CN116630817A - 基于多尺度网络的遥感影像云检方法及系统 - Google Patents

基于多尺度网络的遥感影像云检方法及系统 Download PDF

Info

Publication number
CN116630817A
CN116630817A CN202310097697.8A CN202310097697A CN116630817A CN 116630817 A CN116630817 A CN 116630817A CN 202310097697 A CN202310097697 A CN 202310097697A CN 116630817 A CN116630817 A CN 116630817A
Authority
CN
China
Prior art keywords
scale
cloud detection
remote sensing
sensing image
cloud
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
CN202310097697.8A
Other languages
English (en)
Inventor
戴威
何琪彬
尹文昕
闫志远
吴有明
孙超
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202310097697.8A priority Critical patent/CN116630817A/zh
Publication of CN116630817A publication Critical patent/CN116630817A/zh
Pending legal-status Critical Current

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
    • G06V10/70—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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Astronomy & Astrophysics (AREA)

Abstract

本公开提供了一种基于多尺度网络的遥感影像云检方法，包括：获取待测遥感影像数据；将待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用多尺度云检编码器网络的多尺度空洞滤波模块对待测遥感影像数据在不同尺度空间挖掘云特征；采用多尺度云检编码器网络的自注意力加权融合模块对云特征进行自注意力加权融合，生成多尺度融合特征；将多尺度融合特征输入至已训练的多尺度云检解码器网络，生成遥感影像数据的云检结果；其中，多尺度云检解码器网络为浅层卷积网络，用于指导多尺度融合特征进行类别语义映射，生成遥感影像数据的云检结果；输出云检结果。本公开还提供了一种基于多尺度网络的遥感影像云检装置、设备和存储介质。

