CN116452901A - 基于深度学习的遥感图像海洋养殖区自动化提取方法 - Google Patents
基于深度学习的遥感图像海洋养殖区自动化提取方法 Download PDFInfo
- Publication number
- CN116452901A CN116452901A CN202310721889.1A CN202310721889A CN116452901A CN 116452901 A CN116452901 A CN 116452901A CN 202310721889 A CN202310721889 A CN 202310721889A CN 116452901 A CN116452901 A CN 116452901A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- culture area
- model
- marine culture
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 48
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 238000009395 breeding Methods 0.000 claims 1
- 230000001488 breeding effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000009364 mariculture Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V10/77—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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (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)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的遥感图像海洋养殖区自动化提取方法，属于海洋观测和人工智能相结合的技术领域。本发明耦合深度学习方法从原始遥感图像中提取特征，建立遥感图像与海洋养殖区复杂的映射关系，构建从遥感图像到海洋养殖区的“端到端”提取模型，实现海洋养殖区的准确提取，提高了遥感图像海洋养殖区提取的精度和效率。本发明简化了传统的海洋养殖区提取方式，实现了从遥感图像中直接提取海洋养殖区信息，提高了遥感图像近岸海洋养殖区提取的效率和精度，且提取误差控制在像素级别。
Description
技术领域
本发明属于海洋观测和人工智能相结合的技术领域，具体地说，尤其涉及一种基于深度学习的遥感图像海洋养殖区自动化提取方法。
背景技术
海水养殖，是海洋经济的重要组成部分。除了对沿海地区经济做出巨大贡献外，也会对海洋环境造成一定负面影响。因此，及时有效地监测海洋养殖区可以有效地协助规划海洋水产养殖资源，从而有效地预警海洋环境问题。
卫星遥感技术能够提供连续、稳定、大范围的信息，是监测海洋养殖区的常用手段。利用遥感图像的海洋养殖区的提取是一个二值化的过程，即将遥感图像分为养殖区和非养殖区两类。常用的方法包括：视觉判读法、信息增强方法、面向对象方法、深度学习方法等。对于苏北近岸海洋养殖区的提取，2018年魏振宁等利用Landsat系列光学图像，通过信息增强与视觉判读结合法对苏北近岸海洋养殖区进行长时间序列提取，具有较高的准确性；2022年Jie Cheng等利用Sentinel-1合成孔径雷达图像和Sentinel-2光学图像，计算归一化水体指数等指数，并通过随机森林方法对苏北近岸海洋养殖区进行提取，该方法具有更快的速度和更高的自动化性。
但利用上述方法进行高精度海洋养殖区提取，都对使用人员的专业经验有较高的要求，而且自动化较低、提取速度较慢；此外光学图像的质量受到云雨天气的影响，遥感数据可用性较低。
因此，针对近岸海洋养殖区的提取，目前缺少一种从遥感图像到提取结果的自动化高效的提取方法。
发明内容
本发明提供了一种基于深度学习的遥感图像海洋养殖区自动化提取方法，以弥补现有技术的不足。
本发明基于合成孔径雷达(SAR，Synthetic Aperture Radar)图像，结合全卷积网络深度学习方法，得到一种近岸海洋养殖区提取新方法。
为达到上述目的，本发明是通过以下技术方案实现的：
一种基于深度学习的遥感图像海洋养殖区自动化提取方法，该方法包括以下步骤：
S1：构建遥感图像海洋养殖区训练集：对获取的遥感图像进行预处理，并利用灰度共生矩阵获取养殖区纹理特征图像；在专家经验指导下对养殖区进行标注，与遥感图像及养殖区纹理特征相结合建立遥感图像海洋养殖区训练集；
S2：构建遥感图像海洋养殖区自动化提取模型，选取卷积深度学习模型（Convolution Neural Network，CNN）U-Net为基础进行改进；
S3：模型训练：基于所述训练集，对所述自动化提取模型进行训练，得到训练好的自动化提取模型；
S4：利用训练好的自动化提取模型，对遥感图像进行海洋养殖区的自动化提取。
进一步的，所述方法S1中，所述预处理包括对获得的遥感图像进行裁剪、辐射校正、降噪滤波、地理校正、陆地掩膜。
进一步的，所述方法S2中，对基础模型U-Net的改进具体为：
S2-1：在编码器结构中，使用双分支编码器结构，分别接受遥感图像和所述养殖区纹理特征，通过两个分支分别对各自特征进行处理和提取，并在解码器结束的时候将两种语义特征进行叠加；
S2-2：将模型卷积模块替换为多特征卷积模块，该模块包括U-Net模型的普通卷积分支和膨胀率为3的空洞卷积分支，并在模块的最后将二者得到的特征进行叠加；
S2-3：在解码器部分中，双分支的两种语义特征叠加后，添加注意力机制CBAM模块，该模块为通道注意力机制和空间注意力机制的串联。
进一步的，在所述S3中，
S3-1：所述遥感图像和所述养殖区纹理特征输入所述自动化提取模型，在U-Net的编码器部分对遥感信息进行下采样，过滤噪音并提取其中的有效信息（高层特征），并经过注意力机制为各个特征设置权重；
S3-2：通过解码器部分对有效信息进行插值放大，得到与输入遥感图像长宽相同的结果；最后经过argmax函数得到最终的二值化提取结果；
S3-3：对模型进行训练，进而得到最优模型参数组合；
S3-4：模型经过多次迭代训练，根据模型训练指数来判断S2中模型的所有可训练参数（如权重）是否达到最优，迭代至最优为止。
与现有技术相比，本发明的优点和有益效果是：
本发明耦合深度学习方法从原始遥感图像中提取特征，建立遥感图像与海洋养殖区复杂的映射关系，构建从遥感图像到海洋养殖区的“端到端”提取模型，实现海洋养殖区的准确提取，提高了遥感图像海洋养殖区提取的精度和效率。
本发明简化了传统的海洋养殖区提取方式，实现了从遥感图像中直接提取海洋养殖区信息，提高了遥感图像近岸海洋养殖区提取的效率和精度，且提取误差控制在像素级别。
附图说明
图1为本发明的技术路线图。
图2为基于深度学习模型的海洋养殖区提取示意图。
图3为实施例2中的苏北亮月沙及附近养殖区提取效果图。
具体实施方式
下面结合实施例对本发明所述的技术方案作进一步地描述说明。
实施例1：
一种基于深度学习的遥感图像苏北近岸海洋养殖区自动化提取方法，如图1所示，该方法包括以下步骤：
S1：构建遥感图像海洋养殖区训练集：对获取的遥感图像进行包括陆地掩膜、降低噪声等的预处理，并利用灰度共生矩阵获取养殖区纹理特征；在专家经验指导下对养殖区进行标注，与遥感图像及其纹理特征相结合建立遥感图像中的苏北海洋养殖区训练集；
S2：构建基于深度学习的遥感图像苏北海洋养殖区自动化提取模型，如图2所示，具体为：
将遥感图像和其纹理特征与深度学习模型相连接，形成基于深度学习的苏北近岸海洋养殖区的自动化提取模型。选取卷积深度学习模型（Convolution Neural Network，CNN）U-Net为基础，针对提取对象特征，对模型进行优化改进，包括以下方面：（1）在编码部分中，使用双分支结构，分别接受遥感图像和S1处理得到的纹理特征图像，通过两个分支分别对各自特征进行处理和提取，并在编码器结束的时候将两种语义特征进行叠加；（2）将模型卷积模块替换为多特征卷积模块，该模块包括U-Net模型的普通卷积分支和膨胀率为3的空洞卷积分支，并在模块的最后将二者得到的特征进行叠加；（3）在模型的编码部分结束处，即双分支的两种语义特征叠加后，添加注意力机制CBAM模块，该模块为通道注意力机制和空间注意力机制的串联。
S3：模型训练及测试：
（1）所述遥感图像和所述养殖区纹理特征输入所述自动化提取模型，在编码器部分对遥感信息进行下采样，过滤噪音并提取其中的有效信息（高层特征），并经过注意力机制为各个特征设置权重；
（2）通过解码器部分对有效信息进行插值放大，得到与输入遥感图像长宽相同的结果；最后经过argmax函数得到最终的二值化提取结果；
（3）对模型进行训练，进而得到最优模型参数组合；
（4）模型经过多次迭代训练，根据模型训练指数来判断S2中模型的所有可训练参数（如权重）是否达到最优，迭代至最优为止。
S4：对S3训练好的模型进行性能测试，评估方法的效果；并利用训练好的自动化提取模型，对遥感图像进行海洋养殖区的自动化提取。
实施例2：
以2019年2月5日苏北亮月沙养殖区的SAR遥感图像提取为应用实例。
一种基于深度学习的遥感图像苏北近岸海洋养殖区自动化提取方法，该方法包括以下步骤：
S1：构建遥感图像海洋养殖区训练集。利用GEE（Google Earth Engine）获取Sentinel-1图像，对获取的遥感图像进行包括陆地掩膜、降低噪声等的预处理，并利用SNAP软件处理，利用灰度共生矩阵获取养殖区纹理特征；在专家经验的指导下对图像中的海洋养殖区进行标注，其中1对应海洋养殖区，0对应非养殖区。并与遥感图像及其纹理特征相结合建立遥感图像中的苏北海洋养殖区训练集；
S2：构建海洋养殖区提取模型。包括以下内容：
模型输入：将包含海洋养殖区的SAR图像和纹理特征图像切割为256×256像素的切片，作为模型输入。
模型构造：选取改良后的U-Net为基础，接受切割后的SAR图像及纹理特征图像，提取图像特征。改良后U-Net网络包括50个卷积神经网络层（Convolution Neural Network，CNN），分为两个部分，即编码器部分和解码器部分。
