CN117475236B - 用于矿产资源勘探的数据处理系统及其方法 - Google Patents
用于矿产资源勘探的数据处理系统及其方法 Download PDFInfo
- Publication number
- CN117475236B CN117475236B CN202311563140.5A CN202311563140A CN117475236B CN 117475236 B CN117475236 B CN 117475236B CN 202311563140 A CN202311563140 A CN 202311563140A CN 117475236 B CN117475236 B CN 117475236B
- Authority
- CN
- China
- Prior art keywords
- feature map
- remote sensing
- shallow
- regional surface
- channel
- 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.)
- Active
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 84
- 239000011707 mineral Substances 0.000 title claims abstract description 84
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 claims description 101
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000003672 processing method Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 53
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- G06V10/764—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biodiversity & Conservation Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种用于矿产资源勘探的数据处理系统及其方法。其首先获取预定区域的遥感图像,接着,提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图,然后,对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图,最后,基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值。这样,可以利用基于深度学习的人工智能技术来对预定区域的遥感图像进行分析与处理,以捕捉其中所蕴含的潜在的矿产资源分布的规律与特征,从而生成预定区域存在矿产资源目标的概率值。
Description
技术领域
本申请涉及数据处理领域,且更为具体地,涉及一种用于矿产资源勘探的数据处理系统及其方法。
背景技术
矿产资源勘探是一项重要的经济活动,它可以为国家和社会提供宝贵的自然资源。然而,矿产资源勘探也是一项高风险、高成本、高技术难度的工程,需要在大范围的地区进行多种方法的综合分析,以确定有价值的矿产资源目标。
传统的矿产资源勘探方法主要依赖于地质、地球物理、地球化学等手段,这些手段往往需要大量的人力、物力和时间投入,而且受到地形、气候、植被等自然条件的限制,难以实现对复杂区域的全面覆盖。因此,如何利用现代信息技术来提高矿产资源勘探的效率和精度,降低矿产资源勘探的成本和风险,是当前矿产资源勘探领域面临的重要挑战。
发明内容
有鉴于此,本申请提出了一种用于矿产资源勘探的数据处理系统及其方法,其可以利用基于深度学习的人工智能技术来对预定区域的遥感图像进行分析与处理,以捕捉其中所蕴含的潜在的矿产资源分布的规律与特征,从而生成预定区域存在矿产资源目标的概率值。
根据本申请的一方面,提供了一种用于矿产资源勘探的数据处理方法,其包括:
获取预定区域的遥感图像;
提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图;
对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图;以及
基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值类器以得到分类结果,所述分类结果用于表示编织完成的假发的质量是否符合预定标准。
根据本申请的另一方面,提供了一种用于矿产资源勘探的数据处理系统,其包括:
图像获取模块,用于获取预定区域的遥感图像;
浅深特征提取模块,用于提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图;
融合和特征显化模块,用于对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图;以及
概率分析模块,用于基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值。
本申请首先获取预定区域的遥感图像,接着,提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图,然后,对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图,最后,基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值。这样,可以利用基于深度学习的人工智能技术来对预定区域的遥感图像进行分析与处理,以捕捉其中所蕴含的潜在的矿产资源分布的规律与特征,从而生成预定区域存在矿产资源目标的概率值。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的流程图。
图2示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的架构示意图。
图3示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的子步骤S120的流程图。
图4示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的子步骤S130的流程图。
图5示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的子步骤S131的流程图。
图6示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的子步骤S132的流程图。
图7示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的子步骤S140的流程图。
图8示出根据本申请的实施例的用于矿产资源勘探的数据处理系统的框图。
图9示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的应用场景图。
实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
遥感技术是一种利用航空器或卫星等载体搭载各种传感器对地表进行观测和测量的技术,它可以提供大范围、多时相、多波段、多分辨率的地表信息,为矿产资源勘探提供了有力的数据支撑。
遥感图像是遥感技术获取的一种重要数据形式,它可以反映地表的地貌、地质、植被等特征,从而揭示潜在的矿产资源分布规律。通过对遥感图像进行有效的处理和分析,可以从中提取出有关矿产资源目标的有用信息,为矿产资源勘探决策提供参考依据。
然而,由于遥感图像本身具有复杂性、多样性和不确定性等特点,导致从遥感图像中提取矿产资源目标信息具有较大的难度。因此,如何设计有效的数据处理系统和方法来利用遥感图像进行矿产资源勘探,是当前亟需解决的技术问题。
在本申请的技术构思中,期待利用基于深度学习的人工智能技术来对预定区域的遥感图像进行分析与处理,以捕捉其中所蕴含的潜在的矿产资源分布的规律与特征,从而生成预定区域存在矿产资源目标的概率值。
基于此,图1示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的流程图。图2示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的架构示意图。如图1和图2所示,根据本申请实施例的用于矿产资源勘探的数据处理方法,包括步骤:S110,获取预定区域的遥感图像;S120,提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图;S130,对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图;以及,S140,基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值。
具体地,在本申请的技术方案中,首先,获取预定区域的遥感图像;然后,提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图。这里,浅层特征主要指地表的形态、纹理、颜色等表面特征,而深层特征则包括地下地质构造、岩层分布等更深层次的信息。通过分析所述遥感图像中的浅层特征和深层特征可以获取更为全面的地质信息。
在本申请的一个具体示例中,如图3所示,在步骤S120中,提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图的编码过程,包括:S121,将所述遥感图像通过基于第一卷积神经网络模型的区域表面地质浅层特征提取器以得到所述区域表面地质遥感浅层特征图;以及,S122,将所述区域表面地质遥感浅层特征图通过基于第二卷积神经网络模型的区域表面地质深层特征提取器以得到所述区域表面地质遥感深层特征图。
值得一提的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,它通过多层卷积层、池化层和全连接层等组件,可以自动学习图像中的特征,并用于图像分类、目标检测、分割等任务。在前述的编码过程中,使用了两个卷积神经网络模型来提取浅层特征和深层特征。在步骤S121中的第一卷积神经网络模型用作区域表面地质浅层特征提取器,该模型接收遥感图像作为输入,并通过多个卷积层和池化层等操作,逐步提取图像的浅层特征,这些浅层特征可以捕捉到图像的一些基本纹理、形状和边缘等信息。在步骤S122中的第二卷积神经网络模型用作区域表面地质深层特征提取器,它接收S121中得到的区域表面地质遥感浅层特征图作为输入,并通过更深的卷积层、池化层和全连接层等操作,进一步提取图像的深层特征,这些深层特征可以捕捉到更高级的语义和抽象特征,有助于更准确地理解图像中的地质信息。综合来说,卷积神经网络模型是一种用于图像特征提取和分析的深度学习模型,可以通过层层卷积和池化操作,自动学习图像中的特征表示。在所描述的编码过程中,通过两个卷积神经网络模型分别提取浅层特征和深层特征,以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图。
更具体地,在步骤S121中,所述基于第一卷积神经网络模型的区域表面地质浅层特征提取器包括第一输入层、第一卷积层、第一激活层、第一池化层和第一输出层;在步骤S122中,所述基于第二卷积神经网络模型的区域表面地质深层特征提取器包括第二输入层、第二卷积层、第二激活层、第二池化层和第二输出层。
然后,使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图。也就是,融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以充分利用两者的优势,提升特征的表达能力。应可以理解,浅层特征和深层特征分别捕捉了地质信息的不同方面,融合可以更全面地描述预定区域的地质情况。
具体来说,通过残差掩码附加模块的融合方式,可以寻回所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图所丢失的特征信息,并将丢失的特征信息通过掩码化的方式附加于所述区域表面多尺度融合特征图之中,以使得所述区域表面多尺度融合特征图更具特征丰富性和区分度。
进一步地,将所述区域表面多尺度融合特征图通过通道注意力模块以得到通道显著化区域表面多尺度融合特征图。这里,在所述区域表面多尺度融合特征图中,不同通道对应于不同的地质特征,而某些通道可能具有更高的重要性和区分度。通过通道注意力机制,可以自动学习每个通道对于矿产资源目标的贡献程度,并加权调整各个通道的特征表示。这样可以突出重要的地质特征,抑制不需要过多关注的特征。通过这样的方式来提升重要的地质特征的显著性。
相应地,如图4所示,对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图,包括:S131,使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图;以及,S132,将所述区域表面多尺度融合特征图通过通道注意力模块以得到所述通道显著化区域表面多尺度融合特征图。
应可以理解,在步骤S130中,使用了以下两个步骤来融合区域表面地质遥感浅层特征图和深层特征图,并进行特征显化,以得到通道显著化的区域表面多尺度融合特征图。在步骤S131中,使用残差掩码附加模块将浅层特征图和深层特征图进行融合。残差连接是一种常用的技术,可以帮助网络更好地学习特征。通过将浅层特征图与深层特征图相加,可以融合两个不同层次的特征信息。这样做的目的是提高特征的表达能力,使网络能够同时利用浅层和深层的特征信息。在步骤S132中,通道注意力模块是一种用于加强特征的重要信息并抑制不重要信息的技术,通过通道注意力模块,对区域表面多尺度融合特征图进行处理,使得其中的每个通道能够自适应地学习其重要性权重。这样做可以使网络更加关注对地质分析和识别最有用的特征通道,从而提高模型的性能和鲁棒性。综合来说,步骤S131使用残差掩码附加模块将浅层特征图和深层特征图融合,以得到区域表面多尺度融合特征图,步骤S132使用通道注意力模块对融合特征图进行处理,以得到通道显著化的区域表面多尺度融合特征图,这些步骤的目的是提高特征的表达能力和重要性,并帮助模型更好地理解和分析区域表面地质遥感图像。
值得一提的是,残差掩码附加模块是一种用于特征融合的模块,它通过将浅层特征图和深层特征图进行残差连接和逐元素相乘的方式,实现了特征的跨层级融合。残差掩码附加模块通常由以下几个步骤组成:1.残差连接:首先,将浅层特征图和深层特征图进行残差连接。残差连接是指将两个特征图按元素相加,使得深层特征图能够直接接收来自浅层特征图的信息。2.逐元素相乘:将残差连接后的特征图进行逐元素相乘。这个操作有助于加强浅层特征图和深层特征图之间的关联性,使得特征融合更加有效。3.掩码生成:使用一个掩码生成网络,根据特征图的内容生成一个掩码。这个掩码可以根据特征图的不同部分对特征进行加权,以进一步提升特征融合的效果。4.特征融合:将逐元素相乘后的特征图与生成的掩码进行逐元素相乘,得到最终的融合特征图。这个特征图包含了来自浅层特征图和深层特征图的信息,并经过了掩码的调整,使得更重要的特征得到更大的权重。残差掩码附加模块的作用是在网络中引入跨层级的特征融合,以提高模型的表达能力和性能。通过残差连接和逐元素相乘,模块可以有效地将浅层特征和深层特征进行结合,充分利用它们的互补性。同时,通过掩码生成和特征融合,模块可以对特征进行加权和调整,以适应不同区域和尺度的特征表达需求。这样可以提高模型对于复杂任务的建模能力,并增强对细节和上下文信息的捕捉能力。
其中,在一个示例中,在步骤S131中,如图5所示,使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图,包括:S1311,对所述区域表面地质遥感深层特征图进行上采样和卷积处理以得到重构区域表面地质遥感深层特征图;S1312,计算所述重构区域表面地质遥感深层特征图和所述区域表面地质遥感浅层特征图之间的按位置差值以得到差值特征图;S1313,将所述差值特征图进行基于Sigmoid函数的非线性激活处理以得到掩码特征图;S1314,将所述区域表面地质遥感浅层特征图与所述掩码特征图进行点乘以得到融合特征图;以及,S1315,对所述融合特征图进行基于注意力的PMA池化操作以得到所述区域表面多尺度融合特征图。
值得一提的是,通道注意力模块是一种用于增强特征表示能力的模块,它通过自适应地学习每个通道的重要性权重,从而使网络能够更加关注对任务有用的特征通道。通道注意力模块通常由以下几个步骤组成:1.全局平均池化:首先,对输入的特征图进行全局平均池化操作,将每个通道的特征图转换为一个标量值。这个标量值表示了该通道在整个特征图上的重要性。2.全连接层:将全局平均池化后的特征值输入到一个全连接层中,用于学习每个通道的权重。这个全连接层通常包括一个或多个隐藏层和一个输出层。3.激活函数:为了引入非线性关系,通常在全连接层之后添加一个激活函数,例如ReLU(RectifiedLinear Unit)。4.通道权重计算:通过对全连接层的输出进行适当的归一化,可以得到每个通道的权重。这些权重表示了每个通道对于任务的重要性,可以用于调整特征图中各个通道的贡献。5.特征重加权:最后,将每个通道的权重与原始的特征图相乘,得到重加权后的特征图。这样做可以使网络更加关注对任务有用的特征通道,并抑制不重要的特征通道。通道注意力模块的作用是通过学习通道权重来调整特征图中各个通道的重要性,从而提高网络的表达能力和性能。它可以应用于各种计算机视觉任务,以提高模型的准确性和鲁棒性。
其中,在一个示例中,在步骤S132中,如图6所示,将所述区域表面多尺度融合特征图通过通道注意力模块以得到所述通道显著化区域表面多尺度融合特征图,包括:S1321,使用所述通道注意力模块对所述区域表面多尺度融合特征图进行显式空间编码以得到区域表面多尺度融合关联特征图;S1322,计算所述区域表面多尺度融合关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;S1323,将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;S1324,基于所述通道注意力加权特征向量的自协方差矩阵,对所述通道注意力加权特征向量中各个位置的特征值进行校正以得到优化通道注意力加权特征向量;以及,S1325,以所述优化通道注意力加权特征向量中各个位置的特征值作为权重分别对所述区域表面多尺度融合关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显著化区域表面多尺度融合特征图。
随后,将所述通道显著化区域表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果为预定区域存在矿产资源目标的概率值。
相应地,如图7所示,基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值,包括:S141,对所述通道显著化区域表面多尺度融合特征图进行特征分布优化以得到优化后通道显著化区域表面多尺度融合特征图;以及,S142,将所述优化后通道显著化区域表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果为所述预定区域存在矿产资源目标的概率值。
应可以理解,在基于通道显著化区域表面多尺度融合特征图确定预定区域存在矿产资源目标的概率值的过程中,使用了以下两个步骤:在步骤S141中,对通道显著化区域表面多尺度融合特征图进行特征分布优化,这个过程旨在进一步提取和强调与矿产资源目标相关的特征信息,以增强分类性能,具体的优化方法可以包括使用统计方法、特征选择算法或其他优化技术,根据具体情况进行选择和应用。在步骤S142中,使用分类器对优化后的特征图进行分类,分类器可以是各种机器学习算法,例如支持向量机(SVM)、随机森林(RandomForest)或深度学习模型等,通过训练分类器,可以将特征图与已知的矿产资源目标进行关联,并预测新区域是否存在矿产资源目标。分类器的输出结果是一个概率值,表示预定区域存在矿产资源目标的可能性。综合来说,步骤S141对通道显著化区域表面多尺度融合特征图进行特征分布优化,以得到优化后的特征图,步骤S142通过分类器对优化后的特征图进行分类,得到预定区域存在矿产资源目标的概率值,这些步骤的目的是通过特征优化和分类器预测,确定预定区域是否存在矿产资源目标,并提供相应的概率值作为判断依据。
在本申请的技术方案中,所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图分别表达所述遥感图像的不同深度的图像语义特征,这样,在使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图后,得到的所述区域表面多尺度融合特征图不仅包含所述遥感图像的浅层图像语义特征和深层图像语义特征,且包含基于残差掩码附加模块的层间残差图像语义特征,并且,将所述区域表面多尺度融合特征图通过通道注意力模块时,会进一步强化某些通道下的图像语义特征的整体空间分布,也使得得到的所述通道显著化区域表面多尺度融合特征图的浅层图像语义特征、深层图像语义特征和层间残差图像语义特征之间的特征分布差异更加显著。
因此,考虑到所述通道显著化区域表面多尺度融合特征图的局部图像语义特征分布差异会导致所述通道显著化区域表面多尺度融合特征图的局部图像语义特征分布的稀疏化,从而导致将所述通道显著化区域表面多尺度融合特征图通过分类器进行类概率回归映射时,所述通道显著化区域表面多尺度融合特征图的各个特征值的回归概率的概率密度分布的收敛性差,影响通过分类器得到的分类结果的准确性。因此,优选地,对所述通道显著化区域表面多尺度融合特征图的各个特征值进行优化。
相应地,在一个示例中,对所述通道显著化区域表面多尺度融合特征图进行特征分布优化以得到优化后通道显著化区域表面多尺度融合特征图,包括:以如下优化公式对所述通道显著化区域表面多尺度融合特征图进行特征分布优化以得到所述优化后通道显著化区域表面多尺度融合特征图;其中,所述优化公式为:其中,/>是所述通道显著化区域表面多尺度融合特征图,/>和/>是所述通道显著化区域表面多尺度融合特征图/>的第/>和第/>个特征值,且/>是所述通道显著化区域表面多尺度融合特征图/>的全局特征均值,/>表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,/>是所述优化后通道显著化区域表面多尺度融合特征图的第/>个特征值。
具体地,针对所述通道显著化区域表面多尺度融合特征图在高维特征空间内的稀疏分布导致的概率空间内概率密度分布的局部概率密度不匹配,通过正则化全局自洽类编码,来模仿所述通道显著化区域表面多尺度融合特征图/>的高维特征在概率空间内的编码行为的全局自洽关系,以调整在高维开放空间域内的特征流形的误差景观,实现所述通道显著化区域表面多尺度融合特征图/>的高维特征对显式概率空间嵌入的自洽匹配式类编码,从而提升所述通道显著化区域表面多尺度融合特征图/>的回归概率的概率密度分布的收敛性,改进其通过分类器得到的分类结果的准确性。
进一步地,在步骤S142中,将所述优化后通道显著化区域表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果为所述预定区域存在矿产资源目标的概率值,包括:将所述优化后通道显著化区域表面多尺度融合特征图按照行向量或者列向量展开为优化分类特征向量;使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本申请实施例的用于矿产资源勘探的数据处理方法,其可以利用基于深度学习的人工智能技术来对预定区域的遥感图像进行分析与处理,以捕捉其中所蕴含的潜在的矿产资源分布的规律与特征,从而生成预定区域存在矿产资源目标的概率值。
图8示出根据本申请的实施例的用于矿产资源勘探的数据处理系统100的框图。如图8所示,根据本申请实施例的用于矿产资源勘探的数据处理系统100,包括:图像获取模块110,用于获取预定区域的遥感图像;浅深特征提取模块120,用于提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图;融合和特征显化模块130,用于对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图;以及,概率分析模块140,用于基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值。
在一种可能的实现方式中,所述浅深特征提取模块120,包括:区域表面地质浅层特征提取单元,用于将所述遥感图像通过基于第一卷积神经网络模型的区域表面地质浅层特征提取器以得到所述区域表面地质遥感浅层特征图;以及,区域表面地质深层特征提取单元,用于将所述区域表面地质遥感浅层特征图通过基于第二卷积神经网络模型的区域表面地质深层特征提取器以得到所述区域表面地质遥感深层特征图。
这里,本领域技术人员可以理解,上述用于矿产资源勘探的数据处理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的用于矿产资源勘探的数据处理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的用于矿产资源勘探的数据处理系统100可以实现在各种无线终端中,例如具有用于矿产资源勘探的数据处理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的用于矿产资源勘探的数据处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该用于矿产资源勘探的数据处理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该用于矿产资源勘探的数据处理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该用于矿产资源勘探的数据处理系统100与该无线终端也可以是分立的设备,并且该用于矿产资源勘探的数据处理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图9示出根据本申请的实施例的用于矿产资源勘探的数据处理方法的应用场景图。如图9所示,在该应用场景中,首先,获取预定区域的遥感图像(例如,图9中所示意的D),然后,将所述遥感图像输入至部署有用于矿产资源勘探的数据处理算法的服务器(例如,图9中所示意的S)中,其中,所述服务器能够使用所述用于矿产资源勘探的数据处理算法对所述遥感图像进行处理以得到用于表示所述预定区域存在矿产资源目标的概率值的分类结果。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种用于矿产资源勘探的数据处理方法,其特征在于,包括:
获取预定区域的遥感图像;
提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图;
对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图;以及
基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值;
其中,提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图,包括:
将所述遥感图像通过基于第一卷积神经网络模型的区域表面地质浅层特征提取器以得到所述区域表面地质遥感浅层特征图;以及
将所述区域表面地质遥感浅层特征图通过基于第二卷积神经网络模型的区域表面地质深层特征提取器以得到所述区域表面地质遥感深层特征图;
其中,所述基于第一卷积神经网络模型的区域表面地质浅层特征提取器包括第一输入层、第一卷积层、第一激活层、第一池化层和第一输出层;
其中,所述基于第二卷积神经网络模型的区域表面地质深层特征提取器包括第二输入层、第二卷积层、第二激活层、第二池化层和第二输出层;
其中,对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图,包括:
使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图;以及
将所述区域表面多尺度融合特征图通过通道注意力模块以得到所述通道显著化区域表面多尺度融合特征图;
其中,使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图,包括:
对所述区域表面地质遥感深层特征图进行上采样和卷积处理以得到重构区域表面地质遥感深层特征图;
计算所述重构区域表面地质遥感深层特征图和所述区域表面地质遥感浅层特征图之间的按位置差值以得到差值特征图;
将所述差值特征图进行基于Sigmoid函数的非线性激活处理以得到掩码特征图;
将所述区域表面地质遥感浅层特征图与所述掩码特征图进行点乘以得到融合特征图;以及
对所述融合特征图进行基于注意力的PMA池化操作以得到所述区域表面多尺度融合特征图。
2.根据权利要求1所述的用于矿产资源勘探的数据处理方法,其特征在于,将所述区域表面多尺度融合特征图通过通道注意力模块以得到所述通道显著化区域表面多尺度融合特征图,包括:
使用所述通道注意力模块对所述区域表面多尺度融合特征图进行显式空间编码以得到区域表面多尺度融合关联特征图;
计算所述区域表面多尺度融合关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;
将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;
基于所述通道注意力加权特征向量的自协方差矩阵,对所述通道注意力加权特征向量中各个位置的特征值进行校正以得到优化通道注意力加权特征向量;以及
以所述优化通道注意力加权特征向量中各个位置的特征值作为权重分别对所述区域表面多尺度融合关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道显著化区域表面多尺度融合特征图。
3.根据权利要求2所述的用于矿产资源勘探的数据处理方法,其特征在于,基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值,包括:
对所述通道显著化区域表面多尺度融合特征图进行特征分布优化以得到优化后通道显著化区域表面多尺度融合特征图;以及
将所述优化后通道显著化区域表面多尺度融合特征图通过分类器以得到分类结果,所述分类结果为所述预定区域存在矿产资源目标的概率值。
4.一种用于矿产资源勘探的数据处理系统,其特征在于,包括:
图像获取模块,用于获取预定区域的遥感图像;
浅深特征提取模块,用于提取所述遥感图像的浅层特征和深层特征以得到区域表面地质遥感浅层特征图和区域表面地质遥感深层特征图;
融合和特征显化模块,用于对所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图进行融合和特征显化以得到通道显著化区域表面多尺度融合特征图;以及
概率分析模块,用于基于所述通道显著化区域表面多尺度融合特征图,确定所述预定区域存在矿产资源目标的概率值;
其中,所述浅深特征提取模块,包括:
区域表面地质浅层特征提取单元,用于将所述遥感图像通过基于第一卷积神经网络模型的区域表面地质浅层特征提取器以得到所述区域表面地质遥感浅层特征图;以及
区域表面地质深层特征提取单元,用于将所述区域表面地质遥感浅层特征图通过基于第二卷积神经网络模型的区域表面地质深层特征提取器以得到所述区域表面地质遥感深层特征图;
其中,所述基于第一卷积神经网络模型的区域表面地质浅层特征提取器包括第一输入层、第一卷积层、第一激活层、第一池化层和第一输出层;
其中,所述基于第二卷积神经网络模型的区域表面地质深层特征提取器包括第二输入层、第二卷积层、第二激活层、第二池化层和第二输出层;
其中,所述融合和特征显化模块,包括:
使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图;以及
将所述区域表面多尺度融合特征图通过通道注意力模块以得到所述通道显著化区域表面多尺度融合特征图;
其中,使用残差掩码附加模块来融合所述区域表面地质遥感浅层特征图和所述区域表面地质遥感深层特征图以得到区域表面多尺度融合特征图,包括:
对所述区域表面地质遥感深层特征图进行上采样和卷积处理以得到重构区域表面地质遥感深层特征图;
计算所述重构区域表面地质遥感深层特征图和所述区域表面地质遥感浅层特征图之间的按位置差值以得到差值特征图;
将所述差值特征图进行基于Sigmoid函数的非线性激活处理以得到掩码特征图;
将所述区域表面地质遥感浅层特征图与所述掩码特征图进行点乘以得到融合特征图;以及
对所述融合特征图进行基于注意力的PMA池化操作以得到所述区域表面多尺度融合特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563140.5A CN117475236B (zh) | 2023-11-22 | 2023-11-22 | 用于矿产资源勘探的数据处理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311563140.5A CN117475236B (zh) | 2023-11-22 | 2023-11-22 | 用于矿产资源勘探的数据处理系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475236A CN117475236A (zh) | 2024-01-30 |
CN117475236B true CN117475236B (zh) | 2024-05-03 |
Family
ID=89625536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311563140.5A Active CN117475236B (zh) | 2023-11-22 | 2023-11-22 | 用于矿产资源勘探的数据处理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475236B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800964A (zh) * | 2021-01-27 | 2021-05-14 | 中国人民解放军战略支援部队信息工程大学 | 基于多模块融合的遥感影像目标检测方法及系统 |
CN114170519A (zh) * | 2021-12-21 | 2022-03-11 | 张男 | 基于深度学习与多维注意力的高分辨率遥感道路提取方法 |
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 |
CN117078943A (zh) * | 2023-10-17 | 2023-11-17 | 太原理工大学 | 融合多尺度特征和双注意力机制的遥感影像道路分割方法 |
-
2023
- 2023-11-22 CN CN202311563140.5A patent/CN117475236B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800964A (zh) * | 2021-01-27 | 2021-05-14 | 中国人民解放军战略支援部队信息工程大学 | 基于多模块融合的遥感影像目标检测方法及系统 |
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 |
CN114170519A (zh) * | 2021-12-21 | 2022-03-11 | 张男 | 基于深度学习与多维注意力的高分辨率遥感道路提取方法 |
CN117078943A (zh) * | 2023-10-17 | 2023-11-17 | 太原理工大学 | 融合多尺度特征和双注意力机制的遥感影像道路分割方法 |
Non-Patent Citations (1)
Title |
---|
基于深度卷积神经网络和多核学习的遥感图像分类方法;王鑫;李可;宁晨;黄凤辰;;电子与信息学报;20190129(05);第87-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117475236A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN111080629B (zh) | 一种图像拼接篡改的检测方法 | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
CN111915592A (zh) | 基于深度学习的遥感图像云检测方法 | |
Ou et al. | A CNN framework with slow-fast band selection and feature fusion grouping for hyperspectral image change detection | |
CN106910202B (zh) | 一种遥感图像地物的图像分割方法及系统 | |
Asokan et al. | Machine learning based image processing techniques for satellite image analysis-a survey | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN108388907B (zh) | 基于多视角学习的极化sar数据分类器实时更新方法 | |
CN115249332A (zh) | 基于空谱双分支卷积网络的高光谱图像分类方法及设备 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及系统 | |
CN114821204A (zh) | 一种基于元学习嵌入半监督学习图像分类方法与系统 | |
CN114997501A (zh) | 基于样本失衡的深度学习矿产资源分类预测方法及系统 | |
Lee et al. | Generating hard examples for pixel-wise classification | |
CN112784777B (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN117475236B (zh) | 用于矿产资源勘探的数据处理系统及其方法 | |
Jafrasteh et al. | Generative adversarial networks as a novel approach for tectonic fault and fracture extraction in high resolution satellite and airborne optical images | |
Ebert-Uphoff et al. | Evaluation, tuning and interpretation of neural networks for meteorological applications | |
CN115272776A (zh) | 基于双路卷积与双注意的高光谱图像分类方法及存储介质 | |
CN110555483B (zh) | 基于fw-dcgan特征生成的极化sar分类方法 | |
CN113239865A (zh) | 基于深度学习的车道线检测方法 | |
Budde et al. | Identification of misclassified pixels in semantic segmentation with uncertainty evaluation | |
Mansourmoghaddam et al. | Evaluation of the classification accuracy of NDVI index in the preparation of land cover map. | |
CN108154495A (zh) | 基于dccae网络的多时相跨传感器遥感图像相对光谱对齐算法 |
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 |