CN106897681A - 一种遥感图像对比分析方法及*** - Google Patents

一种遥感图像对比分析方法及*** Download PDF

Info

Publication number
CN106897681A
CN106897681A CN201710080906.2A CN201710080906A CN106897681A CN 106897681 A CN106897681 A CN 106897681A CN 201710080906 A CN201710080906 A CN 201710080906A CN 106897681 A CN106897681 A CN 106897681A
Authority
CN
China
Prior art keywords
remote sensing
sensing images
segmentation
comparative analysis
convolutional layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710080906.2A
Other languages
English (en)
Other versions
CN106897681B (zh
Inventor
涂刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Gem Zhuo Technology LLC
Original Assignee
Wuhan Gem Zhuo Technology LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Gem Zhuo Technology LLC filed Critical Wuhan Gem Zhuo Technology LLC
Priority to CN201710080906.2A priority Critical patent/CN106897681B/zh
Publication of CN106897681A publication Critical patent/CN106897681A/zh
Application granted granted Critical
Publication of CN106897681B publication Critical patent/CN106897681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种遥感图像对比分析方法及***，方法包括：S1：通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中的地物进行识别和分割，得到两张遥感图像中所有地物的分割图像，全卷积网络包括多个卷积层组和多个反卷积层，其中，卷积层组包括交替排列的卷积层和稀松卷积层；S2：对两张遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。本发明的有益效果是：本技术方案对大气、季节等干扰因素的容错性较好，对密集型地物的识别率较高。

Description

一种遥感图像对比分析方法及***
技术领域
本发明涉及遥感图像对比分析技术领域，尤其涉及一种遥感图像对比分析方法及***。
背景技术
对不同时期的遥感图像比对分析也被称为变化检测，是地理信息***的关键技术，在土地规划、灾害防治、无人机、卫星、无人船与资源监控领域具有十分重要的作用。传统基于像素的比对算法不能很好地排除遥感图像中的干扰，也不能实现遥感图像中地物的分类比对。现有的图像对比方法是把两张图直接作对比，对比结果粗糙不精准。
发明内容
本发明所要解决的技术问题是：传统基于像素的比对算法不能很好地排除遥感图像中的干扰，也不能实现遥感图像中地物的分类比对，对比结果粗糙不精准。
本发明解决上述技术问题的技术方案如下：
一种遥感图像对比分析方法，包括：
S1：通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中的地物进行识别和分割，得到两张所述遥感图像中所有地物的分割图像，所述全卷积网络包括多个卷积层组和多个反卷积层，其中，所述卷积层组包括交替排列的卷积层和稀松卷积层；
S2：对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
本发明的有益效果是：通过卷积网络训练的参数结果提取要对比图像的特征并逐像素分类，分类结果是给不同地物填充了不同像素值的图像，这样在分出不同类型的地物的同时标出不同地物的准确边缘，然后以分类结果，即不同地物填充了不同像素值的图像为基础对同一地区不同时间的遥感图像进行对比分析，对比得到某地区两个时间是否发生了变化，本技术方案对大气、季节等干扰因素的容错性较好，对密集型地物的识别率较高。
在上述技术方案的基础上，本发明还可以做如下改进。
优选地，所述步骤S1包括：
S11：分别将两张所述遥感图像放入所述全卷积网络；
S12：分别将两张所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到融合图像；
S13：分别将两张所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到地物分类概率图；
S14：通过CRF概率模型分别对两张所述地物分类概率图中的地物进行分割，得到两张所述遥感图像中所有地物的分割图像。
采用上述进一步方案的有益效果是：该全卷积网络把传统网络的全连接替换成了卷积，添加反卷积层，并将网络前几层的结果与网络最终的结果进行融和，可以得到更多的图像信息；通过CRF概率模型将地物目标从背景中区分出来，得到每个地物的分割图像，以便进行进一步的对比分析。
优选地，所述步骤S2中，通过对比神经网络逐一对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
优选地，所述对比神经网络为2-channel网络或Siamese网络。
采用上述进一步方案的有益效果是：同一地区不同时间的两张遥感图像对比分析，2-channel把两张对比图像分割之后的结果图像作为两个通道直接放入神经网络进行对比；Siamese网络有两个共享参数的网络，把两张结果图像分别作为网络的输入，提取特征后得到对比结果。
一种遥感图像对比分析***，包括：
分割模块，用于通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中的地物进行识别和分割，得到两张所述遥感图像中所有地物的分割图像，所述全卷积网络包括多个卷积层组和多个反卷积层，其中，所述卷积层组包括交替排列的卷积层和稀松卷积层；
对比模块，用于逐一对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
优选地，所述分割模块包括：
放入子模块，用于分别将两张所述遥感图像放入全卷积网络；
第一融合子模块，用于分别将两张所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到融合图像；
第二融合子模块，用于分别将两张所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到地物分类概率图；
分割子模块，用于通过CRF概率模型分别对两张所述地物分类概率图中的地物进行分割，得到两张所述遥感图像中所有地物的分割图像。
优选地，所述对比模块具体用于通过对比神经网络逐一对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
优选地，所述对比神经网络为2-channel网络或Siamese网络。
附图说明
图1为本发明实施例提供的一种遥感图像对比分析方法的流程示意图；
图2为本发明另一实施例提供的一种遥感图像对比分析方法的流程示意图；
图3为本发明实施例提供的一种遥感图像对比分析***的结构示意图；
图4为本发明另一实施例提供的一种遥感图像对比分析***的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，本发明实施例提供一种遥感图像对比分析方法，包括：
S1：通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中的地物进行识别和分割，得到两张遥感图像中所有地物的分割图像，全卷积网络包括多个卷积层组和多个反卷积层，其中，卷积层组包括交替排列的卷积层和稀松卷积层；
S2：对两张遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
具体地，该实施例中，通过卷积网络训练的参数结果提取要对比图像的特征并逐像素分类，分类结果是给不同地物填充了不同像素值的图像，这样在分出不同类型的地物的同时标出不同地物的准确边缘，然后以分类结果，即不同地物填充了不同像素值的图像为基础对同一地区不同时间的遥感图像进行对比分析，对比得到某地区两个时间是否发生了变化，通过这种方法对大气、季节等干扰因素的容错性较好，对密集型地物的识别率较高，而且能够适应不同尺度的遥感图像。
上述实施例中，在卷积网络训练过程中采用多种数据增强方法，实现在较少标注数据的情况下达到较高的训练准确性，其中，采用的数据增强方法有数据的旋转和镜像等，将图像做镜像，或者旋转，能够有效扩大数据集，提高网络训练质量，防止欠拟合。
如图2所示，在另一实施例中，图1中的步骤S1包括：
S11：分别将两张遥感图像放入全卷积网络；
S12：分别将两张遥感图像经过至少一个卷积层组坐标点标记后的图像与经过所有卷积层组和至少一个反卷积层坐标点标记后的图像进行多次融合，得到融合图像；
S13：分别将两张遥感图像与融合图像经过至少一个反卷积层坐标点标记后的图像进行多次融合，得到地物分类概率图；
S14：通过CRF概率模型分别对两张地物分类概率图中的地物进行分割，得到两张遥感图像中所有地物的分割图像。
具体地，该实施例中，该全卷积网络把传统网络的全连接替换成了卷积，添加反卷积层，将网络前几层的结果与网络最终的结果进行融和，可以得到更多的图像信息；通过CRF概率模型将地物目标从背景中区分出来，得到每个地物的分割图像，以便进行进一步的对比分析。CRF(conditional random fieldalgorithm，条件随机场)结合了最大熵模型和隐马尔可夫模型的特点，是一种无向图模型，近年来在分词、词性标注和命名实体识别等序列标注任务中取得了很好的效果。CRF是一个典型的判别式模型。
步骤S2中，通过对比神经网络逐一对两张遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
对比神经网络为2-channel网络或Siamese网络。
具体地，该实施例中，同一地区不同时间的两张遥感图像对比分析，2-channel把两张对比图像分割之后的结果图像作为两个通道直接放入神经网络进行对比；Siamese网络有两个共享参数的网络，把两张结果图像分别作为网络的输入，提取特征后得到对比结果。
如图3所示，本发明实施例还提供一种遥感图像对比分析***，包括：
分割模块1，用于通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中的地物进行识别和分割，得到两张遥感图像中所有地物的分割图像，全卷积网络包括多个卷积层组和多个反卷积层，其中，卷积层组包括交替排列的卷积层和稀松卷积层；
对比模块2，用于对两张遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
如图4所示，在另一实施例中，图3中的分割模块1包括：
放入子模块11，用于分别将两张遥感图像放入全卷积网络；
第一融合子模块12，用于分别将两张遥感图像经过至少一个卷积层组坐标点标记后的图像与经过所有卷积层组和至少一个反卷积层坐标点标记后的图像进行多次融合，得到融合图像；
第三融合子模块13，用于分别将两张遥感图像与融合图像经过至少一个反卷积层坐标点标记后的图像进行多次融合，得到地物分类概率图；
分割子模块14，用于通过CRF概率模型对两张地物分类概率图中的地物进行识别和分割，得到两张遥感图像中所有地物的分割图像。
对比模块2具体用于通过对比神经网络逐一对两张遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
对比神经网络为2-channel网络或Siamese网络。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种遥感图像对比分析方法，其特征在于，包括：
S1：通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中的地物进行识别和分割，得到两张所述遥感图像中所有地物的分割图像，所述全卷积网络包括多个卷积层组和多个反卷积层，其中，所述卷积层组包括交替排列的卷积层和稀松卷积层；
S2：对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
2.根据权利要求1所述的遥感图像对比分析方法，其特征在于，所述步骤S1包括：
S11：分别将两张所述遥感图像放入所述全卷积网络；
S12：分别将两张所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到融合图像；
S13：分别将两张所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到地物分类概率图；
S14：通过CRF概率模型分别对两张所述地物分类概率图中的地物进行分割，得到两张所述遥感图像中所有地物的分割图像。
3.根据权利要求1或2所述的遥感图像对比分析方法，其特征在于，所述步骤S2中，通过对比神经网络逐一对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
4.根据权利要求3所述的遥感图像对比分析方法，其特征在于，所述对比神经网络为2-channel网络或Siamese网络。
5.一种遥感图像对比分析***，其特征在于，包括：
分割模块(1)，用于通过全卷积网络分别对同一地区不同时间拍摄的两张遥感图像中所有地物进行识别和分割，得到两张所述遥感图像中每个地物的分割图像，所述全卷积网络包括多个卷积层组和多个反卷积层，其中，所述卷积层组包括交替排列的卷积层和稀松卷积层；
对比模块(2)，用于逐一对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
6.根据权利要求5所述的遥感图像对比分析***，其特征在于，所述分割模块(1)包括：
放入子模块(11)，用于分别将两张所述遥感图像放入全卷积网络；
第一融合子模块(12)，用于分别将两张所述遥感图像经过至少一个所述卷积层组坐标点标记后的图像与经过所有所述卷积层组和至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到融合图像；
第二融合子模块(13)，用于分别将两张所述遥感图像与所述融合图像经过至少一个所述反卷积层坐标点标记后的图像进行多次融合，得到地物分类概率图；
分割子模块(14)，用于通过CRF概率模型对两张所述地物分类概率图中的地物进行识别和分割，得到两张所述遥感图像中所有地物的分割图像。
7.根据权利要求5或6所述的遥感图像对比分析***，其特征在于，所述对比模块(2)具体用于通过对比神经网络对两张所述遥感图像中同一地物的分割图像进行对比分析，得到对比分析结果。
8.根据权利要求7所述的遥感图像对比分析***，其特征在于，所述对比神经网络为2-channel网络或Siamese网络。
CN201710080906.2A 2017-02-15 2017-02-15 一种遥感图像对比分析方法及*** Active CN106897681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710080906.2A CN106897681B (zh) 2017-02-15 2017-02-15 一种遥感图像对比分析方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710080906.2A CN106897681B (zh) 2017-02-15 2017-02-15 一种遥感图像对比分析方法及***

Publications (2)

Publication Number Publication Date
CN106897681A true CN106897681A (zh) 2017-06-27
CN106897681B CN106897681B (zh) 2020-11-10

Family

ID=59198665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710080906.2A Active CN106897681B (zh) 2017-02-15 2017-02-15 一种遥感图像对比分析方法及***

Country Status (1)

Country Link
CN (1) CN106897681B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171122A (zh) * 2017-12-11 2018-06-15 南京理工大学 基于全卷积网络的高光谱遥感图像的分类方法
CN108537824A (zh) * 2018-03-15 2018-09-14 上海交通大学 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN108776805A (zh) * 2018-05-03 2018-11-09 北斗导航位置服务（北京）有限公司 一种建立图像分类模型、图像特征分类的方法及装置
CN108961236A (zh) * 2018-06-29 2018-12-07 国信优易数据有限公司 电路板缺陷检测模型的训练方法及装置、检测方法及装置
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN109711311A (zh) * 2018-12-20 2019-05-03 北京以萨技术股份有限公司 一种基于动态人脸最优帧选取方法
CN110570397A (zh) * 2019-08-13 2019-12-13 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
CN111274938A (zh) * 2020-01-19 2020-06-12 四川省自然资源科学研究院 一种面向Web的高分遥感河流水质动态监测方法与***
WO2021077947A1 (zh) * 2019-10-22 2021-04-29 北京市商汤科技开发有限公司 图像处理方法、装置、设备及存储介质
CN112816000A (zh) * 2021-02-26 2021-05-18 华南理工大学 绿色建筑群室内外风环境质量的综合指数评价方法及***
CN116977747A (zh) * 2023-08-28 2023-10-31 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147920A (zh) * 2011-03-02 2011-08-10 上海大学 高分辨率遥感影像中的阴影检测方法
CN102855759A (zh) * 2012-07-05 2013-01-02 中国科学院遥感应用研究所 高分辨率卫星遥感交通流信息自动采集方法
CN105809693A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度神经网络的sar图像配准方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147920A (zh) * 2011-03-02 2011-08-10 上海大学 高分辨率遥感影像中的阴影检测方法
CN102855759A (zh) * 2012-07-05 2013-01-02 中国科学院遥感应用研究所 高分辨率卫星遥感交通流信息自动采集方法
CN105809693A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度神经网络的sar图像配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张凤玉: "遥感图像变化检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
汤浩，何楚: "全卷积网络结合改进的条件随机场-循环神经网络用于SAR图像场景分类", 《计算机应用》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171122A (zh) * 2017-12-11 2018-06-15 南京理工大学 基于全卷积网络的高光谱遥感图像的分类方法
CN108537824A (zh) * 2018-03-15 2018-09-14 上海交通大学 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN108537824B (zh) * 2018-03-15 2021-07-16 上海交通大学 基于交替反卷积与卷积的特征图增强的网络结构优化方法
CN108776805A (zh) * 2018-05-03 2018-11-09 北斗导航位置服务（北京）有限公司 一种建立图像分类模型、图像特征分类的方法及装置
CN108961236B (zh) * 2018-06-29 2021-02-26 国信优易数据股份有限公司 电路板缺陷检测方法及装置
CN108961236A (zh) * 2018-06-29 2018-12-07 国信优易数据有限公司 电路板缺陷检测模型的训练方法及装置、检测方法及装置
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN109409263B (zh) * 2018-10-12 2021-05-04 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN109711311A (zh) * 2018-12-20 2019-05-03 北京以萨技术股份有限公司 一种基于动态人脸最优帧选取方法
CN110570397A (zh) * 2019-08-13 2019-12-13 创新奇智(重庆)科技有限公司 一种基于深度学习模版匹配算法检测成衣印花缺陷的方法
WO2021077947A1 (zh) * 2019-10-22 2021-04-29 北京市商汤科技开发有限公司 图像处理方法、装置、设备及存储介质
JP2022509030A (ja) * 2019-10-22 2022-01-20 ベイジン センスタイム テクノロジー デベロップメント カンパニー， リミテッド 画像処理方法、装置、機器及び記憶媒体
CN111274938A (zh) * 2020-01-19 2020-06-12 四川省自然资源科学研究院 一种面向Web的高分遥感河流水质动态监测方法与***
CN112816000A (zh) * 2021-02-26 2021-05-18 华南理工大学 绿色建筑群室内外风环境质量的综合指数评价方法及***
CN116977747A (zh) * 2023-08-28 2023-10-31 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法
CN116977747B (zh) * 2023-08-28 2024-01-23 中国地质大学（北京） 基于多路多尺度特征孪生网络的小样本高光谱分类方法

Also Published As

Publication number Publication date
CN106897681B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN106897681A (zh) 一种遥感图像对比分析方法及***
CN109829398B (zh) 一种基于三维卷积网络的视频中的目标检测方法
CN110363134B (zh) 一种基于语义分割的人脸遮挡区定位方法
CN107862261A (zh) 基于多尺度卷积神经网络的图像人群计数方法
CN109447169A (zh) 图像处理方法及其模型的训练方法、装置和电子***
CN111178120B (zh) 一种基于作物识别级联技术的害虫图像检测方法
CN106845487A (zh) 一种端到端的车牌识别方法
CN106909886B (zh) 一种基于深度学习的高精度交通标志检测方法及***
CN108960404B (zh) 一种基于图像的人群计数方法及设备
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN110175615B (zh) 模型训练方法、域自适应的视觉位置识别方法及装置
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
CN109165682A (zh) 一种融合深度特征和显著性特征的遥感图像场景分类方法
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN110827312B (zh) 一种基于协同视觉注意力神经网络的学习方法
CN112347933A (zh) 一种基于视频流的交通场景理解方法及装置
CN103824090B (zh) 一种自适应的人脸低层特征选择方法及人脸属性识别方法
CN106910202B (zh) 一种遥感图像地物的图像分割方法及***
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN108921850B (zh) 一种基于图像分割技术的图像局部特征的提取方法
CN110222604A (zh) 基于共享卷积神经网络的目标识别方法和装置
CN109961013A (zh) 车道线的识别方法、装置、设备及计算机可读存储介质
CN104699781B (zh) 基于双层锚图散列的sar图像检索方法
CN110599463A (zh) 一种基于轻量级联神经网络的舌像检测及定位算法
CN107705323A (zh) 一种基于卷积神经网络的水平集目标追踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant