CN116740569A - 一种基于深度学习的降雪区域云检测系统 - Google Patents
一种基于深度学习的降雪区域云检测系统 Download PDFInfo
- Publication number
- CN116740569A CN116740569A CN202310714877.6A CN202310714877A CN116740569A CN 116740569 A CN116740569 A CN 116740569A CN 202310714877 A CN202310714877 A CN 202310714877A CN 116740569 A CN116740569 A CN 116740569A
- Authority
- CN
- China
- Prior art keywords
- module
- cloud detection
- image
- model
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的降雪区域云检测系统,包括:图像获取模块、模型构建模块、云检测模块,其中图像获取模块、模型构建模块、云检测模块依次连接;图像获取模块,用于获取降雪区域的遥感影像;模型构建模块,用于构建云检测网络模型,其中云检测网络模型包括:自适应特征融合模块和高级语义信息引入模块;自适应特征融合模块,用于融合不同尺寸、不同级别的特征,高级语义信息引入模块,用于对融合后的特征嵌入高级语义信息;云检测模块,用于将待测遥感影像输入至云检测网络模型中,模型输出含有云检测结果的遥感影像。本发明通过云检测网络模型能够准确地对云雪混合区域的影像检测出云的区域,提高了云雪覆盖区域的云检测精度。
Description
技术领域
本发明属于遥感影像处理领域,尤其涉及一种基于深度学习的降雪区域云检测系统。
背景技术
遥感图像通常用于土地监测、目标检测和地理测绘等,图像中云和雪的分布对遥感图像的光谱有较大影响。提高遥感图像中云雪的检测测精度已成为许多遥感图像应用的目标。
同时,云和雪在可见光范围内有相似的光谱特性,这导致在常规的云检测方法中往往会产生将雪误判为云的现象。因此,选择合适的方法对含雪的影像进行准确的云检测是至关重要的。
目前,现有技术中提出了许多基于有限光谱信息下的云检测方法,但是对云雪混合区域的影像检测结果存在较多错误分类像元,无法提高云雪覆盖区域的云检测精度。
发明内容
本发明提出了一种基于深度学习的降雪区域云检测系统,以解决上述现有技术中存在的技术问题。
为实现上述目的,本发明提供了一种基于深度学习的降雪区域云检测系统,包括:
图像获取模块、模型构建模块、云检测模块,其中所述图像获取模块、模型构建模块、云检测模块依次连接;
所述图像获取模块,用于获取降雪区域的遥感影像;
所述模型构建模块,用于构建云检测网络模型,其中所述云检测网络模型包括:自适应特征融合模块和高级语义信息引入模块;所述自适应特征融合模块,用于融合不同尺寸、不同级别的特征,所述高级语义信息引入模块,用于对融合后的特征嵌入高级语义信息;
所述云检测模块,用于获取待测遥感影像,将所述待测遥感影像输入至云检测网络模型中,模型输出含有云检测结果的遥感影像。
优选地,还包括与所述图像获取模块连接的图像处理模块,用于对遥感影像进行辐射定标、大气校正、数据拼接、图像裁剪以及影像缩略操作,得到遥感缩略图,将遥感缩略图分为训练影像和测试影像。
优选地,所述自适应特征融合模块包括:通道自适应融合单元、空间自适应融合单元和特征图结合单元;
所述通道自适应融合单元,用于基于通道维度求解通道注意力权重值,基于通道注意力权重值对不同尺寸、不同抽象级别的特征进行自适应融合,得到通道融合特征图;
所述空间自适应融合单元,用于基于空间维度求解空间注意力权重值,基于空间注意力权重值对不同尺寸、不同抽象级别的特征进行自适应融合,得到空间融合特征图;
所述特征图结合单元,用于将所述通道融合特征图和所述空间融合特征图进行融合,得到融合特征图。
优选地,所述高级语义信息引入模块中,采用ResNet-50网络作为编码器,并在编码器后面增加一个网络解码层,利用网络解码层在所述融合特征图中嵌入高级语义信息来修复稀释的语义信息。
优选地,所述ResNet-50网络采用三个3*3标准卷积、不同膨胀率的膨胀卷积以及增设卷积层运算步长的像素。
优选地,还包括与所述模型构建模块连接的模型训练模块,用于基于训练影像,采用随机梯度下降法对所述云检测网络模型进行训练,得到训练好的云检测网络模型。
优选地,所述模型训练模块中,采用联合损失函数,并在联合损失函数中引入正则化,模型训练过程中,通过迭代更新网络参数后得到联合损失函数的最小值。
优选地,所述测试影像,用于输入至训练好的云检测网络模型中,得到输出结果,并统计输出结果的准确率,对输出结果的准确率进行判断,基于判断结果确定是否调整云检测网络模型的参数,直至达到预设好的准确率。
与现有技术相比,本发明具有如下优点和技术效果:
本发明提供了一种基于深度学习的降雪区域云检测系统,包括:图像获取模块、模型构建模块、云检测模块,通过图像获取模块获取降雪区域的遥感影像;通过模型构建模块,构建云检测网络模型,其中所述云检测网络模型包括:自适应特征融合模块和高级语义信息引入模块;通过自适应特征融合模块,融合不同尺寸、不同级别的特征,通过高级语义信息引入模块,对融合后的特征嵌入高级语义信息;通过云检测模块,将待测遥感影像输入至云检测网络模型中,模型输出含有云检测结果的遥感影像。
本发明基于深度学习技术构建云检测网络模型,通过云检测网络模型能够准确地对云雪混合区域的影像检测出云的区域,同时提高了云雪覆盖区域的云检测精度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的系统示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于深度学习的降雪区域云检测系统,包括:图像获取模块、图像处理模块、模型构建模块、模型训练模块和云检测模块,其中图像获取模块、图像处理模块、模型构建模块、模型训练模块、云检测模块依次连接;
图像获取模块,用于获取降雪区域的遥感影像;
图像处理模块,用于对所述遥感影像进行预处理,得到处理后的遥感影像;
本实施例中,对卫星遥感影像进行辐射定标、大气校正、数据拼接、图像裁剪以及影像缩略操作;
辐射定标,将图像的数字量化值(DN)转化为辐射亮度值、反射率或者表面温度等物理量的处理过程;辐射定标参数一般放在元数据文件中,利用完整的遥感图像处理平台(ENVI)的辐射定标工具(RadiometricCalibration)能自动从元数据文件中读取参数,从而完成辐射定标;
大气校正的方法,利用完整的遥感图像处理平台(ENVI)的大气校正工具(FLASSH)来消除由于大气影响所造成的辐射误差,反演地物真实的表面反射率;
数据拼接,利用MODISReprojectionTool(MRT)软件实现不同条带号数据的拼接,形成覆盖实验区的完整数据;
图像剪裁,用于获得感兴趣的研究区域(ROI);
影像缩略,利用图像处理软件来制作影像缩略图。
处理后的遥感影像包括:训练影像和测试影像;
模型构建模块,用于构建云检测网络模型,其中所述云检测网络模型包括:自适应特征融合模块和高级语义信息引入模块;
自适应特征融合模块,用于通过注意力机制计算不同特征之间的重要性,选择性地自适应融合不同尺度、不同抽象级别的特征,得到融合特征图,融合特征能够更加全面的实现对图像的表达,进而提高图像识别的精度;
自适应特征融合模块包括:通道自适应融合单元、空间自适应融合单元和特征图结合单元;
通道自适应融合单元,用于基于通道维度求解通道注意力权重值,基于通道注意力权重值对不同尺寸、不同抽象级别的特征进行自适应融合,得到通道融合特征图;
空间自适应融合单元,用于基于空间维度求解空间注意力权重值,基于空间注意力权重值对不同尺寸、不同抽象级别的特征进行自适应融合,得到空间融合特征图。
特征图结合单元,用于将所述通道融合特征图和所述空间融合特征图进行融合,得到融合特征图。
本实施例中,还采用ResNet-50网络作为编码器来提取多尺度特征,利用ResNet-50模型对图像的卷积特征进行多尺度提取,ResNet模型在数据集上的分类、检测等方面具有良好的性能,可以解决网络退化和梯度消失的问题;同时在编码器后面增加一个网络解码层;
ResNet-50网络采用三个3*3标准卷积替换了原来的第一层7*7卷积,可以有效地减少参数的数量,增加网络的深度和非线性映射能力,从而获得更具抽象的特征表示;同时采用了膨胀率为2和4的膨胀卷积,来增加网络深层卷积层的感受野,获取更加丰富的文本信息;将ResNet-50网络所有的残差模块中的卷积层运算步长均设置为1个像素,来确保空间分辨率不会降低。
高级语义信息引入模块,用于在网络解码层嵌入高级语义信息来修复稀释的语义信息,还用于捕获多尺度和全局的语义信息,能够显示地让解码端各层时刻感知云对象的位置,提供更具区分性的特征信息,实现更高精度的像素级云检测效果。
本实施例中,所述云检测网络模型采用联合损失函数,包括主损失函数和辅助损失函数,在联合损失函数中引入正则化来避免过拟合现象,模型训练过程中,通过迭代更新网络参数后得到联合损失函数的最小值。
模型训练模块,用于基于训练影像对所述云检测网络模型进行训练,采用随机梯度下降法对云检测网络模型学习过程进行优化,训练次数120次。
本实施例中,将测试影像输入至训练好的云检测网络模型中,得到输出结果,并统计输出结果的准确率,人为设置准确率阈值,基于准确率阈值对输出结果的准确率进行判断,若所述输出结果的准确率小于准确率阈值,则调整云检测网络模型的参数,继续进行训练,直至达到准确率阈值范围内,否则不调整云检测网络模型的参数。
云检测模块,用于将处理后的待测影像输入至训练好的云检测网络模型,模型输出在云雪覆盖区域影像的云检测结果。
本实施例中,云检测网络模型首先使用通道自适应融合单元和空间自适应融合单元分别通过通道和空间注意力对多级、多尺度特征进行自适应融合。然后,通过按元素求和操作将这些融合的特征与高级语义信息引导流(HSIGFs)中的高级语义信息进行融合,通过引入高级语义信息指导流,修复了解码端各层稀释的高级语义信息。本实施例能够显示地让解码端各层时刻感知云对象的位置,提供更具区分性的特征信息,提高了云、雪覆盖区域的影像上云的检测精度。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于深度学习的降雪区域云检测系统,其特征在于,包括:图像获取模块、模型构建模块、云检测模块,其中所述图像获取模块、模型构建模块、云检测模块依次连接;
所述图像获取模块,用于获取降雪区域的遥感影像;
所述模型构建模块,用于构建云检测网络模型,其中所述云检测网络模型包括:自适应特征融合模块和高级语义信息引入模块;所述自适应特征融合模块,用于融合不同尺寸、不同抽象级别的特征,所述高级语义信息引入模块,用于对融合后的特征嵌入高级语义信息;
所述云检测模块,用于获取待测遥感影像,将所述待测遥感影像输入至云检测网络模型中,模型输出含有云检测结果的遥感影像。
2.根据权利要求1所述的基于深度学习的降雪区域云检测系统,其特征在于,还包括与所述图像获取模块连接的图像处理模块,用于对遥感影像进行辐射定标、大气校正、数据拼接、图像裁剪以及影像缩略操作,得到遥感缩略图,将遥感缩略图分为训练影像和测试影像。
3.根据权利要求1所述的基于深度学习的降雪区域云检测系统,其特征在于,所述自适应特征融合模块包括:通道自适应融合单元、空间自适应融合单元和特征图结合单元;
所述通道自适应融合单元,用于基于通道维度求解通道注意力权重值,基于所述通道注意力权重值对不同尺寸、不同抽象级别的特征进行自适应融合,得到通道融合特征图;
所述空间自适应融合单元,用于基于空间维度求解空间注意力权重值,基于所述空间注意力权重值对不同尺寸、不同抽象级别的特征进行自适应融合,得到空间融合特征图;
所述特征图结合单元,用于将所述通道融合特征图和所述空间融合特征图进行融合,得到融合特征图。
4.根据权利要求3所述的基于深度学习的降雪区域云检测系统,其特征在于,所述高级语义信息引入模块中,采用ResNet-50网络作为编码器,并在编码器后面增加一个网络解码层,利用网络解码层在所述融合特征图中嵌入高级语义信息来修复稀释的语义信息。
5.根据权利要求4所述的基于深度学习的降雪区域云检测系统,其特征在于,所述ResNet-50网络采用三个3*3标准卷积、不同膨胀率的膨胀卷积以及增设卷积层运算步长的像素。
6.根据权利要求2所述的基于深度学习的降雪区域云检测系统,其特征在于,还包括与所述模型构建模块连接的模型训练模块,用于基于所述训练影像,采用随机梯度下降法对所述云检测网络模型进行训练,得到训练好的云检测网络模型。
7.根据权利要求6所述的基于深度学习的降雪区域云检测系统,其特征在于,所述模型训练模块中,采用联合损失函数,并在联合损失函数中引入正则化,模型训练过程中,通过迭代更新网络参数后得到联合损失函数的最小值。
8.根据权利要求2所述的基于深度学习的降雪区域云检测系统,其特征在于,所述测试影像,用于输入至训练好的云检测网络模型中,得到输出结果,并统计输出结果的准确率,对输出结果的准确率进行判断,基于判断结果确定是否调整云检测网络模型的参数,直至达到预设好的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310714877.6A CN116740569B (zh) | 2023-06-15 | 2023-06-15 | 一种基于深度学习的降雪区域云检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310714877.6A CN116740569B (zh) | 2023-06-15 | 2023-06-15 | 一种基于深度学习的降雪区域云检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116740569A true CN116740569A (zh) | 2023-09-12 |
CN116740569B CN116740569B (zh) | 2024-01-16 |
Family
ID=87904163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310714877.6A Active CN116740569B (zh) | 2023-06-15 | 2023-06-15 | 一种基于深度学习的降雪区域云检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116740569B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200125844A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
CN111915592A (zh) * | 2020-08-04 | 2020-11-10 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN115331087A (zh) * | 2022-10-11 | 2022-11-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 融合区域语义与像素特征的遥感影像变化检测方法及系统 |
CN115880586A (zh) * | 2022-12-07 | 2023-03-31 | 吉林大学 | 基于混合特征网络的卫星遥感影像云雪检测方法 |
CN116052016A (zh) * | 2023-01-14 | 2023-05-02 | 南京信息工程大学 | 基于深度学习的遥感图像云和云影的精细分割检测方法 |
US20230169763A1 (en) * | 2021-12-01 | 2023-06-01 | Korea Aerospace Research Institute | System and method for automatically analyzing cloud cover in optical satellite image based on machine learning |
-
2023
- 2023-06-15 CN CN202310714877.6A patent/CN116740569B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200125844A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
CN111915592A (zh) * | 2020-08-04 | 2020-11-10 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
US20230169763A1 (en) * | 2021-12-01 | 2023-06-01 | Korea Aerospace Research Institute | System and method for automatically analyzing cloud cover in optical satellite image based on machine learning |
CN115331087A (zh) * | 2022-10-11 | 2022-11-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 融合区域语义与像素特征的遥感影像变化检测方法及系统 |
CN115880586A (zh) * | 2022-12-07 | 2023-03-31 | 吉林大学 | 基于混合特征网络的卫星遥感影像云雪检测方法 |
CN116052016A (zh) * | 2023-01-14 | 2023-05-02 | 南京信息工程大学 | 基于深度学习的遥感图像云和云影的精细分割检测方法 |
Non-Patent Citations (1)
Title |
---|
郑凯;李建胜;杨戬峰;欧阳文;王高杰;张迅;: "天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法", 测绘学报, no. 10, pages 105 - 115 * |
Also Published As
Publication number | Publication date |
---|---|
CN116740569B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119728B (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
Berman et al. | Single image dehazing using haze-lines | |
CN111582043B (zh) | 基于多任务学习的高分辨率遥感影像地物变化检测方法 | |
CN109086668B (zh) | 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法 | |
Tian et al. | Multiscale building extraction with refined attention pyramid networks | |
CN110598600A (zh) | 一种基于unet神经网络的遥感图像云检测方法 | |
CN112287904B (zh) | 基于卫星影像的机场目标识别方法和装置 | |
CN114494821B (zh) | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 | |
CN113239830A (zh) | 一种基于全尺度特征融合的遥感图像云检测方法 | |
CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
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 | |
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN116994000A (zh) | 零件边缘特征提取方法和装置、电子设备及存储介质 | |
Ng et al. | Opencontrails: Benchmarking contrail detection on goes-16 abi | |
CN113705340B (zh) | 一种基于雷达遥感数据的深度学习变化检测方法 | |
CN114926826A (zh) | 场景文本检测系统 | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
CN116740569B (zh) | 一种基于深度学习的降雪区域云检测系统 | |
CN117456198A (zh) | 一种基于改进的Yolov5神经网络的输电线路故障检测方法 | |
CN117058557A (zh) | 基于物理特征与深度学习模型的云和云阴影联合检测方法 | |
CN111797799A (zh) | 基于人工智能的地铁乘客等待区域规划方法 | |
CN115761223A (zh) | 一种利用数据合成的遥感影像实例分割方法 | |
CN105488774A (zh) | 一种用于图像显示的灰度变换方法及装置 |
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 |