编码部分包括两个分支，和一个特征合并操作。每个分支包括10个CNN层、10个空洞CNN层、4个最大池化层（max-pooling），普通CNN的卷积核数量包括64、128、256、512，卷积核大小为3×3；空洞CNN的卷积核数量包括64、128、256、512，膨胀率为3，每个分支分别得到64个256×256的特征图、128个128×128的特征图、256个64×64的特征图、512个32×32的特征图、512个16×16个特征图；两个分支得到的特征经过合并、CBAM模块、1个CNN层（卷积核数量为512，卷积核大小为3×3）最终得到512个16×16个特征图，输入解码器中。
解码器部分包括9个CNN层和4个bilinear上采样层，CNN层卷积核数量包括1、64、128、256、512，卷积核的大小为3×3，bilinear上采样层的放大尺度为2; 模型采取跳跃连接的方式将解码部分卷积获得的特征传输到解码器部分。编码部分获得解码器部分的512个16×16个特征图，结合编码器另外四个特征，经过CNN和Up-CNN层，最终得到2个256×256特征。
通过Argmax函数将2个256×256的特征融合为1个256×256的图像。该图像中像素值为0对应非海洋养殖区，像素值为255对应海洋养殖区。
S3：模型训练：用S1构建的SAR图像和纹理特征图像对S2中构建的模型进行训练，直至S2中模型的所有可训练参数达到最优。本实验中，共经过2500次迭代训练，模型达到最优，保存最优参数。
S4：模型测试。用训练集中未出现过的SAR图像和纹理特征图像对S3训练好的模型进行精度测试。
测试结果如图3所示，本实施例中提取苏北近岸海洋养殖区的精确度达97以上、查全率达92以上，说明模型具有良好的性能和较高的精度。本方法基于SAR遥感图像，数据可用率较高。此外，本方法不需要再进行人为调节参数，具有较高的自动化程度。
在上述实施例的基础上，本发明继续对其中涉及到的技术特征及该技术特征在本发明中所起到的功能、作用进行详细的描述，以帮助本领域的技术人员充分理解本发明的技术方案并且予以重现。
最后，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于深度学习的遥感图像海洋养殖区自动化提取方法，其特征在于，该方法包括以下步骤：
S1：构建遥感图像海洋养殖区训练集：对获取的遥感图像进行预处理，最终建立遥感图像海洋养殖区训练集；
S2：构建遥感图像海洋养殖区自动化提取模型，选取卷积深度学习模型U-Net为基础进行改进；对基础模型U-Net的改进具体为：
S2-1：在编码器结构中，使用双分支编码器结构，分别接受遥感图像和养殖区纹理特征，通过两个分支分别对各自特征进行处理和提取，并在解码器结束的时候将两种语义特征进行叠加；
S2-2：将模型卷积模块替换为多特征卷积模块，该模块包括U-Net模型的普通卷积分支和膨胀率为3的空洞卷积分支，并在模块的最后将二者得到的特征进行叠加；
S2-3：在解码器部分中，双分支的两种语义特征叠加后，添加注意力机制CBAM模块，该模块为通道注意力机制和空间注意力机制的串联；
S3：模型训练：基于所述训练集，对所述自动化提取模型进行训练，得到训练好的自动化提取模型；
S4：利用训练好的自动化提取模型，对遥感图像进行海洋养殖区的自动化提取。
2.如权利要求1所述的基于深度学习的遥感图像海洋养殖区自动化提取方法，其特征在于，所述S1中，所述预处理包括对获得的遥感图像进行裁剪、辐射校正、降噪滤波、地理校正、陆地掩膜。
3.如权利要求1所述的基于深度学习的遥感图像海洋养殖区自动化提取方法，其特征在于，所述S1中，所述遥感图像预处理后，利用灰度共生矩阵获取养殖区纹理特征图像；在专家经验指导下对养殖区进行标注，与遥感图像及所述养殖区纹理特征相结合建立遥感图像海洋养殖区训练集。
4.如权利要求3所述的基于深度学习的遥感图像海洋养殖区自动化提取方法，其特征在于，在所述S3中：
S3-1：所述遥感图像和所述养殖区纹理特征输入所述自动化提取模型，解码部分对遥感信息进行下采样，过滤噪音并提取其中的高层特征，并经过注意力机制为各个特征设置权重；
S3-2：通过编码部分对有效信息进行插值放大，得到与输入遥感图像长宽相同的结果；最后经过argmax函数得到最终的二值化提取结果；
S3-3：对模型进行训练，进而得到最优模型参数组合；
S3-4：模型经过多次迭代训练，根据模型训练指数来判断S2中模型的所有训练参数是否达到最优，迭代至最优为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310721889.1A CN116452901B (zh) | 2023-06-19 | 2023-06-19 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310721889.1A CN116452901B (zh) | 2023-06-19 | 2023-06-19 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116452901A true CN116452901A (zh) | 2023-07-18 |
| CN116452901B CN116452901B (zh) | 2023-09-15 |
Family
