其中,图6所描述的系统能够应用于图像处理系统中,如用于基于跨尺度注意力机制的广域遥感图像变化检测管理的本地服务器或云端服务器等,本发明实施例不做限定。如图6所示,该系统可以包括:
获取模块301,用于获取待检测遥感图像信息;待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;
第一处理模块302,用于对待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;
第二处理模块303,用于利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果;图像检测结果表征待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统,能够有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在另一个可选的实施例中,如图6所示,标准遥感图像信息包括第一标准遥感图像和第二标准遥感图像;
第二处理模块303利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果,包括:
分别对第一标准遥感图像和第二标准遥感图像进行卷积池化和编码处理,得到第一输出特征图信息和第二输出特征图信息;第一输出特征图信息包括5张第一输出特征图;第二输出特征图信息包括5张第二输出特征图;
对第一输出特征图信息和第二输出特征图信息进行差分处理,得到差值特征图;
对第一输出特征图信息、第二输出特征图信息和差值特征图进行解码和采样卷积处理,得到变化检测预测图;变化检测预测图为黑白二值化的图像;
对变化检测预测图进行分析,得到图像检测结果。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,如图6所示,遥感图像变化检测模型包括第一编码模块201、第二编码模块203、解码模块202和差分模块204,其中:
第一编码模块201的第一输出端连接解码模块202的第一输入端,第一编码模块201的第二输出端连接差分模块204的第一输入端;
第二编码模块202的第一输出端连接解码模块202的第二输出端,第二编码模块203的第二输出端连接差分模块204的第二输入端;
差分模块204的输出端连接解码模块202的第三输出端;
解码模块202的输出端为遥感图像变化检测模型的输出端;
第一编码模块201和第二编码模块203的输入端用于输入标准遥感图像信息中的标准遥感图像。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,如图6所示,第一编码模块201和第二编码模块203均包括1个由卷积层和池化层构成的卷积池化块、4个由ResNet卷积层构成的编码器块;
解码模块202包括4个由差分单元20251、跨尺度融合的注意力模块20252和2个1×1卷积层构成的解码器块、1个由上采样层20211和2个3×3卷积层构成的最终块2021。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,如图6所示,第一编码模块201的第一卷积池化块2011的第一输出端连接第一编码器块2012的输入端,第一编码模块201的第一卷积池化块2011的第二输出端连接第一解码器块2022的第一输入端;第一编码器块2012的第一输出端连接第二编码器块2013的输入端,第一编码器块2012的第二输出端连接第二解码器块2023的第一输入端;第二编码器块2013的第一输出端连接第三编码器块2014的输入端,第二编码器块2013的第二输出端连接第三解码器块2024的第一输入端;第三编码器块2014的第一输出端连接第四编码器块2015的输入端,第三编码器块2014的第二输出端连接第四解码器块2025的第一输入端;第四编码器块2015的输出端连接差分模块204的第一输入端;
第二编码模块203的第二卷积池化块2031的第一输出端连接第五编码器块2032的输入端,第二编码模块203的第二卷积池化块2031的第二输出端连接第一解码器块2022的第二输入端;第五编码器块2032的第一输出端连接第六编码器块2033的输入端,第五编码器块2032的第二输出端连接第二解码器块2023的第二输入端;第六编码器块2033的第一输出端连接第七编码器块2034的输入端,第六编码器块2033的第二输出端连接第三解码器块2024的第二输入端;第七编码器块2034的第一输出端连接第八编码器块2035的输入端,第七编码器块2034的第二输出端连接第四解码器块2025的第二输入端;第八编码器块2035的输出端连接差分模块204的第二输入端;
解码模块202的第四解码器块2025的第三输入端连接差分模块204的输出端,第四解码器块2025的输出端连接第三解码器块2024的第三输入端,第三解码器块2024的输出端连接第二解码器块2023的第三输入端,第二解码器块2023的输出端连接第一解码器块2022的第三输入端,第一解码器块2022的输出端连接最终块2021的输入端,最终块2021的输出端为遥感图像变化检测模型的输出端。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,如图6所示,第四解码器块2025包括差分单元20251、注意力模块20252、第一卷积层20253和第二卷积层20254,其中:
差分单元20251的第一输入端连接第三编码器块2014的第二输出端,差分单元20251的第二输入端连接第七编码器块的第二输出端,差分单元20251的输出端连接注意力模块20252的第一输入端;
注意力模块20252的第二输入端连接差分模块204的输出端,注意力模块20252的输出端连接第一卷积层20253的输入端;
第一卷积层20253的输出端连接第二卷积层20254的输入端;
第二卷积层20254的输出端为第四解码器块2025的输出端。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
在又一个可选的实施例中,如图6所示,在第二处理模块303利用遥感图像变化检测模型对标准遥感图像信息进行处理,得到图像检测结果之前,第二处理模块303还用于,
获取训练样本集;训练样本集包括若干个三元组的训练样本信息;三元组的训练样本信息为由两个不同时相的图像和图像变化检测对应的标签所构成的三元素向量;
对训练样本集进行数据增强和归一化处理,得到待用样本集;
从待用样本集中选取出目标样本信息;
将目标样本信息输入训练模型,得到训练预测结果;
利用损失函数对训练预测结果和目标样本信息进行计算处理,得到损失函数值信息;
其中,损失函数为:
式中,Lce为损失函数值,H为目标样本信息中遥感图像的高,W为目标样本信息中遥感图像的宽,Phw为训练预测结果对应的预测标签、Yhw为目标样本信息对应的真实标签;l(Phw,Yhw)为交叉熵损失,(h,w)为目标样本信息中遥感图像中坐标值为h和w的像素点坐标;
判断损失函数值信息的损失函数值是否满足收敛条件,得到第一判断结果;
当第一判断结果为否时,判断损失函数值信息的迭代次数是否等于训练次数阈值,得到第二判断结果;
当第二判断结果为否时,确定模型训练状态为不满足终止训练条件;
当第二判断结果为是时,确定模型训练状态为满足终止训练条件;
当第一判断结果为是时,确定模型训练状态为满足终止训练条件;
当模型训练状态为不满足终止训练条件时,利用参数更新模型对训练模型进行参数更新,并触发执行从待用样本集中选取出目标样本信息;
其中,参数更新模型为:
θ←θ+v;
式中,x(i)为目标样本信息中第i个目标样本,y(i)为目标样本信息中第i个目标样本对应的标签,v为更新速度,θ为训练模型的参数,η为初始参数学习率,α为动量参数;
当模型训练状态为满足终止训练条件时,确定训练模型为遥感图像变化检测模型。
可见,实施图6所描述的基于跨尺度注意力机制的广域遥感图像变化检测系统有利于针对不同卫星、不同分辨率的遥感图像,以及成像角度不同、天气状况复杂、季节变化等不同场景,实现对伪变化问题的高精细度、高效率、高鲁棒性的变化检测。
实施例三
请参阅图7,图7是本发明实施例公开的又一种基于跨尺度注意力机制的广域遥感图像变化检测系统的结构示意图。其中,图7所描述的系统能够应用于图像处理系统中,如用于基于跨尺度注意力机制的广域遥感图像变化检测管理的本地服务器或云端服务器等,本发明实施例不做限定。如图7所示,该系统可以包括:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法中的步骤。
实施例四
本发明实施例公开了一种计算机可读读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法中的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的基于跨尺度注意力机制的广域遥感图像变化检测方法中的步骤。
以上所描述的系统实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于跨尺度注意力机制的广域遥感图像变化检测方法所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,所述方法包括:
获取待检测遥感图像信息;所述待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;
对所述待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;
利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果;所述图像检测结果表征所述待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。
2.根据权利要求1所述的基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,所述标准遥感图像信息包括第一标准遥感图像和第二标准遥感图像;
所述利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果,包括:
分别对所述第一标准遥感图像和所述第二标准遥感图像进行卷积池化和编码处理,得到第一输出特征图信息和第二输出特征图信息;所述第一输出特征图信息包括5张第一输出特征图;所述第二输出特征图信息包括5张第二输出特征图;
对所述第一输出特征图信息和所述第二输出特征图信息进行差分处理,得到差值特征图;
对所述第一输出特征图信息、所述第二输出特征图信息和所述差值特征图进行解码和采样卷积处理,得到变化检测预测图;所述变化检测预测图为黑白二值化的图像;
对所述变化检测预测图进行分析,得到图像检测结果。
3.根据权利要求1所述的基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,所述遥感图像变化检测模型包括第一编码模块、第二编码模块、解码模块和差分模块,其中:
所述第一编码模块的第一输出端连接所述解码模块的第一输入端,所述第一编码模块的第二输出端连接所述差分模块的第一输入端;
所述第二编码模块的第一输出端连接所述解码模块的第二输出端,所述第二编码模块的第二输出端连接所述差分模块的第二输入端;
所述差分模块的输出端连接所述解码模块的第三输出端;
所述解码模块的输出端为所述遥感图像变化检测模型的输出端;
所述第一编码模块和所述第二编码模块的输入端用于输入所述标准遥感图像信息中的标准遥感图像。
4.根据权利要求3所述的基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,所述第一编码模块和所述第二编码模块均包括1个由卷积层和池化层构成的卷积池化块、4个由ResNet卷积层构成的编码器块;
所述解码模块包括4个由差分单元、跨尺度融合的注意力模块和2个1×1卷积层构成的解码器块、1个由上采样层和2个3×3卷积层构成的最终块。
5.根据权利要求4所述的基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,所述第一编码模块的第一卷积池化块的第一输出端连接所述第一编码器块的输入端,所述第一编码模块的第一卷积池化块的第二输出端连接所述第一解码器块的第一输入端;所述第一编码器块的第一输出端连接所述第二编码器块的输入端,所述第一编码器块的第二输出端连接所述第二解码器块的第一输入端;所述第二编码器块的第一输出端连接所述第三编码器块的输入端,所述第二编码器块的第二输出端连接所述第三解码器块的第一输入端;所述第三编码器块的第一输出端连接所述第四编码器块的输入端,所述第三编码器块的第二输出端连接所述第四解码器块的第一输入端;所述第四编码器块的输出端连接所述差分模块的第一输入端;
所述第二编码模块的第二卷积池化块的第一输出端连接所述第五编码器块的输入端,所述第二编码模块的第二卷积池化块的第二输出端连接所述第一解码器块的第二输入端;所述第五编码器块的第一输出端连接所述第六编码器块的输入端,所述第五编码器块的第二输出端连接所述第二解码器块的第二输入端;所述第六编码器块的第一输出端连接所述第七编码器块的输入端,所述第六编码器块的第二输出端连接所述第三解码器块的第二输入端;所述第七编码器块的第一输出端连接所述第八编码器块的输入端,所述第七编码器块的第二输出端连接所述第四解码器块的第二输入端;所述第八编码器块的输出端连接所述差分模块的第二输入端;
所述解码模块的第四解码器块的第三输入端连接所述差分模块的输出端,所述第四解码器块的输出端连接所述第三解码器块的第三输入端,所述第三解码器块的输出端连接所述第二解码器块的第三输入端,所述第二解码器块的输出端连接所述第一解码器块的第三输入端,所述第一解码器块的输出端连接所述最终块的输入端,所述最终块的输出端为所述遥感图像变化检测模型的输出端。
6.根据权利要求5所述的基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,所述第四解码器块包括差分单元、注意力模块、第一卷积层和第二卷积层,其中:
所述差分单元的第一输入端连接所述第三编码器块的第二输出端,所述差分单元的第二输入端连接所述第七编码器块的第二输出端,所述差分单元的输出端连接所述注意力模块的第一输入端;
所述注意力模块的第二输入端连接所述差分模块的输出端,所述注意力模块的输出端连接所述第一卷积层的输入端;
所述第一卷积层的输出端连接所述第二卷积层的输入端;
所述第二卷积层的输出端为所述第四解码器块的输出端。
7.根据权利要求1所述的基于跨尺度注意力机制的广域遥感图像变化检测方法,其特征在于,在所述利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果之前,所述方法还包括:
获取训练样本集;所述训练样本集包括若干个三元组的训练样本信息;所述三元组的训练样本信息为由两个不同时相的图像和图像变化检测对应的标签所构成的三元素向量;
对所述训练样本集进行数据增强和归一化处理,得到待用样本集;
从所述待用样本集中选取出目标样本信息;
将所述目标样本信息输入训练模型,得到训练预测结果;
利用损失函数对所述训练预测结果和所述目标样本信息进行计算处理,得到损失函数值信息;
其中,所述损失函数为:
式中,Lce为损失函数值,H为目标样本信息中遥感图像的高,W为目标样本信息中遥感图像的宽,Phw为训练预测结果对应的预测标签、Yhw为目标样本信息对应的真实标签;l(Phw,Yhw)为交叉熵损失,(h,w)为目标样本信息中遥感图像中坐标值为h和w的像素点坐标;
判断所述损失函数值信息的损失函数值是否满足收敛条件,得到第一判断结果;
当所述第一判断结果为否时,判断所述损失函数值信息的迭代次数是否等于训练次数阈值,得到第二判断结果;
当所述第二判断结果为否时,确定模型训练状态为不满足终止训练条件;
当所述第二判断结果为是时,确定所述模型训练状态为满足终止训练条件;
当所述第一判断结果为是时,确定所述模型训练状态为满足终止训练条件;
当所述模型训练状态为不满足终止训练条件时,利用参数更新模型对所述训练模型进行参数更新,并触发执行所述从所述待用样本集中选取出目标样本信息;
其中,参数更新模型为:
θ←θ+v;
式中,x(i)为目标样本信息中第i个目标样本,y(i)为目标样本信息中第i个目标样本对应的标签,v为更新速度,θ为训练模型的参数,η为初始参数学习率,α为动量参数,f(·)为模型计算函数;
当所述模型训练状态为满足终止训练条件时,确定所述训练模型为所述遥感图像变化检测模型。
8.一种基于跨尺度注意力机制的广域遥感图像变化检测系统,其特征在于,所述系统包括:
获取模块,用于获取待检测遥感图像信息;所述待检测遥感图像信息中的待检测遥感图像为同一地区不同时间的广域遥感图像;
第一处理模块,用于对所述待检测遥感图像信息进行归一化处理,得到标准遥感图像信息;
第二处理模块,用于利用遥感图像变化检测模型对所述标准遥感图像信息进行处理,得到图像检测结果;所述图像检测结果表征所述待检测遥感图像信息在同一地区不同时间的广域遥感图像变化情况。
9.一种基于跨尺度注意力机制的广域遥感图像变化检测系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-7任一项所述的基于跨尺度注意力机制的广域遥感图像变化检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-7任一项所述的基于跨尺度注意力机制的广域遥感图像变化检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148968.8A CN116152660B (zh) | 2023-02-14 | 2023-02-14 | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148968.8A CN116152660B (zh) | 2023-02-14 | 2023-02-14 | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152660A true CN116152660A (zh) | 2023-05-23 |
CN116152660B CN116152660B (zh) | 2023-10-20 |
Family
ID=86359752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310148968.8A Active CN116152660B (zh) | 2023-02-14 | 2023-02-14 | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152660B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
CN113706482A (zh) * | 2021-08-16 | 2021-11-26 | 武汉大学 | 一种高分辨率遥感影像变化检测方法 |
CN113837931A (zh) * | 2021-09-27 | 2021-12-24 | 海南长光卫星信息技术有限公司 | 遥感图像的变换检测方法、装置、电子设备及存储介质 |
WO2022073452A1 (zh) * | 2020-10-07 | 2022-04-14 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
CN114419464A (zh) * | 2022-03-29 | 2022-04-29 | 南湖实验室 | 一种基于深度学习的孪生网络变化检测模型 |
CN114463624A (zh) * | 2021-12-24 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种应用于城市管理监督的违章建筑物检测方法及装置 |
CN114937204A (zh) * | 2022-04-29 | 2022-08-23 | 南京信息工程大学 | 一种轻量级多特征聚合的神经网络遥感变化检测方法 |
-
2023
- 2023-02-14 CN CN202310148968.8A patent/CN116152660B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022073452A1 (zh) * | 2020-10-07 | 2022-04-14 | 武汉大学 | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 |
CN112668494A (zh) * | 2020-12-31 | 2021-04-16 | 西安电子科技大学 | 基于多尺度特征提取的小样本变化检测方法 |
CN113706482A (zh) * | 2021-08-16 | 2021-11-26 | 武汉大学 | 一种高分辨率遥感影像变化检测方法 |
CN113837931A (zh) * | 2021-09-27 | 2021-12-24 | 海南长光卫星信息技术有限公司 | 遥感图像的变换检测方法、装置、电子设备及存储介质 |
CN114463624A (zh) * | 2021-12-24 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种应用于城市管理监督的违章建筑物检测方法及装置 |
CN114419464A (zh) * | 2022-03-29 | 2022-04-29 | 南湖实验室 | 一种基于深度学习的孪生网络变化检测模型 |
CN114937204A (zh) * | 2022-04-29 | 2022-08-23 | 南京信息工程大学 | 一种轻量级多特征聚合的神经网络遥感变化检测方法 |
Non-Patent Citations (2)
Title |
---|
HAO CHEN,ZHENWEI SHI: "A Spatial-Temporal Attention-Based Method and a New Dataset for Remote Sensing Image Change Detection", 《REMOTE SENSING》, pages 1 - 23 * |
黄霞: "基于深度学习的高分辨率遥感图像变化检测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 028 - 484 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152660B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN113807361B (zh) | 神经网络、目标检测方法、神经网络训练方法及相关产品 | |
CN113139543A (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN113591566A (zh) | 图像识别模型的训练方法、装置、电子设备和存储介质 | |
CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
CN114117614A (zh) | 一种建筑物立面纹理自动生成方法和系统 | |
CN114140831B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN114005019A (zh) | 一种翻拍图像识别方法及其相关设备 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
CN116229419B (zh) | 一种行人检测方法及装置 | |
CN113657225A (zh) | 一种目标检测方法 | |
CN113393385A (zh) | 基于多尺度融合的无监督去雨方法、系统、装置及介质 | |
CN116152660B (zh) | 一种基于跨尺度注意力机制的广域遥感图像变化检测方法 | |
CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
CN116071651B (zh) | 一种均压场识别方法、装置、存储介质及终端 | |
CN115730156B (zh) | 一种船舶新闻到轨迹的匹配系统及方法 | |
CN111079749A (zh) | 一种带姿态校正的端到端商品价签文字识别方法和系统 | |
CN115346051A (zh) | 一种光学遥感图像检测方法及装置 | |
CN114972465A (zh) | 图像目标深度的检测方法、装置、电子设备和存储介质 | |
CN114463734A (zh) | 文字识别方法、装置、电子设备及存储介质 | |
Deb et al. | Multiplet based technique to derive atmospheric winds from Kalpana-1 | |
CN113570607B (zh) | 目标分割的方法、装置及电子设备 | |
CN115049731B (zh) | 一种基于双目摄像头的视觉建图和定位方法 | |
CN116245902B (zh) | 一种基于图像分割神经网络的复杂场景云检测方法及系统 | |
CN116309689B (zh) | 障碍物轨迹预测方法、装置、设备和介质 |
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 |