CN116229174A - 一种基于空谱联合注意力机制的高光谱多类变化检测方法 - Google Patents

一种基于空谱联合注意力机制的高光谱多类变化检测方法 Download PDF

Info

Publication number
CN116229174A
CN116229174A CN202310229361.2A CN202310229361A CN116229174A CN 116229174 A CN116229174 A CN 116229174A CN 202310229361 A CN202310229361 A CN 202310229361A CN 116229174 A CN116229174 A CN 116229174A
Authority
CN
China
Prior art keywords
hyperspectral
spatial
convolution
spectrum
result
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
CN202310229361.2A
Other languages
English (en)
Inventor
詹天明
汤永生
徐洋
吴泽彬
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.)
NANJING AUDIT UNIVERSITY
Original Assignee
NANJING AUDIT 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 NANJING AUDIT UNIVERSITY filed Critical NANJING AUDIT UNIVERSITY
Priority to CN202310229361.2A priority Critical patent/CN116229174A/zh
Publication of CN116229174A publication Critical patent/CN116229174A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • 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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (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 Analysis (AREA)

Abstract

本发明公开了一种基于空谱联合注意力机制的高光谱多类变化检测方法，首先提取两幅同一区域不同时间的高光谱图像样本，接着将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块，随后从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作，再将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数；本发明采用空间模块中二维卷积、三维卷积和注意力机制相结合的方式，高效地完成了高光谱图像的特征提取，并引入了多尺度结构以及密集连接，在较好地运用高光谱图像上下文信息的同时还能光谱降低网路运算的复杂度，有效地提升了变化检测结果的精度，适合被广泛推广和使用。

Description

一种基于空谱联合注意力机制的高光谱多类变化检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于空谱联合注意力机制的高光谱多类变化检测方法。
背景技术
随着深度学习的不断发展，人们越来越多的将其运用到了高光谱图像任务中，变化检测技术随着高光谱图像的发展也得到了很大的推动。变化检测是通过对同一地理区域不同时间的观测来确定其是否发生变化的处理技术。变化检测技术在遥感方面有着非常广泛的应用，比如生态环境、农业调查和城市规划等领域。
目前，高光谱图像具有丰富的光谱信息和空间信息，现有的适用于低光谱分辨率的变化检测方法并不能很好的应用于高光谱图像，存在网络运算较为复杂和精度较差的情况；因此，需要设计一种基于空谱联合注意力机制的高光谱多类变化检测方法。
发明内容
本发明的目的是克服现有技术的不足，为更好的有效解决现有的适用于低光谱分辨率的变化检测方法并不能很好的应用于高光谱图像，存在网络运算较为复杂和精度较差情况的问题，提供了一种基于空谱联合注意力机制的高光谱多类变化检测方法，其具有高效地完成了高光谱图像的特征提取，并引入了多尺度结构以及密集连接，在较好地运用高光谱图像上下文信息的同时还能光谱降低网路运算的复杂度的优点。
为了达到上述目的，本发明所采用的技术方案是：
一种基于空谱联合注意力机制的高光谱多类变化检测方法，包括以下步骤，
步骤(A)，提取两幅同一区域不同时间的高光谱图像样本；
步骤(B)，将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块；
步骤(C)，从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作；
步骤(D)，将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数；
步骤(E)，使用训练好的空谱联合注意力网络模型将高光谱变化图像中的所有像素进行检测分类，完成高光谱多类变化检测作业。
前述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，步骤(B)，将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块，其中张量块为从高光谱变化图像中选取大小为5*5*t的立方体张量，且t为光谱维数。
前述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，步骤(C)，从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作，具体步骤如下，
步骤(C1)，在光谱模块中，使用大小为1*1*3的卷积核，将输入的5*5*t的变化张量进行降维操作，得到1个大小为5*5*35的特征张量；
步骤(C2)，在空间模块中，将5*5*35的张量变形，得到大小分别为5*35*5和35*5*5的张量，再将5*5*35、5*35*5和35*5*5这三个张量分别沿三个不同的方向输入进空间方向卷积神经网络中，且其中一个方向上使用密集多尺度结构。
前述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，步骤(D)，将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数，具体是将在光谱模块提取到的5*5*35张量与张量输入的每个方向所得到的结果进行拼接，并使用2D和3D卷积相结合的方法，再添加注意力模块，得到张量群。
前述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，步骤(E)，使用训练好的空谱联合注意力网络模型将高光谱变化图像中的所有像素进行检测分类，完成高光谱多类变化检测作业，具体步骤如下，
步骤(E1)，将张量群经过pooling、flatten、dropout和dense操作，并得到分类结果；
步骤(E2)，将分类结果信息及其对应的标签信息输入到损失函数中获得损失值，并根据损失值对网络进行反向传播，再对权重参数进行更新；
步骤(E3)，在网络的输出层中使用softmax函数。
前述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，步骤(C2)中的密集多尺度结构具体步骤如下，
步骤(C21)，使用40个大小为D*D*1的卷积核对输入张量进行卷积，并得到初次卷积结果；
步骤(C22)，将初次卷积结果分别通过20个大小为U*U*1的卷积核和20个大小为D*D*1的卷积核进行卷积，得到二次卷积结果并进行拼接，产生拼接结果；
步骤(C23)，将初次卷积结果与拼接结果进行连接，得到初次连接结果；
步骤(C24)，将初次连接结果再依次进行步骤(C21)、步骤(C22)和步骤(C23)操作，产生二次连接结果；
步骤(C25)，将初次卷积结果与二次连接结果进行连接，再通过10个大小为D*D*1的卷积核进行卷积。
前述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，步骤(D)中使用2D和3D卷积相结合的方法，再添加注意力模块，具体为对张量输入的每个方向所得到的结果进行reshape操作，接着使用2D卷积，再添加注意力机制。
本发明的有益效果是：本发明的一种基于空谱联合注意力机制的高光谱多类变化检测方法，充分运用了高光谱图像丰富的光谱信息和空间信息，并采用空间模块中二维卷积、三维卷积和注意力机制相结合的方式，高效地完成了高光谱图像的特征提取，并引入了多尺度结构以及密集连接，在较好地运用高光谱图像上下文信息的同时还能光谱降低网路运算的复杂度，有效地提升了变化检测结果的精度。
附图说明
图1是本发明的一种基于空谱联合注意力机制的高光谱多类变化检测方法的流程图；
图2是本发明的一个区域第一个时间点高光谱图像；
图3是本发明的一个区域第二个时间点高光谱图像；
图4是本发明的高光谱变化检测结果图；
图5是本发明的人工标记实际变化区域地面真值示意图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
如图1所示，本发明的一种基于空谱联合注意力机制的高光谱多类变化检测方法，包括以下步骤，
步骤(A)，提取两幅同一区域不同时间的高光谱图像样本；
步骤(B)，将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块，其中张量块为从高光谱变化图像中选取大小为5*5*t的立方体张量，且t为光谱维数。
步骤(C)，从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作，具体步骤如下，
步骤(C1)，在光谱模块中，使用大小为1*1*3的卷积核，将输入的5*5*t的变化张量进行降维操作，得到1个大小为5*5*35的特征张量；
步骤(C2)，在空间模块中，将5*5*35的张量变形，得到大小分别为5*35*5和35*5*5的张量，再将5*5*35、5*35*5和35*5*5这三个张量分别沿三个不同的方向输入进空间方向卷积神经网络中，且其中一个方向上使用密集多尺度结构。
步骤(C2)中的密集多尺度结构具体步骤如下，
步骤(C21)，使用40个大小为D*D*1的卷积核对输入张量进行卷积，并得到初次卷积结果；
步骤(C22)，将初次卷积结果分别通过20个大小为U*U*1的卷积核和20个大小为D*D*1的卷积核进行卷积，得到二次卷积结果并进行拼接，产生拼接结果；
步骤(C23)，将初次卷积结果与拼接结果进行连接，得到初次连接结果；
步骤(C24)，将初次连接结果再依次进行步骤(C21)、步骤(C22)和步骤(C23)操作，产生二次连接结果；
步骤(C25)，将初次卷积结果与二次连接结果进行连接，再通过10个大小为D*D*1的卷积核进行卷积。
步骤(D)，将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数，具体是将在光谱模块提取到的5*5*35张量与张量输入的每个方向所得到的结果进行拼接，并使用2D和3D卷积相结合的方法，再添加注意力模块，得到张量群。
步骤(D)中使用2D和3D卷积相结合的方法，再添加注意力模块，具体为对张量输入的每个方向所得到的结果进行reshape操作，接着使用2D卷积，再添加注意力机制。
步骤(E)，使用训练好的空谱联合注意力网络模型将高光谱变化图像中的所有像素进行检测分类，完成高光谱多类变化检测作业，具体步骤如下，
步骤(E1)，将张量群经过pooling、flatten、dropout和dense操作，并得到分类结果；
步骤(E2)，将分类结果信息及其对应的标签信息输入到损失函数中获得损失值，并根据损失值对网络进行反向传播，再对权重参数进行更新；
步骤(E3)，在网络的输出层中使用softmax函数。
为更好的阐述本发明的使用效果，下面介绍本发明的一个具体实施例；
如图2-4所示的高光谱变化检测结果图，其中图2和图3是不同时间，同一个地理区域的高光谱图像；图4是本方法的变化检测结果图，图5是人工标记的实际变化地面真值图；从高光谱变化检测结果和实际的地面真值图可以发现，该方法可以精准的对变化区域进行识别。
综上所述，本发明的一种基于空谱联合注意力机制的高光谱多类变化检测方法，首先提取两幅同一区域不同时间的高光谱图像样本，接着将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块，随后从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作，然后将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数，最后使用训练好的空谱联合注意力网络模型将高光谱变化图像中的所有像素进行检测分类，完成高光谱多类变化检测作业；本发明充分运用了高光谱图像丰富的光谱信息和空间信息，并采用空间模块中二维卷积、三维卷积和注意力机制相结合的方式，高效地完成了高光谱图像的特征提取，并引入了多尺度结构以及密集连接，在较好地运用高光谱图像上下文信息的同时还能光谱降低网路运算的复杂度。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：包括以下步骤，
步骤(A)，提取两幅同一区域不同时间的高光谱图像样本；
步骤(B)，将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块；
步骤(C)，从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作；
步骤(D)，将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数；
步骤(E)，使用训练好的空谱联合注意力网络模型将高光谱变化图像中的所有像素进行检测分类，完成高光谱多类变化检测作业。
2.根据权利要求1所述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：步骤(B)，将高光谱图像样本进行差分以获得高光谱变化图像，并选取训练样本构建张量块，其中张量块为从高光谱变化图像中选取大小为5*5*t的立方体张量，且t为光谱维数。
3.根据权利要求2所述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：步骤(C)，从多个不同的方向对每个变化张量进行提取光谱以及提取空间特征操作，具体步骤如下，
步骤(C1)，在光谱模块中，使用大小为1*1*3的卷积核，将输入的5*5*t的变化张量进行降维操作，得到1个大小为5*5*35的特征张量；
步骤(C2)，在空间模块中，将5*5*35的张量变形，得到大小分别为5*35*5和35*5*5的张量，再将5*5*35、5*35*5和35*5*5这三个张量分别沿三个不同的方向输入进空间方向卷积神经网络中，且其中一个方向上使用密集多尺度结构。
4.根据权利要求3所述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：步骤(D)，将提取到的光谱以及空间特征进行融合，并训练空谱联合注意力网络，获得对应的网络模型参数，具体是将在光谱模块提取到的5*5*35张量与张量输入的每个方向所得到的结果进行拼接，并使用2D和3D卷积相结合的方法，再添加注意力模块，得到张量群。
5.根据权利要求4所述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：步骤(E)，使用训练好的空谱联合注意力网络模型将高光谱变化图像中的所有像素进行检测分类，完成高光谱多类变化检测作业，具体步骤如下，
步骤(E1)，将张量群经过pooling、flatten、dropout和dense操作，并得到分类结果；
步骤(E2)，将分类结果信息及其对应的标签信息输入到损失函数中获得损失值，并根据损失值对网络进行反向传播，再对权重参数进行更新；
步骤(E3)，在网络的输出层中使用softmax函数。
6.根据权利要求3所述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：步骤(C2)中的密集多尺度结构具体步骤如下，
步骤(C21)，使用40个大小为D*D*1的卷积核对输入张量进行卷积，并得到初次卷积结果；
步骤(C22)，将初次卷积结果分别通过20个大小为U*U*1的卷积核和20个大小为D*D*1的卷积核进行卷积，得到二次卷积结果并进行拼接，产生拼接结果；
步骤(C23)，将初次卷积结果与拼接结果进行连接，得到初次连接结果；
步骤(C24)，将初次连接结果再依次进行步骤(C21)、步骤(C22)和步骤(C23)操作，产生二次连接结果；
步骤(C25)，将初次卷积结果与二次连接结果进行连接，再通过10个大小为D*D*1的卷积核进行卷积。
7.根据权利要求4所述的一种基于空谱联合注意力机制的高光谱多类变化检测方法，其特征在于：步骤(D)中使用2D和3D卷积相结合的方法，再添加注意力模块，具体为对张量输入的每个方向所得到的结果进行reshape操作，接着使用2D卷积，再添加注意力机制。。
CN202310229361.2A 2023-03-10 2023-03-10 一种基于空谱联合注意力机制的高光谱多类变化检测方法 Pending CN116229174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310229361.2A CN116229174A (zh) 2023-03-10 2023-03-10 一种基于空谱联合注意力机制的高光谱多类变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310229361.2A CN116229174A (zh) 2023-03-10 2023-03-10 一种基于空谱联合注意力机制的高光谱多类变化检测方法

Publications (1)

Publication Number Publication Date
CN116229174A true CN116229174A (zh) 2023-06-06

Family

ID=86578529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310229361.2A Pending CN116229174A (zh) 2023-03-10 2023-03-10 一种基于空谱联合注意力机制的高光谱多类变化检测方法

Country Status (1)

Country Link
CN (1) CN116229174A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457524A (zh) * 2019-07-12 2019-11-15 北京奇艺世纪科技有限公司 模型生成方法、视频分类方法及装置
CN110991290A (zh) * 2019-11-26 2020-04-10 西安电子科技大学 基于语义指导与记忆机制的视频描述方法
CN111914909A (zh) * 2020-07-15 2020-11-10 南京审计大学 基于空谱联合三方向卷积网络的高光谱变化检测方法
CN112085736A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于混维卷积的肾肿瘤分割方法
CN112666480A (zh) * 2020-12-02 2021-04-16 西安交通大学 一种基于充电过程特征注意力的电池寿命预测方法
CN113378888A (zh) * 2021-05-17 2021-09-10 上海大学 一种基于深度学习的dbt微钙化簇良恶性分类方法和装置
CN113920499A (zh) * 2021-10-27 2022-01-11 江苏大学 一种面向复杂交通场景的激光点云三维目标检测模型及方法
CN114067175A (zh) * 2021-11-12 2022-02-18 北京邮电大学 一种基于通道特征融合的高光谱图像小样本分类方法及装置
CN114140660A (zh) * 2021-10-31 2022-03-04 苏州浪潮智能科技有限公司 一种车辆检测方法、装置、设备及介质
CN114549552A (zh) * 2022-02-15 2022-05-27 上海翰宇生物科技有限公司 基于空间邻域分析的肺部ct图像分割装置
CN115240072A (zh) * 2022-08-04 2022-10-25 南京审计大学 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
CN115564996A (zh) * 2022-09-29 2023-01-03 安徽大学 一种基于注意力联合网络的高光谱遥感图像分类方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457524A (zh) * 2019-07-12 2019-11-15 北京奇艺世纪科技有限公司 模型生成方法、视频分类方法及装置
CN110991290A (zh) * 2019-11-26 2020-04-10 西安电子科技大学 基于语义指导与记忆机制的视频描述方法
CN111914909A (zh) * 2020-07-15 2020-11-10 南京审计大学 基于空谱联合三方向卷积网络的高光谱变化检测方法
CN112085736A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于混维卷积的肾肿瘤分割方法
CN112666480A (zh) * 2020-12-02 2021-04-16 西安交通大学 一种基于充电过程特征注意力的电池寿命预测方法
CN113378888A (zh) * 2021-05-17 2021-09-10 上海大学 一种基于深度学习的dbt微钙化簇良恶性分类方法和装置
CN113920499A (zh) * 2021-10-27 2022-01-11 江苏大学 一种面向复杂交通场景的激光点云三维目标检测模型及方法
CN114140660A (zh) * 2021-10-31 2022-03-04 苏州浪潮智能科技有限公司 一种车辆检测方法、装置、设备及介质
CN114067175A (zh) * 2021-11-12 2022-02-18 北京邮电大学 一种基于通道特征融合的高光谱图像小样本分类方法及装置
CN114549552A (zh) * 2022-02-15 2022-05-27 上海翰宇生物科技有限公司 基于空间邻域分析的肺部ct图像分割装置
CN115240072A (zh) * 2022-08-04 2022-10-25 南京审计大学 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法
CN115564996A (zh) * 2022-09-29 2023-01-03 安徽大学 一种基于注意力联合网络的高光谱遥感图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张祥东等: "基于扩张卷积注意力神经网络的高光谱图像分类", 《光学学报》, vol. 41, no. 3, pages 2 *

Similar Documents

Publication Publication Date Title
CN112818903B (zh) 一种基于元学习和协同注意力的小样本遥感图像目标检测方法
CN108764063B (zh) 一种基于特征金字塔的遥感影像时敏目标识别系统及方法
CN109190752B (zh) 基于深度学习的全局特征和局部特征的图像语义分割方法
CN107527352B (zh) 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法
CN109886066B (zh) 基于多尺度和多层特征融合的快速目标检测方法
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN110084850B (zh) 一种基于图像语义分割的动态场景视觉定位方法
CN110674741B (zh) 一种基于双通道特征融合的机器视觉中手势识别方法
CN111028217A (zh) 一种基于全卷积神经网络的图像裂缝分割方法
CN111612807A (zh) 一种基于尺度和边缘信息的小目标图像分割方法
CN108182388A (zh) 一种基于图像的运动目标跟踪方法
CN106295714A (zh) 一种基于深度学习的多源遥感图像融合方法
CN111611861B (zh) 一种基于多尺度特征关联的图像变化检测方法
CN112488025B (zh) 基于多模态特征融合的双时相遥感影像语义变化检测方法
CN112766136B (zh) 一种基于深度学习的空间车位检测方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
Abdollahi et al. SC-RoadDeepNet: A new shape and connectivity-preserving road extraction deep learning-based network from remote sensing data
CN113610070A (zh) 一种基于多源数据融合的滑坡灾害识别方法
CN112949407A (zh) 一种基于深度学习和点集优化的遥感影像建筑物矢量化方法
CN108985145A (zh) 小尺寸交通标志检测识别的反向连接深度神经网络模型方法
CN116452936B (zh) 融合光学和sar影像多模态信息的旋转目标检测方法
CN114998566A (zh) 一种可解释的多尺度红外弱小目标检测网络设计方法
CN117372898A (zh) 一种基于改进yolov8的无人机航拍图像目标检测方法
CN114511710A (zh) 一种基于卷积神经网络的图像目标检测方法
CN115238758A (zh) 一种基于点云特征增强的多任务三维目标检测方法

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