Description

基于多尺度网络的遥感影像云检方法及系统
技术领域
本公开涉及遥感影像处理技术领域，具体涉及一种基于多尺度网络的遥感影像云检方法及系统。
背景技术
遥感大数据时代下，遥感影像数量成倍增长，然而，地球表面近66％的区域往往被云层覆盖，大多光学影像不可避免会受到云污染，部分甚至成为无效数据。云检可辅助评价影像质量，为减少这类冗余数据提供依据。研究面向遥感影像数据的高效云检方法成为了亟待解决的关键问题。
传统的遥感影像云检方法依赖于颜色、纹理、光谱等物理信息手工设计特征，但对于复杂地表区域无法满足高精度信息处理需求。
发明内容
鉴于上述问题，本公开的第一方面提供一种基于多尺度网络的遥感影像云检方法，包括：
获取待测遥感影像数据；
将上述待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用上述多尺度云检编码器网络的多尺度空洞滤波模块对上述待测遥感影像数据在不同尺度空间挖掘云特征；采用上述多尺度云检编码器网络的自注意力加权融合模块对上述云特征进行自注意力加权融合，生成多尺度融合特征；其中，上述多尺度云检编码器网络为全卷积动态网络；
将上述多尺度融合特征输入至已训练的多尺度云检解码器网络，生成上述遥感影像数据的云检结果；其中，上述多尺度云检解码器网络为浅层卷积网络，用于指导上述多尺度融合特征进行类别语义映射，生成上述遥感影像数据的云检结果；
输出上述云检结果。
根据本公开的实施例，上述云特征包括多个不同尺度的上下文特征，采用上述多尺度云检编码器网络的多尺度空洞滤波模块对上述待测遥感影像数据在不同尺度空间挖掘云特征，包括：
向上述多尺度云检编码器网络输入上述待测遥感影像数据的特征图；
针对相同尺度空间，分别对上述特征图进行特征压缩，得到相同尺度空间下的单尺度特征。
根据本公开的实施例，采用上述多尺度云检编码器网络的自注意力加权融合模块对上述云特征进行自注意力加权融合，生成多尺度融合特征包括：
将不同尺度空间下的多个上述单尺度特征进行特征重建，得到上述多尺度融合特征。
根据本公开的实施例，上述获取待测遥感影像数据包括：
从本地存储设备获取上述待测遥感影像数据；
将上述待测遥感影像数据输入云检系统。
根据本公开的实施例，基于多尺度网络的遥感影像云检方法还包括：
将上述云检结果存储至本地存储设备中。
本公开的第二方面提供一种基于多尺度网络的遥感影像云检系统，包括：
数据获取单元，用于获取待测遥感影像数据；
多尺度融合特征生成单元，用于将上述待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用上述多尺度云检编码器网络的多尺度空洞滤波模块对上述待测遥感影像数据在不同尺度空间挖掘云特征；采用上述多尺度云检编码器网络的自注意力加权融合模块对上述云特征进行自注意力加权融合，生成多尺度融合特征；其中，上述多尺度云检编码器网络为全卷积动态网络；
云检结果生成单元，用于将上述多尺度融合特征输入至已训练的多尺度云检解码器网络，生成上述遥感影像数据的云检结果；其中，上述多尺度云检解码器网络为浅层卷积网络，用于指导上述多尺度融合特征进行类别语义映射，生成上述遥感影像数据的云检结果；
输出单元，用于输出上述云检结果。
根据本公开的实施例，上述数据获取单元用于从本地存储设备获取上述待测遥感影像数据；将上述待测遥感影像数据输入云检系统。
根据本公开的实施例，基于多尺度网络的遥感影像云检系统还包括：
存储单元，用于将上述云检结果存储至本地存储设备中。
本公开的第三方面提供一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现上述任一项所述的方法。
本公开的第四方面提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现上述任一项所述的方法。
根据本公开的实施例，本公开提供的一种基于多尺度网络的遥感影像云检方法，引入全卷积动态的多尺度云检编码器网络，能够对不同尺度空间中云特征进行自适应挖掘，对待测遥感影像数据进行不同尺度云块的并行检测，从而在相同遥感影像云检的任务中，实现对复杂遥感场景中多种尺度云块的鲁棒检测；该方法相较于传统手工设计特征的方法可以大幅提高鲁棒性和泛化性，适用的遥感场景范围及数量可以增加上百倍甚至上千倍，大大的提高了云检效率，使得云检更好地适应当前星载遥感相关技术的发展。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的基于多尺度网络的遥感影像云检方法流程图；
图2示意性示出了根据本公开实施例的全卷积动态网络的工作流程图；
图3示意性示出了根据本公开实施例的基于多尺度空间云特征挖掘方式的流程图；
图4示意性示出了根据本公开实施例的基于多尺度网络的遥感影像云检系统的结构框图；
图5示意性示出了根据本公开实施例的全卷积动态网络的结构框图；
图6示意性示出了根据本公开实施例的适于实现基于多尺度网络的遥感影像云检方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理系统的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的系统。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开作进一步的详细说明。
在相关技术中，全卷积网络云检方法受限于特征尺度空间单一且有限以及融合机制欠佳，导致对于不同尺度的云块检测性能差别较大，方法鲁棒性和泛化性较差。
本公开提供一种基于多尺度网络的遥感影像云检方法及系统，能够对不同尺度空间中云特征自适应挖掘，实现对复杂遥感场景中多种尺度云块的鲁棒检测，使得云检更好的适应当前星载遥感相关技术的发展。
图1示意性示出了根据本公开实施例的基于多尺度网络的遥感影像云检方法流程图。
如图1所示，该方法可以包括步骤S110～步骤S140。
在步骤S110，获取待测遥感影像数据。
根据本公开的实施例，步骤S110包括：从本地存储设备获取待测遥感影像数据；以及将该待测遥感影像数据输入云检系统该待测遥感影像数据可以为保存的.png、.jpg、.GIF等格式的数据。
在步骤S120，将待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用多尺度云检编码器网络的多尺度空洞滤波模块对待测遥感影像数据在不同尺度空间挖掘云特征；采用多尺度云检编码器网络的自注意力加权融合模块对云特征进行自注意力加权融合，生成多尺度融合特征；其中，多尺度云检编码器网络为全卷积动态网络。
根据本公开的实施例，将从本地存储设备获取的待测遥感影像数据输入云检系统，利用正则化处理单元选择数据预处理方式后，输入至已训练的全卷积动态网络，生成多尺度融合特征。其中，该全卷积动态网络是一种结合了多尺度空洞滤波网络和自注意力加权融合网络的有监督训练的云检结构。多尺度空洞滤波网络在不同尺度的像素空间进行动态协同滤波，并以全局演绎的方式优化自注意力加权融合网络以最大限度地融合多尺度上下文信息来进一步增强联合特征表示。
下面参考图2和图3，结合具体实施例对步骤S120所示的方法做进一步说明。
图2示意性示出了根据本公开实施例的全卷积动态网络的工作流程图。
如图2所示，在操作S120，全卷积动态网络的工作流程可以包括S210～步骤S220。
在步骤S210，利用多尺度空洞滤波模块对待测遥感影像数据在不同尺度空间挖掘云特征；
在步骤S220，利用自注意力加权融合模块对云特征进行自注意力加权融合，生成多尺度融合特征。
根据本公开的实施例，通过全卷积动态网络生成待测遥感影像数据的多尺度融合特征包括：采用多尺度空洞滤波模块对待测遥感影像数据在不同尺度空间挖掘云特征。其中，根据给定的输入待测遥感影像数据，首先利用多尺度空洞滤波网络从云物理外观特征的角度，将待测遥感影像数据从像素域投影到多尺度嵌入域，云物理外观特征往往是域不变的；然后采用自注意力加权融合模块指导输出多尺度特征挖掘后的遥感影像数据，从全局角度进行尺度自适应的上下文语义融合，并推理空间高阶长程依赖增强目标云块特征表示，生成多尺度融合特征。
图3示意性示出了根据本公开实施例的基于多尺度空间云特征挖掘方式的流程图。
如图3所示，在步骤S210，云特征包括多个不同尺度的上下文特征，还可以包括向多尺度云检编码器网络输入待测遥感影像数据的特征图；针对相同尺度空间，分别对特征图进行特征压缩，得到相同尺度空间下的单尺度特征；以及在步骤S220，将不同尺度空间下的多个单尺度特征进行特征重建，得到多尺度融合特征。
根据本公开的实施例，利用空洞滤波计算引导的张量降维获取同一遥感场景在不同尺度空间中的低秩特征，该待测遥感影像内各云块不同低秩特征输入至信息升维模块进行语义重建，生成待测遥感影像数据在不同尺度空间约束下的上下文特征。其中，该空洞滤波采用稀疏采样逼近的广域积分变换计算操作，在广域可控空间范围内建模中长程云像元关系，进而实现在当前尺度空间中从全局角度探索目标云块低秩语义；该信息升维模块采用可学习参数驱动的双线性插值操作来重建各尺度空间内云块细节语义，通过反向传播利用级联递增信息增强复杂背景中不同云块语义特征表示。
根据本公开的实施例，需要说明的是，多尺度云检编码器网络并不仅限于全卷积动态网络，同理，多尺度特征挖掘也并不仅限于空洞滤波和双线性插值，其可根据实际应用进行调整遥感影像多尺度云检编码方式，并根据遥感影像多尺度云检编码分别调用相应的多尺度云检编码器网络。
在步骤S130，将多尺度融合特征输入至已训练的多尺度云检解码器网络，生成遥感影像数据的云检结果；其中，多尺度云检解码器网络为浅层卷积网络，用于指导多尺度融合特征进行类别语义映射，生成遥感影像数据的云检结果。
在步骤S140，输出云检结果，并将云检结果存储至本地存储设备中。
根据本公开的实施例，本公开提供的一种基于多尺度网络的遥感影像云检方法，引入全卷积动态的多尺度云检编码器网络，能够对不同尺度空间中云特征进行自适应挖掘，对待测遥感影像数据进行不同尺度云块的并行检测，从而在相同遥感影像云检的任务中，实现对复杂遥感场景中多种尺度云块的鲁棒检测；该方法相较于传统手工设计特征的方法可以大幅提高鲁棒性和泛化性，适用的遥感场景范围及数量可以增加上百倍甚至上千倍，大大的提高了云检效率，使得云检更好地适应当前星载遥感相关技术的发展。
根据本公开的实施例，通过特征压缩方式可获取云块低维本质特征，随后利用特征重建方式可进一步恢复相似的空间细节信息。该两种方式的结合，可以对已获得的大数据库进行快速且精准的筛选，在保证其准确性的情况下，可以大幅提升云检速率。
基于上述多尺度网络的遥感影像云检方法，本公开还提供了一种基于多尺度网络的遥感影像云检系统。以下结合图4对该系统进行详细描述。
图4示意性示出了根据本公开实施例的基于多尺度网络的遥感影像云检系统的结构框图。
如图4所示，该实施例的基于多尺度网络的遥感影像云检系统400包括数据获取单元410、多尺度融合特征生成单元420、云检结果生成单元430以及输出单元440，该系统可以用于实现参考图1～图3所描述的基于多尺度网络的遥感影像云检方法。
数据获取单元410用于获取待测遥感影像数据。
根据本公开的实施例，数据获取单元410用于从本地存储设备获取待测遥感影像数据；将待测遥感影像数据输入云检系统。
多尺度融合特征生成单元420用于将待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用多尺度云检编码器网络的多尺度空洞滤波模块对待测遥感影像数据在不同尺度空间挖掘云特征；采用多尺度云检编码器网络的自注意力加权融合模块对云特征进行自注意力加权融合，生成多尺度融合特征；其中，多尺度云检编码器网络为全卷积动态网络。
云检结果生成单元430用于将多尺度融合特征输入至已训练的多尺度云检解码器网络，生成遥感影像数据的云检结果；其中，多尺度云检解码器网络为浅层卷积网络，用于指导多尺度融合特征进行类别语义映射，生成遥感影像数据的云检结果。
输出单元440用于输出云检结果，并将云检结果储存至本地存储设备中。
根据本公开的实施例，本方案提供的基于多尺度网络的遥感影像云检系统，由于引入多尺度网络，克服了相关技术中的特征尺度空间单一且有限以及融合机制欠佳，导致对于不同尺度的云块检测性能差别较大的缺陷，使得云检精度提升超过30％，云检效率提升超过90％。
图5示意性示出了根据本公开实施例的全卷积动态网络的结构框图。
如图5所示，该实施例的全卷积动态网络500包括多尺度空洞滤波模块510以及自注意力加权融合模块520。
多尺度空洞滤波模块510用于对待测遥感影像数据在不同尺度空间挖掘云特征。
自注意力加权融合模块520用于对云特征进行自注意力加权融合，生成多尺度融合特征。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，数据获取单元410、多尺度融合特征生成单元420、云检结果生成单元430以及输出单元440；多尺度空洞滤波模块510以及自注意力加权融合模块520中的任意多个单元或模块可以合并在一个单元或模块中实现，或者其中的任意一个单元或模块可以被拆分成多个单元或模块。或者，这些单元或模块中的一个或多个单元或模块的至少部分功能可以与其他单元或模块的至少部分功能相结合，并在一个单元或模块中实现。
数据获取单元410、多尺度融合特征生成单元420、云检结果生成单元430以及输出单元440；多尺度空洞滤波模块510以及自注意力加权融合模块520中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据获取单元410、多尺度融合特征生成单元420、云检结果生成单元430以及输出单元440；多尺度空洞滤波模块510以及自注意力加权融合模块520中的至少一个可以至少被部分地实现为计算机程序单元或模块，当该计算机程序单元或模块被运行时，可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现基于多尺度网络的遥感影像云检方法的电子设备的方框图。
如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种基于多尺度网络的遥感影像云检方法，包括：
获取待测遥感影像数据；
将所述待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用所述多尺度云检编码器网络的多尺度空洞滤波模块对所述待测遥感影像数据在不同尺度空间挖掘云特征；采用所述多尺度云检编码器网络的自注意力加权融合模块对所述云特征进行自注意力加权融合，生成多尺度融合特征；其中，所述多尺度云检编码器网络为全卷积动态网络；
将所述多尺度融合特征输入至已训练的多尺度云检解码器网络，生成所述遥感影像数据的云检结果；其中，所述多尺度云检解码器网络为浅层卷积网络，用于指导所述多尺度融合特征进行类别语义映射，生成所述遥感影像数据的云检结果；
输出所述云检结果。
2.根据权利要求1所述的方法，其中，所述云特征包括多个不同尺度的上下文特征，采用所述多尺度云检编码器网络的多尺度空洞滤波模块对所述待测遥感影像数据在不同尺度空间挖掘云特征，包括：
向所述多尺度云检编码器网络输入所述待测遥感影像数据的特征图；
针对相同尺度空间，分别对所述特征图进行特征压缩，得到相同尺度空间下的单尺度特征。
3.根据权利要求1所述的方法，其中，采用所述多尺度云检编码器网络的自注意力加权融合模块对所述云特征进行自注意力加权融合，生成多尺度融合特征包括：
将不同尺度空间下的多个所述单尺度特征进行特征重建，得到所述多尺度融合特征。
4.根据权利要求1所述的方法，其中，所述获取待测遥感影像数据包括：
从本地存储设备获取所述待测遥感影像数据；
将所述待测遥感影像数据输入云检系统。
5.根据权利要求1所述的方法，还包括：
将所述云检结果存储至本地存储设备中。
6.一种基于多尺度网络的遥感影像云检系统，包括：
数据获取单元，用于获取待测遥感影像数据；
多尺度融合特征生成单元，用于将所述待测遥感影像数据输入至已训练的多尺度云检编码器网络，采用所述多尺度云检编码器网络的多尺度空洞滤波模块对所述待测遥感影像数据在不同尺度空间挖掘云特征；采用所述多尺度云检编码器网络的自注意力加权融合模块对所述云特征进行自注意力加权融合，生成多尺度融合特征；其中，所述多尺度云检编码器网络为全卷积动态网络；
云检结果生成单元，用于将所述多尺度融合特征输入至已训练的多尺度云检解码器网络，生成所述遥感影像数据的云检结果；其中，所述多尺度云检解码器网络为浅层卷积网络，用于指导所述多尺度融合特征进行类别语义映射，生成所述遥感影像数据的云检结果；
输出单元，用于输出所述云检结果。
7.根据权利要求6所述的系统，其中，所述数据获取单元用于从本地存储设备获取所述待测遥感影像数据；将所述待测遥感影像数据输入云检系统。
8.根据权利要求6所述的系统，还包括：
存储单元，用于将所述云检结果存储至本地存储设备中。
9.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至5中任一项所述的方法。
CN202310097697.8A 2023-01-19 2023-01-19 基于多尺度网络的遥感影像云检方法及系统 Pending CN116630817A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310097697.8A CN116630817A (zh) 2023-01-19 2023-01-19 基于多尺度网络的遥感影像云检方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310097697.8A CN116630817A (zh) 2023-01-19 2023-01-19 基于多尺度网络的遥感影像云检方法及系统

Publications (1)

Publication Number Publication Date
CN116630817A true CN116630817A (zh) 2023-08-22

Family

ID=87625359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310097697.8A Pending CN116630817A (zh) 2023-01-19 2023-01-19 基于多尺度网络的遥感影像云检方法及系统

Country Status (1)

Country Link
CN (1) CN116630817A (zh)

Similar Documents

Publication Publication Date Title
WO2023077816A1 (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
US10984545B2 (en) Estimating depth for a video stream captured with a monocular rgb camera
CN111476159B (zh) 一种基于双角回归的检测模型训练、检测方法及装置
Shu et al. Shoreline extraction from RADARSAT-2 intensity imagery using a narrow band level set segmentation approach
US10997724B2 (en) System and method for image segmentation using a joint deep learning model
CN105917354A (zh) 用于图像处理的空间金字塔池化网络
US11037030B1 (en) System and method for direct learning from raw tomographic data
CN112862774A (zh) 一种遥感影像建筑物精确分割方法
Qiu et al. Void filling of digital elevation models with a terrain texture learning model based on generative adversarial networks
Rasheed et al. An empirical study on retinex methods for low-light image enhancement
Wang et al. Hybrid attention-based U-shaped network for remote sensing image super-resolution
CN117788296B (zh) 基于异构组合深度网络的红外遥感图像超分辨率重建方法
Wagner et al. River water segmentation in surveillance camera images: A comparative study of offline and online augmentation using 32 CNNs
Wang et al. An unsupervised heterogeneous change detection method based on image translation network and post-processing algorithm
Kim et al. Learning Structure for Concrete Crack Detection Using Robust Super‐Resolution with Generative Adversarial Network
CN110728675A (zh) 肺结节分析装置、模型训练方法、装置及分析设备
Li et al. An integrated underwater structural multi-defects automatic identification and quantification framework for hydraulic tunnel via machine vision and deep learning
US10096148B1 (en) Portable x-ray computed tomography
Zhang et al. Pyramidal deep-learning network for dense velocity field reconstruction in particle image velocimetry
Su et al. Change detection in synthetic aperture radar images based on non-local means with ratio similarity measurement
CN111967292A (zh) 一种轻量级的sar图像船只检测方法
CN116630817A (zh) 基于多尺度网络的遥感影像云检方法及系统
Cao et al. A novel image multitasking enhancement model for underwater crack detection
US11645784B1 (en) Techniques for detecting and classifying relevant changes
Wu et al. Research on water extraction from high resolution remote sensing images based on deep learning

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