CN117056807A - 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 - Google Patents
基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 Download PDFInfo
- Publication number
- CN117056807A CN117056807A CN202311027672.7A CN202311027672A CN117056807A CN 117056807 A CN117056807 A CN 117056807A CN 202311027672 A CN202311027672 A CN 202311027672A CN 117056807 A CN117056807 A CN 117056807A
- Authority
- CN
- China
- Prior art keywords
- cloud detection
- semantic segmentation
- segmentation network
- pixel point
- labv3plus
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 230000011218 segmentation Effects 0.000 title claims abstract description 55
- 230000007787 long-term memory Effects 0.000 title claims abstract description 13
- 230000006403 short-term memory Effects 0.000 title claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供的一种基于语义分割网络和长短期记忆网络的集成云检测方法，包括：获取多通道卫星的历史图像数据以及根据历史图像数据得到的云检测图像，并提取历史图像数据的特征信息；构建单像素点云检测模型，所述单像素云检测模型包括三个长短期记忆网络LSTM和一个全连接层，三个长短期记忆网络LSTM的输入和输出顺次连接形成串联结构，然后串联结构中的最后一个长短期记忆网络LSTM的输出与全连接层的输入连接；将特征信息输入至单像素点云检测模型中并对单像素点云检测模型进行训练；构建DeepLabv3plus语义分割网络，将特征信息输入至DeepLabv3plus语义分割网络中并对DeepLabv3plus语义分割网络进行训练；获取多通道卫星的实时图像数据，并提取实时图像数据的特征信息；将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果。
Description
技术领域
本发明涉及一种云检测方法，尤其涉及一种基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备。
背景技术
随着遥感技术的迅速发展以及大数据技术的广泛应用，对地观测数据量增长迅速，卫星遥感影像因其覆盖范围广、重复观测周期短、信息数据量大等有优点，被广泛应用于环境保护、自然灾害预警等诸多领域，然而，由于卫星传感器受大气密度和云层变化等影响较大，许多遥感影像存在云层遮挡问题，云层遮挡导致的光学遥感图像信息缺失，对下游的遥感图像处理和识别造成很大的影响，因此，需要对遥感图像的云进行检测识别。
现有技术中，对于遥感图像的云检测主要有以下方法：(1)基于光谱阈值的方法，这种方法对不同检测场景泛化能力较差，容易将其他高反射率物体(如积雪、建筑等)误判为云层，导致其精度相对较低；(2)基于经典机器学习的方法(如支持向量机、随机森林等)，这种方法需要人工进行特征的筛选和定义，效率低；(3)深度学习的方法，比如基于图像块分类的云检测算法，这种方法只能得到大致的分类结果，准确性低，又比如基于语义分割的云检测算法，这种算法难以获得回复细节的信息。
因此，为了解决上述技术问题，亟需提出一种新的技术手段。
发明内容
有鉴于此，本发明的目的是提供一种基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备用以解决上述技术问题。
本发明提供的一种基于语义分割网络和长短期记忆网络的集成云检测方法，包括以下步骤：
获取多通道卫星的历史图像数据以及根据历史图像数据得到的云检测图像，并提取历史图像数据的特征信息；
构建单像素点云检测模型，所述单像素云检测模型包括三个长短期记忆网络LSTM和一个全连接层，三个长短期记忆网络LSTM的输入和输出顺次连接形成串联结构，然后串联结构中的最后一个长短期记忆网络LSTM的输出与全连接层的输入连接；
将特征信息输入至单像素点云检测模型中并对单像素点云检测模型进行训练；
构建DeepLabv3plus语义分割网络，将特征信息输入至DeepLabv3plus语义分割网络中并对DeepLabv3plus语义分割网络进行训练；
获取多通道卫星的实时图像数据，并提取实时图像数据的特征信息；
将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果。
进一步，历史图像数据的特征信息包括图像特征和标签特征，其中，图像特征包括辐射亮温、发射率和卫星天顶角；标签特征包括有云和晴空；
实时图像数据的特征信息为图像特征，图像特征包括辐射亮温、发射率和卫星天顶角。
进一步，还包括对图像特征预处理的步骤：
计算卫星各个通道的图像的辐射亮温和发射率的平均值和标准差，并将辐射亮温和发射率的平均值以及标准差进行归一化处理；
计算卫星天顶角的余弦值。
进一步，对图像特征进行特征预处理包括将图像特征附加海陆掩码，将海洋的图像特征的掩码标记为0，将陆地的图像特征的掩码标记为1。
进一步，构建单像素点云检测模型时，三个长短期记忆网络LSTM的节点数设置为64，全连接层的节点数设置为2，长短期记忆网络LSTM的输出层的激活函数采用ReLU函数；