ID=87136013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310721889.1A Active CN116452901B (zh) | 2023-06-19 | 2023-06-19 | 基于深度学习的遥感图像海洋养殖区自动化提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452901B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611987A (zh) * | 2023-10-13 | 2024-02-27 | 河海大学 | 养殖用海自动识别方法、装置及介质 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学（武汉） | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 |
| CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
| CN112070779A (zh) * | 2020-08-04 | 2020-12-11 | 武汉大学 | 一种基于卷积神经网络弱监督学习的遥感影像道路分割方法 |
| CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
| CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
| CN112766155A (zh) * | 2021-01-19 | 2021-05-07 | 山东华宇航天空间技术有限公司 | 一种基于深度学习的海水养殖区提取方法 |
| WO2021157765A1 (ko) * | 2020-02-04 | 2021-08-12 | (주)씨텍 | 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템 |
| US20210256365A1 (en) * | 2017-04-10 | 2021-08-19 | Peking University Shenzhen Graduate School | Cross-media retrieval method based on deep semantic space |
| CN113326799A (zh) * | 2021-06-22 | 2021-08-31 | 长光卫星技术有限公司 | 基于EfficientNet网络和方向学习的遥感影像道路提取方法 |
| US11189034B1 (en) * | 2020-07-22 | 2021-11-30 | Zhejiang University | Semantic segmentation method and system for high-resolution remote sensing image based on random blocks |
| CN114187515A (zh) * | 2021-12-08 | 2022-03-15 | 中国建设银行股份有限公司 | 图像分割方法和图像分割装置 |
| CN114973011A (zh) * | 2022-05-18 | 2022-08-30 | 哈尔滨理工大学 | 一种基于深度学习的高分辨率遥感影像建筑物提取方法 |
| CN115223063A (zh) * | 2022-07-13 | 2022-10-21 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| US20220358765A1 (en) * | 2021-05-10 | 2022-11-10 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Method for extracting oil storage tank based on high-spatial-resolution remote sensing image |
| JP2022177201A (ja) * | 2021-10-29 | 2022-11-30 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 画像処理方法、装置、電子機器及び記憶媒体 |
| CN115546656A (zh) * | 2022-09-14 | 2022-12-30 | 山东科技大学 | 一种基于深度学习的遥感影像养殖区域提取方法 |
| CN115713537A (zh) * | 2022-11-03 | 2023-02-24 | 北京理工雷科电子信息技术有限公司 | 基于光谱引导与深度注意力的光学遥感图像云雾分割方法 |
| WO2023039959A1 (zh) * | 2021-09-17 | 2023-03-23 | 海南大学 | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 |
| CN115908894A (zh) * | 2022-10-27 | 2023-04-04 | 中国科学院空天信息创新研究院 | 基于全景分割的光学遥感影像海洋筏式养殖区分类方法 |
