RU2718419C1 - Интеллектуальная космическая система для мониторинга участков недропользования открытого типа - Google Patents
Интеллектуальная космическая система для мониторинга участков недропользования открытого типа Download PDFInfo
- Publication number
- RU2718419C1 RU2718419C1 RU2018145490A RU2018145490A RU2718419C1 RU 2718419 C1 RU2718419 C1 RU 2718419C1 RU 2018145490 A RU2018145490 A RU 2018145490A RU 2018145490 A RU2018145490 A RU 2018145490A RU 2718419 C1 RU2718419 C1 RU 2718419C1
- Authority
- RU
- Russia
- Prior art keywords
- earth
- neural network
- remote sensing
- spacecraft
- convolutional neural
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 3
- 230000004913 activation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 230000009466 transformation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect 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
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Изобретение относится к вычислительной технике и может быть использовано для мониторинга участков недропользования открытого типа. Техническим результатом является повышение быстродействия обработки данных и снижение количества вычислительных ресурсов. Система содержит совокупность компьютерных средств на основе сверточной нейронной сети, использующей данные с космических аппаратов дистанционного зондирования Земли. Сверточная нейронная сеть обрабатывает изображения объектов лесного фонда, принятые от космических аппаратов дистанционного зондирования Земли, с формированием методом скользящего окна прямоугольных матриц пикселей изображения с заданным шагом - кропов. Для каждой прямоугольной матрицы путем поворота и зеркального отображения генерируют восемь отображений с сегментацией каждого отображения и его классификацией средствами сверточной нейронной сети в качестве одного из участков недропользования открытого типа и получением итогового изображения, классифицированного в качестве одного из участков недропользования открытого типа. 3 ил.
Description
Предлагаемое изобретение относится к области средств и технологий дистанционного зондирования Земли, а именно к применению результатов дистанционного зондирования Земли для мониторинга участков недропользования открытого типа.
Из уровня техники известен способ обработки изображений со спутников [Thomas Blaschke, Stefan Lang, Eric Lorup, Josef Strobl and Peter Zeil. Object-Oriented Image Processing in an Integrated GIS/Remote Sensing Environment and Perspectives for Environmental Applications. Envirolnfo 2000: Umweltinformatik '00 Umweltinformation 
Planung, Politik und 
. Copyright 2000 Metropolis Verlag, Marburg]. Способ включает обработку спутниковых снимков по различным алгоритмам и сочетание полученных результатов с данными GIS.
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 107945146, Univ. Nanjing Information Science & Tech., публикация 2018 г. Система из CN 107945146 включает совокупность компьютерных средств, структурированных на основе сверточной нейронной сети, связанных с космическими аппаратами дистанционного зондирования Земли программы LandSat и научно-исследовательским космическим аппаратом Aqua с аппаратурой дистанционного зондирования Земли Modis. Сверточная нейронная сеть обеспечивает получение итоговых изображений, сформированных на базе изображений, принятых от космического аппарата дистанционного зондирования Земли, и уточняющих данных дистанционного зондирования Земли, то есть известное техническое решение относится к способу слияния космических снимков на основе глубокой сверточной нейронной сети.
Предусматриваются следующие этапы: этап подготовки - выбор соответствующего изображения Landsat и соответствующего изображения MODIS для формирования пары изображений Landsat - MODIS; выполнение сэмплирования по образцу Landsat; получение изображения LSR Landsat, приближающегося к пространственное разрешение MODIS; обучение в соответствии с комбинацией изображения Landsat изображения MODIS и изображения LSR Landsat, получение нелинейного отображения CNN и реконструкция CNN с суперразрешением; фаза прогнозирования - выбор пар изображений Landsat - MODIS на дату t1 и дату t3, прогнозирование изображения предсказания Landsat в дату t2 между датой t1 и датой t3 на основе нелинейного отображения CNN и суперразрешение CNN, полученное на этапе обучения.
В свою очередь, в нашем изобретении предложено применить технические возможности сверточной нейронной сети для решения более узкой задачи - мониторинга участков недропользования открытого типа для отслеживания изменений границ выработки, 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 сверточной нейронной сети, позволяющих обрабатывать данные с космических аппаратов дистанционного зондирования Земли Ресурс-П, Канопус-В и космических аппаратов компании Planet Labs (Dove, RapidEye). Отличие от аналога заключается в структуре нейронной сети, использовании данных с космических аппаратов дистанционного зондирования Земли типа Ресурс-П, Канопус-В и космических аппаратов компании Planet Labs (Dove, RapidEye). Сверточная нейронная сеть обрабатывает изображения участков недропользования открытого типа, 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 путем поворота и зеркального отображения с сегментацией каждого отображения средствами сверточной нейронной сети и его классификацией средствами сверточной нейронной сети в качестве одного из участков недропользования открытого типа и получением итогового изображения, классифицированного в качестве одного из участков недропользования открытого типа.
Предложенная система поясняется следующими изображениями:
фиг. 1 - схема алгоритма распознавания и классификации изменений участков недропользования открытого типа;
фиг. 2 - архитектура сверточной нейронной сети с отображением последовательности операций кодировки и декодировки;
фиг. 3 - разбиение исходного снимка на куски фиксированного размера методом скользящего окна.
Спутниковые снимки участков недропользования открытого типа, полученные с космических аппаратов Канопус-В, Ресурс-П, Planet Labs поступают на вход сверточной 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 сверточной нейронной сети в предлагаемой архитектуре позволит быстрее выполнять обработку данных за счет 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 участков недропользования открытого типа данные дистанционного зондирования Земли высокого и сверхвысокого разрешения.
Архитектуру предложенной сверточной 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 слоев и разрешений.
Блок кодировки представляет собой набор из трех функциональных подблоков (операций над картами признаков): слой свертки, функция активации ReLU, слой субдискретизации. Блок декодировки представляет собой набор из четырех функциональных подблоков (набор из двух последовательностей двух операций): слой свертки, функция активации ReLU. Слой свертки включает свой фильтр для каждого канала, ядро свертки которого обрабатывает предыдущий слой по фрагментам, суммируя результаты матричного произведения для каждого фрагмента, и обозначается свертка ([k×k], m, n), где k×k - размер ядра свертки, тип 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, скалярный 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 свертки 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 объем изображения.
Блок декодировки результата представляет собой набор из четырех функциональных подблоков (последовательных операций): пространственное исключение - выключает слой нейронов с вероятностью р; слой свертки с ядром 1×1 - необходим для уменьшения размерности карты признаков; функция активации - скалярный результат каждой свертки 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 объем 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 Н 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 путем 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(х) - поворот на угол π/2, ψ(х) - зеркальное отображение) множество из восьми отображений О модно представить, как O={С, ϕ(С), ϕ(ϕ(С)), ϕ(ϕ(ϕ(С))), ψ(C), ψ(ϕ(С)), ψ(ϕ(ϕ(С))), ψ(ϕ(ϕ(ϕ(С))))}. Средствами сверточной нейронной сети получают карту сегментов для каждого отображения с последующей классификацией в качестве одного из участков недропользования открытого типа для чего через нейронную сеть пропускают исходный кроп С с итоговой функцией получения предсказания P=h(C) на кроп изображения С. В результате, на выходе сегментации сверточной нейронной сети получается набор из восьми (для рассматриваемого примера) карт вероятности того, что каждая точка исходного кропа может быть классифицирована, как изменения участков недропользования открытого типа, а также восемь вероятностей принадлежности к таким изменениям участков недропользования открытого типа.
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 х=ψ(ψ(х)) и х=ϕ-1(х)=ϕ(ϕ(ϕ(х))), искомое множество Ор имеет вид Op={Р1, ϕ-1(ϕ-1(ϕ-1(P2))), ϕ-1(ϕ-1(Р3)), ϕ-1(P4), ψ(P5), ψ(ϕ-1(ϕ-1(ϕ-1(P6)))), ψ(ϕ-1(ϕ-1(Р7))), ψ(ϕ-1(Р8))}. С помощью усреднения предсказаний уточняют границы полученных сегментов. Итоговое предсказание для каждой точки кропа изображения для предложенного варианта вычисляется по следующей формуле Ритог(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.
Claims (10)
- Интеллектуальная космическая система мониторинга, включающая совокупность компьютерных средств, структурированных на основе сверточной нейронной сети, связанных с космическими аппаратами дистанционного зондирования Земли 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 сверточной 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,
- сверточная нейронная сеть, представляющая собой последовательность блоков кодировки, каждый из которых включает три функциональных подблока - слой свертки, функция активации ReLU, слой субдискретизации, и
- блоков декодировки, каждый из которых включает четыре функциональных подблока - слой свертки, функция активации ReLU, слой свертки, функция активации ReLU,
- обрабатывает изображения участков недропользования открытого типа, принятые от космических аппаратов дистанционного зондирования Земли указанных типов, с
- формированием методом скользящего окна прямоугольных матриц пикселей изображения с заданным шагом - кропов,
- генерацией восьми отображений для каждой прямоугольной матрицы путем поворота и зеркального отображения с
- сегментацией каждого отображения средствами сверточной нейронной сети и его
- классификацией средствами сверточной нейронной сети в качестве одного из участков недропользования открытого типа и
- получением итогового изображения, классифицированного в качестве одного из участков недропользования открытого типа.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018145490A RU2718419C1 (ru) | 2018-12-21 | 2018-12-21 | Интеллектуальная космическая система для мониторинга участков недропользования открытого типа |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2018145490A RU2718419C1 (ru) | 2018-12-21 | 2018-12-21 | Интеллектуальная космическая система для мониторинга участков недропользования открытого типа |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2718419C1 true RU2718419C1 (ru) | 2020-04-02 |
Family
ID=70156522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2018145490A RU2718419C1 (ru) | 2018-12-21 | 2018-12-21 | Интеллектуальная космическая система для мониторинга участков недропользования открытого типа |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2718419C1 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170200063A1 (en) * | 2016-01-13 | 2017-07-13 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
| RU2640331C2 (ru) * | 2015-12-11 | 2017-12-27 | Частное образовательное учреждение высшего образования "ЮЖНЫЙ УНИВЕРСИТЕТ (ИУБиП)" | Способ идентификации протяженных объектов земной поверхности |
| RU2651147C1 (ru) * | 2017-03-27 | 2018-04-18 | Акционерное общество "ЭЛВИС-НеоТек" | Устройство и способ каскадной обработки потока изображений с помощью свёрточных нейронных сетей |
| CN107945182A (zh) * | 2018-01-02 | 2018-04-20 | 东北农业大学 | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 |
| CN107945146A (zh) * | 2017-11-23 | 2018-04-20 | 南京信息工程大学 | 一种基于深度卷积神经网络的时空卫星图像融合方法 |
-
2018
- 2018-12-21 RU RU2018145490A patent/RU2718419C1/ru active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2640331C2 (ru) * | 2015-12-11 | 2017-12-27 | Частное образовательное учреждение высшего образования "ЮЖНЫЙ УНИВЕРСИТЕТ (ИУБиП)" | Способ идентификации протяженных объектов земной поверхности |
| US20170200063A1 (en) * | 2016-01-13 | 2017-07-13 | Ford Global Technologies, Llc | Low- and high-fidelity classifiers applied to road-scene images |
| RU2651147C1 (ru) * | 2017-03-27 | 2018-04-18 | Акционерное общество "ЭЛВИС-НеоТек" | Устройство и способ каскадной обработки потока изображений с помощью свёрточных нейронных сетей |
| CN107945146A (zh) * | 2017-11-23 | 2018-04-20 | 南京信息工程大学 | 一种基于深度卷积神经网络的时空卫星图像融合方法 |
| CN107945182A (zh) * | 2018-01-02 | 2018-04-20 | 东北农业大学 | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| CN113688808B (zh) | 一种基于拉普拉斯金字塔遥感图像融合的滑坡体识别方法 | |
| Li et al. | Survey of single image super‐resolution reconstruction | |
| RU2703349C1 (ru) | Интеллектуальная космическая система для мониторинга лесного фонда | |
| He et al. | Generating annual high resolution land cover products for 28 metropolises in China based on a deep super-resolution mapping network using Landsat imagery | |
| RU2707138C1 (ru) | Интеллектуальная космическая система для мониторинга зданий и сооружений | |
| Al-Azzeh et al. | Adaptation of matlab K-means clustering function to create Color Image Features | |
| CN116258976A (zh) | 一种分层次Transformer的高分辨率遥感图像语义分割方法及系统 | |
| Aghamaleki et al. | Image fusion using dual tree discrete wavelet transform and weights optimization | |
| Zhao et al. | Multi-window visual saliency extraction for fusion of visible and infrared images | |
| CN116797787A (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
| Bhardwaj et al. | Haar wavelet transform–based optimal Bayesian method for medical image fusion | |
| Wang et al. | A new Gabor based approach for wood recognition | |
| Mei et al. | GTMFuse: Group-attention transformer-driven multiscale dense feature-enhanced network for infrared and visible image fusion | |
| Tang et al. | Infrared and visible image fusion based on guided hybrid model and generative adversarial network | |
| CN118397458A (zh) | 一种红外弱小目标检测方法及装置 | |
| Pereira et al. | An end-to-end framework for low-resolution remote sensing semantic segmentation | |
| CN112508786B (zh) | 面向卫星图像的任意尺度超分辨率重建方法及系统 | |
| Yang et al. | Fast multisensor infrared image super-resolution scheme with multiple regression models | |
| RU2733823C1 (ru) | Система сегментации изображений участков недропользования открытого типа | |
| RU2718419C1 (ru) | Интеллектуальная космическая система для мониторинга участков недропользования открытого типа | |
| Luo et al. | Piecewise linear regression-based single image super-resolution via Hadamard transform | |
| Xian-chuan et al. | Remote sensing image fusion based on integer wavelet transformation and ordered nonnegative independent component analysis | |
| Prasad et al. | V-BANet: Land cover change detection using effective deep learning technique | |
| Zhang et al. | A cross-paired wavelet based spatiotemporal fusion network for remote sensing images | |
| Lian et al. | A sequence-to-sequence based multi-scale deep learning model for satellite cloud image prediction |