长短期记忆网络LSTM的优化器采用Adam优化器，初始学习率为0.05，且损失函数为：
其中：N为样本总量；yi为样本i的标签，标签值为1时为有云，标签值为0时为晴空，pi为样本i预测为有云的概率。
进一步，DeepLabv3plus语义分割网络采用戴斯损失函数和带权重交叉熵损失函数构成的联合损失函数进行网络参数的优化：
联合损失函数为：
其中：Dice Loss为戴斯损失函数，Weighted CE Loss为带权重交叉熵损失函数；
Weighted CE Loss＝∑pixelswygtlog(ypred)；
其中：ygt为每个样本的标签值，ypred为每个样本的预测值，w为该类标签的总样本占所有样本的比值，N为样本总量。
进一步，将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果具体包括：
将实时图像数据的特征信息划分为3个子数据集；
将3个子数据集分别输入至单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理；
将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和：
其中：i表示第i个子数据集，当r＝1时表示单像素点云检测模型，当r＝2时表示DeepLabv3plus语义分割网络，wir表示第r个处理模型对第i个子数据集处理结果的权重，hir(x)表示第r个处理模型对第i个子数据集处理后的输出结果。
相应地，本发明提供了一种可读存储介质，所述可读存储介质具有计算程序，所述计算程序在运行时执行上述的云检测方法。
相应地，本发明提供了一种计算设备，所述计算设备具有可读存储介质，所述可读存储介质具有计算程序，所述计算程序在运行时执行上述的云检测方法。
本发明的有益效果：通过本发明，基于单像素点云检测模型来进行处理预测能够更加充分地分析各像素点对应的卫星通道信息，而采用语义分割网络能够获取云团空间上的分布特征。
而且通过将两个网络的输出结果进行加权处理，能够防止特征信息遗漏，更利于获得图像数据的全局信息，从而能够有效提升最终云检测结果的精度。
本方法快速、高效，而且具有较强的泛化能力，能够适应于不同的应用场景。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程图。
具体实施方式
以下进一步对本发明做做出详细说明：
本发明提供的一种基于语义分割网络和长短期记忆网络的集成云检测方法，包括以下步骤：
S1.获取多通道卫星的历史图像数据以及根据历史图像数据得到的云检测图像，并提取历史图像数据的特征信息；
S2.构建单像素点云检测模型，所述单像素云检测模型包括三个长短期记忆网络LSTM和一个全连接层，三个长短期记忆网络LSTM的输入和输出顺次连接形成串联结构，然后串联结构中的最后一个长短期记忆网络LSTM的输出与全连接层的输入连接；
S3.将特征信息输入至单像素点云检测模型中并对单像素点云检测模型进行训练；
S4.构建DeepLabv3plus语义分割网络，将特征信息输入至DeepLabv3plus语义分割网络中并对DeepLabv3plus语义分割网络进行训练；
S5.获取多通道卫星的实时图像数据，并提取实时图像数据的特征信息；
S6.将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果；通过上述方法，基于单像素点云检测模型来进行处理预测能够更加充分地分析各像素点对应的卫星通道信息，而采用语义分割网络能够获取云团空间上的分布特征。
而且通过将两个网络的输出结果进行加权处理，能够防止特征信息遗漏，更利于获得图像数据的全局信息，从而能够有效提升最终云检测结果的精度。
本方法快速、高效，而且具有较强的泛化能力，能够适应于不同的应用场景。
本实施例中，历史图像数据的特征信息包括图像特征和标签特征，其中，图像特征包括辐射亮温、发射率和卫星天顶角；标签特征包括有云和晴空；
实时图像数据的特征信息为图像特征，图像特征包括辐射亮温、发射率和卫星天顶角。
本实施例中还包括对图像特征预处理的步骤：
计算卫星各个通道的图像的辐射亮温和发射率的平均值和标准差，并将辐射亮温和发射率的平均值以及标准差进行归一化处理；
计算卫星天顶角的余弦值。其中，卫星的通道包括7个通道，一个中波红外通道、两个水汽通道和四个长波红外通道；
本实施例中，对图像特征进行特征预处理包括将图像特征附加海陆掩码，将海洋的图像特征的掩码标记为0，将陆地的图像特征的掩码标记为1；而且，将图像特征按照8:2的比例将样本划分为训练集和测试集；
对于单像素点云检测模型和语义分割网络进行测试评估时，评估指标均采用准确率Accuracy，精准率Precision，召回率Recall：
其中：TP为实际为有云且被分类判定为有云的样本数，FP为实际为晴空但被分类判定为有云的样本数，FN为实际为有云但被分类判定为晴空的样本数，TN为实际为晴空且被分类判定为晴空的样本数。
本实施例中，构建单像素点云检测模型时，三个长短期记忆网络LSTM的节点数设置为64，全连接层的节点数设置为2，长短期记忆网络LSTM的输出层的激活函数采用ReLU函数；其中，ReLU函数为现有技术，公式如下：
pi＝W(LSTM(xi))3+b；
W为权重矩阵，b为偏置，xi为第i个输入样本；
长短期记忆网络LSTM的优化器采用Adam优化器，初始学习率为0.05，且损失函数为：
其中：N为样本总量；yi为样本i的标签，标签值为1时为有云，标签值为0时为晴空，pi为样本i预测为有云的概率。
本实施例中，DeepLabv3plus语义分割网络采用戴斯损失函数和带权重交叉熵损失函数构成的联合损失函数进行网络参数的优化：
联合损失函数为：
其中：Dice Loss为戴斯损失函数，Weighted CE Loss为带权重交叉熵损失函数；
Weighted CE Loss＝∑pixelswygtlog(ypred)；
其中：ygt为每个样本的标签值，ypred为每个样本的预测值，w为该类标签的总样本占所有样本的比值，N为样本总量。
Deeplabv3Puls网络整体采用编解码(Encoder-Decoder)架构，编码结构对输入云图进行下采样，解码结构进行上采样还原云图。
本实施例中，将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果具体包括：
将实时图像数据的特征信息划分为3个子数据集；
将3个子数据集分别输入至单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理；
将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和：
其中：i表示第i个子数据集，当r＝1时表示单像素点云检测模型，当r＝2时表示DeepLabv3plus语义分割网络，wir表示第r个处理模型对第i个子数据集处理结果的权重，hir(x)表示第r个处理模型对第i个子数据集处理后的输出结果。
相应地，本发明提供了一种可读存储介质，所述可读存储介质具有计算程序，所述计算程序在运行时执行上述的云检测方法。
相应地，本发明提供了一种计算设备，所述计算设备具有可读存储介质，所述可读存储介质具有计算程序，所述计算程序在运行时执行上述的云检测方法。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：包括以下步骤：
获取多通道卫星的历史图像数据以及根据历史图像数据得到的云检测图像，并提取历史图像数据的特征信息；
构建单像素点云检测模型，所述单像素云检测模型包括三个长短期记忆网络LSTM和一个全连接层，三个长短期记忆网络LSTM的输入和输出顺次连接形成串联结构，然后串联结构中的最后一个长短期记忆网络LSTM的输出与全连接层的输入连接；
将特征信息输入至单像素点云检测模型中并对单像素点云检测模型进行训练；
构建DeepLabv3plus语义分割网络，将特征信息输入至DeepLabv3plus语义分割网络中并对DeepLabv3plus语义分割网络进行训练；
获取多通道卫星的实时图像数据，并提取实时图像数据的特征信息；
将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果。
2.根据权利要求1所述基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：历史图像数据的特征信息包括图像特征和标签特征，其中，图像特征包括辐射亮温、发射率和卫星天顶角；标签特征包括有云和晴空；
实时图像数据的特征信息为图像特征，图像特征包括辐射亮温、发射率和卫星天顶角。
3.根据权利要求2所述基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：还包括对图像特征预处理的步骤：
计算卫星各个通道的图像的辐射亮温和发射率的平均值和标准差，并利用辐射亮温和发射率的平均值以及标准差对辐射亮温和发射率进行归一化处理；
计算卫星天顶角的余弦值。
4.根据权利要求2所述基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：对图像特征进行特征预处理包括将图像特征附加海陆掩码，将海洋的图像特征的掩码标记为0，将陆地的图像特征的掩码标记为1。
5.根据权利要求1所述基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：构建单像素点云检测模型时，三个长短期记忆网络LSTM的节点数设置为64，全连接层的节点数设置为2，长短期记忆网络LSTM的输出层的激活函数采用ReLU函数；
长短期记忆网络LSTM的优化器采用Adam优化器，初始学习率为0.05，且损失函数为：
其中：N为样本总量；yi为样本i的标签，标签值为1时为有云，标签值为0时为晴空，pi为样本i预测为有云的概率。
6.根据权利要求1所述基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：DeepLabv3plus语义分割网络采用戴斯损失函数和带权重交叉熵损失函数构成的联合损失函数进行网络参数的优化：
联合损失函数为：
其中：Dice Loss为戴斯损失函数，Weighted CE Loss为带权重交叉熵损失函数；
Weighted CE Loss＝∑pixelswygtlog(ypred)；
其中：ygt为每个样本的标签值，ypred为每个样本的预测值，w为该类标签的总样本占所有样本的比值，N为样本总量。
7.根据权利要求1所述基于语义分割网络和长短期记忆网络的集成云检测方法，其特征在于：将实时图像数据的特征信息分别输入至训练完成的单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理，将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和得到最终的云检测结果具体包括：
将实时图像数据的特征信息划分为3个子数据集；
将3个子数据集分别输入至单像素点云检测模型和DeepLabv3plus语义分割网络中进行处理；
将DeepLabv3plus语义分割网络的输出结果与单像素点云检测模型的输出结果进行加权求和：
其中：i表示第i个子数据集，当r＝1时表示单像素点云检测模型，当r＝2时表示DeepLabv3plus语义分割网络，wir表示第r个处理模型对第i个子数据集处理结果的权重，hir(x)表示第r个处理模型对第i个子数据集处理后的输出结果。
8.一种可读存储介质，所述可读存储介质具有计算程序，其特征在于：所述计算程序在运行时执行权利要求1-7任一权利要求所述的云检测方法。
9.一种计算设备，所述计算设备具有可读存储介质，所述可读存储介质具有计算程序，其特征在于：所述计算程序在运行时执行权利要求1-7任一权利要求所述的云检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311027672.7A CN117056807A (zh) | 2023-08-15 | 2023-08-15 | 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311027672.7A CN117056807A (zh) | 2023-08-15 | 2023-08-15 | 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117056807A true CN117056807A (zh) | 2023-11-14 |
Family
ID=88667210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311027672.7A Pending CN117056807A (zh) | 2023-08-15 | 2023-08-15 | 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056807A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117573856A (zh) * | 2024-01-15 | 2024-02-20 | 中国科学技术大学 | 一种基于记忆网络的建筑领域内容多兴趣召回方法 |
-
2023
- 2023-08-15 CN CN202311027672.7A patent/CN117056807A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117573856A (zh) * | 2024-01-15 | 2024-02-20 | 中国科学技术大学 | 一种基于记忆网络的建筑领域内容多兴趣召回方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102197297B1 (ko) | 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법 | |
| CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
| CN111079683B (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
| CN106845343B (zh) | 一种光学遥感图像海上平台自动检测方法 | |
| CN115147731A (zh) | 一种基于全空间编码注意力模块的sar图像目标检测方法 | |
| CN111259740B (zh) | 基于轻量级cnn与多源特征决策的红外图像舰船检测方法 | |
| CN117056807A (zh) | 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 | |
| CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
| CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| CN115497002A (zh) | 一种多尺度特征融合的激光雷达遥感分类方法 | |
| Ghanbari et al. | Unsupervised change detection in polarimetric SAR data with the hotelling-lawley trace statistic and minimum-error thresholding | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| Gianinetto et al. | Mapping Hurricane Katrina's widespread destruction in New Orleans using multisensor data and the normalized difference change detection (NDCD) technique | |
| CN115147727A (zh) | 一种遥感影像不透水面提取方法及系统 | |
| Molin et al. | A change detection algorithm for SAR images based on logistic regression | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN111027508A (zh) | 一种基于深层神经网络的遥感图像覆被变化检测方法 | |
| CN111242134A (zh) | 一种基于特征自适应学习的遥感影像地物分割方法 | |
| CN112800932B (zh) | 海上背景下显著船舶目标的检测方法及电子设备 | |
| CN116524357A (zh) | 高压线路鸟巢检测方法、模型训练方法、装置及设备 | |
| Pelliza et al. | Optimal Canny’s parameters regressions for coastal line detection in satellite-based SAR images | |
| CN110895701B (zh) | 基于cn和fhog的森林火灾在线识别方法及装置 | |
| Nguyen | Deep learning for tropical cyclone formation detection | |
| Xu et al. | Tropical cyclone size estimation based on deep learning using infrared and microwave satellite data | |
| Champenois et al. | Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements |
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 |