RU2703349C1 - Интеллектуальная космическая система для мониторинга лесного фонда - Google Patents
Интеллектуальная космическая система для мониторинга лесного фонда Download PDFInfo
- Publication number
- RU2703349C1 RU2703349C1 RU2019111399A RU2019111399A RU2703349C1 RU 2703349 C1 RU2703349 C1 RU 2703349C1 RU 2019111399 A RU2019111399 A RU 2019111399A RU 2019111399 A RU2019111399 A RU 2019111399A RU 2703349 C1 RU2703349 C1 RU 2703349C1
- Authority
- RU
- Russia
- Prior art keywords
- spacecraft
- remote sensing
- earth
- neural network
- convolutional neural
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 230000026676 system process Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Изобретение относится к системам мониторинга лесного фонда. Технический результат заключается в обеспечении ансамблирования результатов полученных слоёв и разрешений. Система включает совокупность компьютерных средств на основе свёрточной нейронной сети, использующей данные с космических аппаратов дистанционного зондирования Земли Ресурс-П, Канопус-В, космических аппаратов компании Planet и научно-исследовательского космического аппарата Aqua с аппаратурой Modis. Система обрабатывает изображения объектов лесного фонда, принятые от космических аппаратов дистанционного зондирования Земли, с формированием методом скользящего окна прямоугольных матриц пикселей изображения с заданным шагом. Для каждой прямоугольной матрицы генерируют несколько отображений с сегментацией каждого отображения средствами свёрточной нейронной сети и его классификацией средствами свёрточной нейронной сети в качестве одного из объектов лесного фонда с использованием уточняющих данных аппаратуры дистанционного зондирования Земли Modis и получением итогового изображения, классифицированного в качестве одного из объектов лесного фонда. 3 ил.
Description
Предлагаемое изобретение относится к области средств и технологий дистанционного зондирования Земли, а именно к применению результатов дистанционного зондирования Земли для мониторинга лесов.
В качестве ближайшего аналога предлагаемого изобретения может быть выбрана основанная на использовании нейронной сети система получения и обработки космических снимков, предложенная в заявке на изобретение CN 10 7 945 146, Univ. Nanjing Information Science & Tech., публикация 2018 г. Система из CN 10 7 945 146 включает совокупность компьютерных средств, структурированных на основе свёрточной нейронной сети, связанных с космическими аппаратами дистанционного зондирования Земли программы LandSat и научно-исследовательским космическим аппаратом Aqua с аппаратурой дистанционного зондирования Земли Modis. Свёрточная нейронная сеть обеспечивает получение итоговых изображений, сформированных на базе изображений, принятых от космического аппарата дистанционного зондирования Земли, и уточняющих данных дистанционного зондирования Земли. В свою очередь, в нашем изобретении предложено применить технические возможности свёрточной нейронной сети для решения более узкой задачи – мониторинга лесного фонда для отслеживания изменений леса и их классификации (контроль вырубок, ветровалов и гарей), с обеспечением быстроты обработки данных и задействовании меньшего количества вычислительных ресурсов.
Таким образом, нами предложена интеллектуальная космическая система мониторинга, включающая совокупность компьютерных средств на основе свёрточной нейронной сети, позволяющих обрабатывать данные с космических аппаратов дистанционного зондирования Земли Ресурс-П, Канопус-В, космических аппаратов компании Planet Labs (Dove, RapidEye) и использовать данные с прибора Modis научно-исследовательского космического аппарата Aqua . Отличие от аналога заключается в структуре нейронной сети, использовании данных с космических аппаратов дистанционного зондирования Земли типа Ресурс-П, Канопус-В. Свёрточная нейронная сеть обрабатывает изображения объектов лесного фонда, принятые от космических аппаратов дистанционного зондирования Земли указанных типов, с формированием методом скользящего окна прямоугольных матриц пикселей изображения с заданным шагом – кропов, генерацию нескольких отображений для каждой прямоугольной матрицы путём поворота и зеркального отображения с сегментацией каждого отображения средствами свёрточной нейронной сети и его классификацией средствами свёрточной нейронной сети в качестве одного из объектов лесного фонда с использованием уточняющих данных аппаратуры дистанционного зондирования Земли Modis и получением итогового изображения, классифицированного в качестве одного из объектов лесного фонда.
Предложенная система поясняется следующими изображениями:
фиг. 1 – схема алгоритма распознавания и классификации изменений лесного фонда;
фиг. 2 – архитектура свёрточной нейронной сети с отображением последовательности операций кодировки и декодировки;
фиг. 3 – разбиение исходного снимка на куски фиксированного размера методом скользящего окна.
Спутниковые снимки лесного фонда, полученные с космических аппаратов Канопус-В, Ресурс-П, Planet Labs поступают на вход свёрточной нейронной сети (фиг. 1). В настоящее время используются спутниковые снимки в уровне обработки 4А - комплексированное изображение панхроматического (уровня обработки 2А) и многоспектрального (уровня обработки 2А1) снимков одной и той же территории. Применение свёрточной нейронной сети в предлагаемой архитектуре позволит быстрее выполнять обработку данных за счёт меньшего количество операций и времени, необходимых для выполнения одного прохода сети, нейронная сеть менее требовательна к техническим ресурсам, а также позволяет выполнять обработку в режиме близком к реальному времени. Применение космических аппаратов Канопус-В и Ресурс-П позволит задействовать при мониторинге лесного фонда данные дистанционного зондирования Земли высокого и сверхвысокого разрешения.
Архитектуру предложенной свёрточной сети можно описать (фиг. 2) как совокупность последовательностей блоков кодировки и декодировки. Блоки кодировки уменьшают пространственное разрешение исходного изображения в данном случае разрешение кропов – прямоугольных матриц пикселей изображения. Блоки декодировки увеличивают пространственное разрешение, объединяя входные данные с картами признаков полученных с помощью метода проброса из блоков кодировки соответствующего разрешения, что обеспечивает ансамблирование результатов всех слоёв и разрешений.
Блок кодировки представляет собой набор из трёх функциональных подблоков (операций над картами признаков): слой свёртки, функция активации ReLU, слой субдискретизации. Блок декодировки представляет собой набор из четырёх функциональных подблоков (набор из двух последовательностей двух операций): слой свёртки, функция активации ReLU. Слой свёртки включает свой фильтр для каждого канала, ядро свёртки которого обрабатывает предыдущий слой по фрагментам, суммируя результаты матричного произведения для каждого фрагмента, и обозначается свёртка ([k×k], m, n), где k×k – размер ядра свёртки, m и n количество входных и выходных фильтров для слоя соответственно. Функция активации ReLU, представляющая собой функцию max(0,x) ReLU=x, позволяет избежать проблем затухающего и взрывающегося градиента, а также является вычислительно несложной, cкалярный результат каждой свертки попадает на функцию активации. Слой субдискретизации (слой подвыборки) представляет собой нелинейное уплотнение карты признаков, при этом группа точек (обычно размера 2×2) уплотняется до одной точки, проходя нелинейное преобразование. Наиболее употребительна при этом функция максимума. Преобразования затрагивают непересекающиеся прямоугольники или квадраты, каждый из которых ужимается в одну точку, при этом выбирается точка, имеющая максимальное значение. Операция пулинга (то есть, если на предыдущей операции свёртки уже были выявлены некоторые признаки, то для дальнейшей обработки настолько подробное изображение уже не нужно, и оно уплотняется до менее подробного и служит для генерации новых карт признаков большей размерности) позволяет существенно уменьшить пространственный объём изображения.
Блок декодировки результата представляет собой набор из четырёх функциональных подблоков (последовательных операций): пространственное исключение – выключает слой нейронов с вероятностью p; слой свёртки с ядром 1х1 – необходим для уменьшения размерности карты признаков; функция активации – скалярный результат каждой свёртки попадает на функцию активации, которая представляет собой нелинейную функцию sigmoid=1/(1+e-x), позволяющая усиливать слабые сигналы и не насыщаться от сильных сигналов; линейное увеличение размерности – операция обратная субдискретизации, то есть линейное повторение карты признаков, каждая точка преобразуется в группу точек 2×2, проходя линейное преобразование, преобразования затрагивают все точки, каждая из которых превращается в группу точек, при этом они имеют одинаковое значение, данная операция позволяет увеличить объём изображения.
Для обработки принятых спутниковых снимков методом скользящего окна формируют кропы – прямоугольные матрицы пикселей изображения (фиг. 3), кропы формируют с заданным шагом, для чего задают размеры скользящего окна HSW×WSW, задают шаг скользящего окна – SH пикселей по вертикали и SW пикселей по горизонтали; исходное изображение I с высотой H и шириной W дополняют по краям до размера кратного размерам скользящего окна; из дополненного изображения с шагом SH×SW формируют матрицы пикселей – кропы размера HSW×WSW. Предложено использовать HSW=WSW=512 пикселей для обеспечения с одной стороны попадания достаточно крупных объектов в один кроп, что позволит достичь заданной точности, и практической возможности создания программной реализации, с другой стороны, поскольку размер окна напрямую определяет размер слоя нейронной сети, увеличение которого ведет к увеличению требований к размеру памяти и скорости работы аппаратного обеспечения и экспоненциальному увеличению времени обучения. Также, предложено использовать шаг SH=HSW/2=256 пикселей и SW=WSW/2=256 пикселей для обеспечения наложения кропов друг на друга таким образом, чтобы край одного кропа совпадал с центром смежного с ним, что позволит избежать конфликтов на краях кропов при восстановлении сегментации всего снимка из сегментаций отдельных кропов.
Для каждой прямоугольной матрицы – кропа генерируют несколько отображений путём поворота и зеркального отображения исходного изображения. Предложено генерировать восемь отображений на каждый кроп, то есть вариации отображения исходного куска с помощью операций поворота на угол π/2 и зеркального отображения. То есть, для кропа изображения С (φ(x) – поворот на угол π/2, ψ(x) – зеркальное отображение) множество из восьми отображений O модно представить, как O={C, φ(C), φ(φ(C)), φ(φ(φ(C))), ψ(C), ψ(φ(C)), ψ(φ(φ(C))), ψ(φ(φ(φ(C))))}. Средствами свёрточной нейронной сети получают карту сегментов для каждого отображения с последующей классификацией в качестве одного из объектов лесного фонда для чего через нейронную сеть пропускают исходный кроп C с итоговой функцией получения предсказания P=h(C) на кроп изображения C. В результате, на выходе сегментации свёрточной нейронной сети получается набор из восьми (для рассматриваемого примера) карт вероятности того, что каждая точка исходного кропа может быть классифицирована, как изменения лесного фонда, а также восемь вероятностей принадлежности к таким изменениям лесного фонда, как гарь, вырубка, ветровал.
К полученному набору карт вероятности применяются операции обратного отображения (поворота на –π/2 и зеркального отображения) с целью получения прообразов используемых образов применительно к выходным картам вероятности. При x=ψ(ψ(x)) и x=φ-1(x)=φ(φ(φ(x))), искомое множество Op имеет вид Op={P1, φ-1(φ-1(φ-1(P2))), φ-1(φ-1(P3)), φ-1(P4), ψ(P5), ψ(φ-1(φ-1(φ-1(P6)))), ψ(φ-1(φ-1(P7))), ψ(φ-1(P8))}. С помощью усреднения предсказаний уточняют границы полученных сегментов. Итоговое предсказание для каждой точки кропа изображения для предложенного варианта вычисляется по следующей формуле Pитог(i,j)=Σk=1 8Pk(i,j)/8. Данный подход позволяет улучшить результаты сегментации, полученные на предыдущем этапе. Объединив полученные пересекающиеся карты предсказаний с помощью взвешенной суммы, используя в качестве весов двумерное распределение Гаусса с нулем в центре кропа и среднеквадратичным отклонением σ=HSW/2·3=~85, вычисленное в точках соответствующих центрам пикселей кропа, чтобы получить сегментацию исходного изображения. Это позволит устранить конфликты и артефакты на границах кропов, так как для каждого пикселя наибольший вклад в его значение внесет тот кроп, к центру которого он ближе находится, а вклад крайних точек кропа составит ~0,2. К полученному набору вероятностей принадлежности к классам применяется операция усреднения. Полученный результат подаётся в качестве одного из признаков в классификатор на базе логистической регрессии, предусматривающий также использование агрегатированных метеоданных и данных пожаров аппаратуры Modis спутника Aqua за период времени между датой снимка и предполагаемой датой возникновения изменения лесного фонда.
Claims (14)
- Интеллектуальная космическая система мониторинга, включающая
- совокупность компьютерных средств, структурированных на основе свёрточной нейронной сети, связанных с
- космическими аппаратами дистанционного зондирования Земли и
- научно-исследовательским космическим аппаратом Aqua с аппаратурой дистанционного зондирования Земли Modis и обеспечивающих
- получение итоговых изображений, сформированных на базе изображений, принятых от космического аппарата дистанционного зондирования Земли, и уточняющих данных дистанционного зондирования Земли, отличающаяся тем, что
- компьютерные средства, структурированные на основе свёрточной нейронной сети, связаны с
- космическими аппаратами дистанционного зондирования Земли типа Ресурс-П,
- космическим аппаратом дистанционного зондирования Земли Канопус-В,
- космическими аппаратами дистанционного зондирования Земли компании Planet Labs,
- свёрточная нейронная сеть обрабатывает изображения объектов лесного фонда, принятые от космических аппаратов дистанционного зондирования Земли указанных типов, с
- формированием методом скользящего окна прямоугольных матриц пикселей изображения с заданным шагом – кропов,
- осуществляет генерацию нескольких отображений для каждой прямоугольной матрицы путём поворота и зеркального отображения с
- сегментацией каждого отображения средствами свёрточной нейронной сети и его классификацией средствами свёрточной нейронной сети в качестве одного из объектов лесного фонда с использованием уточняющих данных аппаратуры дистанционного зондирования Земли Modis и
- получением итогового изображения, классифицированного в качестве одного из объектов лесного фонда.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019111399A RU2703349C1 (ru) | 2019-04-16 | 2019-04-16 | Интеллектуальная космическая система для мониторинга лесного фонда |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019111399A RU2703349C1 (ru) | 2019-04-16 | 2019-04-16 | Интеллектуальная космическая система для мониторинга лесного фонда |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2703349C1 true RU2703349C1 (ru) | 2019-10-16 |
Family
ID=68280319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2019111399A RU2703349C1 (ru) | 2019-04-16 | 2019-04-16 | Интеллектуальная космическая система для мониторинга лесного фонда |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2703349C1 (ru) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242485A (zh) * | 2020-01-14 | 2020-06-05 | 山西省林业科学研究院 | 一种森林康养环境综合监测方法 |
CN111563430A (zh) * | 2020-04-24 | 2020-08-21 | 浙江省公益林和国有林场管理总站 | 一种基于卷积神经的公益林地类图像智能识别方法及系统 |
RU2733823C1 (ru) * | 2019-12-17 | 2020-10-07 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Система сегментации изображений участков недропользования открытого типа |
RU2734058C1 (ru) * | 2019-12-17 | 2020-10-12 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Система сегментации изображений зданий и сооружений |
RU2783296C1 (ru) * | 2021-11-25 | 2022-11-11 | Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) | Устройство и способ распознавания контуров сельскохозяйственных полей с применением глубинного обучения по данным дистанционного зондирования земли |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040005085A1 (en) * | 2002-07-04 | 2004-01-08 | Andersen Dan Keith | Method of aerial monitoring of forests |
RU2531765C1 (ru) * | 2013-07-02 | 2014-10-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Способ отслеживания границы зоны "лес-тундра" |
EP3109659A1 (en) * | 2015-06-24 | 2016-12-28 | M&M Corporation Comm. VA | Satellite fishing surveillance constellation and method |
EP2972221B1 (en) * | 2013-03-15 | 2017-10-25 | Digitalglobe, Inc. | Atmospheric compensation in satellite imagery |
US20180018543A1 (en) * | 2014-10-10 | 2018-01-18 | The Penn State Research Foundation | Identifying visual storm signatures from satellite images |
RU2679541C1 (ru) * | 2018-01-10 | 2019-02-11 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Интеллектуальная космическая система для управления проектами |
-
2019
- 2019-04-16 RU RU2019111399A patent/RU2703349C1/ru active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040005085A1 (en) * | 2002-07-04 | 2004-01-08 | Andersen Dan Keith | Method of aerial monitoring of forests |
EP2972221B1 (en) * | 2013-03-15 | 2017-10-25 | Digitalglobe, Inc. | Atmospheric compensation in satellite imagery |
RU2531765C1 (ru) * | 2013-07-02 | 2014-10-27 | Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт аэрокосмического мониторинга "АЭРОКОСМОС" | Способ отслеживания границы зоны "лес-тундра" |
US20180018543A1 (en) * | 2014-10-10 | 2018-01-18 | The Penn State Research Foundation | Identifying visual storm signatures from satellite images |
EP3109659A1 (en) * | 2015-06-24 | 2016-12-28 | M&M Corporation Comm. VA | Satellite fishing surveillance constellation and method |
RU2679541C1 (ru) * | 2018-01-10 | 2019-02-11 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Интеллектуальная космическая система для управления проектами |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2733823C1 (ru) * | 2019-12-17 | 2020-10-07 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Система сегментации изображений участков недропользования открытого типа |
RU2734058C1 (ru) * | 2019-12-17 | 2020-10-12 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Система сегментации изображений зданий и сооружений |
CN111242485A (zh) * | 2020-01-14 | 2020-06-05 | 山西省林业科学研究院 | 一种森林康养环境综合监测方法 |
CN111563430A (zh) * | 2020-04-24 | 2020-08-21 | 浙江省公益林和国有林场管理总站 | 一种基于卷积神经的公益林地类图像智能识别方法及系统 |
RU2783296C1 (ru) * | 2021-11-25 | 2022-11-11 | Публичное Акционерное Общество "Сбербанк России" (Пао Сбербанк) | Устройство и способ распознавания контуров сельскохозяйственных полей с применением глубинного обучения по данным дистанционного зондирования земли |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2703349C1 (ru) | Интеллектуальная космическая система для мониторинга лесного фонда | |
Wang et al. | Review of pulse-coupled neural networks | |
CN101036150B (zh) | 用来处理视频数据的装置和方法 | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
Singh et al. | Single image dehazing for a variety of haze scenarios using back projected pyramid network | |
RU2707138C1 (ru) | Интеллектуальная космическая система для мониторинга зданий и сооружений | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
Nie et al. | Ghostsr: Learning ghost features for efficient image super-resolution | |
Vijayan et al. | A fully residual convolutional neural network for background subtraction | |
Yin et al. | Adaptive low light visual enhancement and high-significant target detection for infrared and visible image fusion | |
Andriyanov et al. | Development of a productive transport detection system using convolutional neural networks | |
Hameed et al. | Urbanization detection using lidar-based remote sensing images of azad kashmir using novel 3d cnns | |
Venkatesvara Rao et al. | Real-time video object detection and classification using hybrid texture feature extraction | |
Arora et al. | Fractional derivative based weighted skip connections for satellite image road segmentation | |
Wu et al. | Improved mask R-CNN-based cloud masking method for remote sensing images | |
JP7225731B2 (ja) | 多変数データシーケンスの画像化 | |
Rusyn et al. | Deep learning for atmospheric cloud image segmentation | |
RU2718419C1 (ru) | Интеллектуальная космическая система для мониторинга участков недропользования открытого типа | |
Pei et al. | Neural network compression and acceleration by federated pruning | |
CN113066030B (zh) | 一种基于空谱融合网络的多光谱图像全色锐化方法及系统 | |
CN115223181A (zh) | 基于文本检测的报告材料印章文字识别方法和装置 | |
O'Gorman et al. | Balancing video analytics processing and bandwidth for edge-cloud networks | |
CN117911908B (zh) | 一种无人机航拍图像的增强处理方法及系统 | |
Zou et al. | Traffic Sign Image Segmentation Algorithm Based on Improved Spatio-Temporal Map Convolution | |
Joshi et al. | Development of Classification Framework Using Machine Learning and Pattern Recognition System |