| CN115984701A (zh) * | 2023-02-07 | 2023-04-18 | 无锡学院 | 一种基于编解码结构的多模态遥感图像语义分割方法 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| CN116229254A (zh) * | 2022-12-07 | 2023-06-06 | 海南热带海洋学院崖州湾创新研究院 | 一种近海浮筏和深水养殖区的遥感提取方法 |
-
2023
- 2023-06-19 CN CN202310721889.1A patent/CN116452901B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017071160A1 (zh) * | 2015-10-28 | 2017-05-04 | 深圳大学 | 一种大幅面遥感图像海陆分割的方法及系统 |
| US20210256365A1 (en) * | 2017-04-10 | 2021-08-19 | Peking University Shenzhen Graduate School | Cross-media retrieval method based on deep semantic space |
| WO2021157765A1 (ko) * | 2020-02-04 | 2021-08-12 | (주)씨텍 | 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템 |
| CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学（武汉） | 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备 |
| CN111767801A (zh) * | 2020-06-03 | 2020-10-13 | 中国地质大学（武汉） | 一种基于深度学习的遥感影像水域自动提取方法及系统 |
| US11189034B1 (en) * | 2020-07-22 | 2021-11-30 | Zhejiang University | Semantic segmentation method and system for high-resolution remote sensing image based on random blocks |
| CN112070779A (zh) * | 2020-08-04 | 2020-12-11 | 武汉大学 | 一种基于卷积神经网络弱监督学习的遥感影像道路分割方法 |
| CN112102324A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 一种基于深度U-Net模型的遥感图像海冰识别方法 |
| CN112287871A (zh) * | 2020-11-12 | 2021-01-29 | 广东海洋大学 | 基于多特征与光谱融合的近岸水产养殖区遥感图像提取方法 |
| CN112766155A (zh) * | 2021-01-19 | 2021-05-07 | 山东华宇航天空间技术有限公司 | 一种基于深度学习的海水养殖区提取方法 |
| US20220358765A1 (en) * | 2021-05-10 | 2022-11-10 | Aerospace Information Research Institute, Chinese Academy Of Sciences | Method for extracting oil storage tank based on high-spatial-resolution remote sensing image |
| CN113326799A (zh) * | 2021-06-22 | 2021-08-31 | 长光卫星技术有限公司 | 基于EfficientNet网络和方向学习的遥感影像道路提取方法 |
| WO2023039959A1 (zh) * | 2021-09-17 | 2023-03-23 | 海南大学 | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 |
| JP2022177201A (ja) * | 2021-10-29 | 2022-11-30 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 画像処理方法、装置、電子機器及び記憶媒体 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| CN114187515A (zh) * | 2021-12-08 | 2022-03-15 | 中国建设银行股份有限公司 | 图像分割方法和图像分割装置 |
| CN114973011A (zh) * | 2022-05-18 | 2022-08-30 | 哈尔滨理工大学 | 一种基于深度学习的高分辨率遥感影像建筑物提取方法 |
| CN115223063A (zh) * | 2022-07-13 | 2022-10-21 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| CN115546656A (zh) * | 2022-09-14 | 2022-12-30 | 山东科技大学 | 一种基于深度学习的遥感影像养殖区域提取方法 |
| CN115908894A (zh) * | 2022-10-27 | 2023-04-04 | 中国科学院空天信息创新研究院 | 基于全景分割的光学遥感影像海洋筏式养殖区分类方法 |
| CN115713537A (zh) * | 2022-11-03 | 2023-02-24 | 北京理工雷科电子信息技术有限公司 | 基于光谱引导与深度注意力的光学遥感图像云雾分割方法 |
| CN116229254A (zh) * | 2022-12-07 | 2023-06-06 | 海南热带海洋学院崖州湾创新研究院 | 一种近海浮筏和深水养殖区的遥感提取方法 |
| CN115984701A (zh) * | 2023-02-07 | 2023-04-18 | 无锡学院 | 一种基于编解码结构的多模态遥感图像语义分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| 朱长明;骆剑承;沈占锋;李均力;胡晓东;: "高分辨率遥感影像近海养殖区自动识别方法", 大连海事大学学报, no. 03 * |
| 王聪;张珑;: "一种基于双分支车道线实例分割的检测算法", 无线互联科技, no. 03 * |
| 程博;刘岳明;刘旭楠;王桂周;马肖肖;: "基于多源特征融合的高分辨率遥感图像近海养殖区提取方法研究", 遥感技术与应用, no. 02 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117611987A (zh) * | 2023-10-13 | 2024-02-27 | 河海大学 | 养殖用海自动识别方法、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116452901B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
| US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
| CN111259898B (zh) | 基于无人机航拍图像的农作物分割方法 | |
| CN111161218A (zh) | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 | |
| CN111178149B (zh) | 一种基于残差金字塔网络的遥感影像水体自动提取方法 | |
| CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
| CN112183452B (zh) | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 | |
| CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
| CN109961105B (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
| CN113240169A (zh) | 基于多模态数据和上下采样的gru网络的短临降水预测方法 | |
| CN115937707A (zh) | 基于多尺度残差注意力模型的sar影像水体提取方法 | |
| CN116958827A (zh) | 一种基于深度学习的撂荒区域提取方法 | |
| CN114494910B (zh) | 一种基于遥感图像的设施农用地多类别识别与分类方法 | |
| CN113280820B (zh) | 基于神经网络的果园视觉导航路径提取方法与系统 | |
| CN116452901B (zh) | 基于深度学习的遥感图像海洋养殖区自动化提取方法 | |
| CN114022777A (zh) | 一种遥感影像地物要素的样本制作方法及装置 | |
| CN112949645A (zh) | 一种基于深度学习的田间地块分割算法 | |
| CN116503755A (zh) | 一种基于云平台和深度学习的岸线遥感自动识别分析方法 | |
| CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及系统 | |
| CN116070735A (zh) | 一种基于边长和方位向差规则的黄海绿潮分布区及其漂移预测初始场制作方法 | |
| CN113343861B (zh) | 一种基于神经网络模型的遥感图像水体区域提取方法 | |
| CN114119630A (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 | |
| CN115578645A (zh) | 一种半监督循环一致性生成对抗网络的sar影像浮筏养殖信息提取方法 | |
| CN115423829B (zh) | 一种单波段遥感影像水体快速提取方法及系统 | |
| CN112699817B (zh) | 一种基于深度卷积神经网络的无人机影像管线提取方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |