CN109325395A - 图像的识别方法、卷积神经网络模型的训练方法及装置 - Google Patents

图像的识别方法、卷积神经网络模型的训练方法及装置 Download PDF

Info

Publication number
CN109325395A
CN109325395A CN201810404281.5A CN201810404281A CN109325395A CN 109325395 A CN109325395 A CN 109325395A CN 201810404281 A CN201810404281 A CN 201810404281A CN 109325395 A CN109325395 A CN 109325395A
Authority
CN
China
Prior art keywords
training
remote sensing
sensing image
convolutional neural
neural networks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810404281.5A
Other languages
English (en)
Inventor
何建军
文强
齐文文
管雪华
陈婷
丁媛
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.)
Twenty First Century Aerospace Technology Co Ltd
Original Assignee
Twenty First Century Aerospace Technology Co Ltd
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 Twenty First Century Aerospace Technology Co Ltd filed Critical Twenty First Century Aerospace Technology Co Ltd
Priority to CN201810404281.5A priority Critical patent/CN109325395A/zh
Publication of CN109325395A publication Critical patent/CN109325395A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像的识别方法、卷积神经网络模型的训练方法及装置，本发明涉及水体识别技术领域，能够解决现有技术对遥感影像中水体识别的准确率和效率低下的问题。其中图像的识别方法包括：将待测遥感影像进行预处理，获取其多特征融合数据；将多特征融合数据输入训练完成的卷积神经网络模型进行识别，以获取水体图像。卷积神经网络模型的训练方法包括：获取训练遥感影像的多特征融合数据；使用多特征融合数据对初始化卷积神经网络模型进行训练，获取训练输出类别；根据训练输出类别和标记类别的误差调整模型参数；对其进行循环训练和参数调整，获取训练完成的卷积神经网络模型。本发明广泛适用于遥感影像的水体识别场景中。

Description

图像的识别方法、卷积神经网络模型的训练方法及装置
技术领域
本发明涉及水体识别技术领域，特别是涉及一种图像的识别方法、卷积神经网络模型的训练方法及装置。
背景技术
随着遥感技术的发展，现阶段获取海量多源遥感影像的能力得到了很大的提升，能够满足各个应用领域的数据需求，因此遥感影像在地理学、国土科学、生态学等众多领域也得到了广泛的研究与应用。而遥感影像在应用于水体监测时，影像中的河流等线状水域、湖泊等面状水域作为重要的基础地理信息，会随着汛期和旱期等不同季节的交替，水体的分布范围和空间尺度会呈现动态变化。而是否能够准确快速地获取水体不同时期的信息，进而得到水体的动态信息，对于水资源调查、环境监测与保护、自然灾害监测等都具有重要的意义。
为了获取遥感影像中的水体数据，现有技术中主要利用基于像素、面向对象、机器学习等半自动或自动提取方法对遥感影像进行识别。其中，利用像素或面向对象并采用水体指数方法对遥感影像进行识别时，能够快速提取遥感影像中的水体信息；但由于数据细节的复杂性和地物光谱特征的不确定性，上述方法无法有效去除影像中的阴影，进而无法精确地获取水体的分布范围。并且由于上述方法对水体的识别是依赖于影像中的多光谱波段信息，而高分辨率遥感影像通常会缺少关键光谱波段，也会导致无法获取到水体精确的分布范围。而利用机器学习的方法对遥感影像中水体信息进行识别提取，也是被广泛应用于现有的研究中的。其中机器学习的方法包括支持向量机、随机森林等学习方法。但是这种浅层学习方法的计算能力有限，无法有效地表达复杂函数，在随着计算样本数量和多样性的增大，在处理一些如异常污染水域、细小面积水域等复杂信息的识别时，具有一定的局限性，无法准确地获取分布范围。
发明内容
有鉴于此，本发明提供一种图像的识别方法、卷积神经网络模型的训练方法及装置，主要目的在于提高遥感影像中水体的识别准确率和识别效率。
为达到上述目的，本发明主要提供如下技术方案：
第一方面，本发明提供了一种图像的识别方法，所述方法包括：
将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据，所述待测遥感影像的多特征融合数据包括所述待测遥感影像中水体的形态学特征和光谱特征；
将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像，所述训练完成的卷积神经网络模型为初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后得到的卷积神经网络模型。
第二方面，本发明还提供了一种卷积神经网络模型的训练方法，所述方法包括：
获取训练遥感影像的多特征融合数据，所述训练遥感影像的多特征融合数据包括所述训练遥感影像中水体的形态学特征和光谱特征；
将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练，获取所述训练遥感影像的多特征融合数据的训练输出类别；
根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数，所述标记类别是所述训练遥感影像的多特征融合数据真实的类别；
对所述初始化卷积神经网络模型进行循环训练和参数调整，获取训练完成的卷积神经网络模型。
第三方面，本发明还提供了一种图像识别装置，所述装置包括：
获取单元，用于将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据，所述待测遥感影像的多特征融合数据包括所述待测遥感影像中水体的形态学特征和光谱特征；
识别单元，用于将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像，所述训练完成的卷积神经网络模型为初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后得到的卷积神经网络模型。
第四方面，本发明还提供了一种卷积神经网络模型的训练装置，所述装置包括：
获取单元，用于获取训练遥感影像的多特征融合数据，所述训练遥感影像的多特征融合数据包括所述训练遥感影像中水体的形态学特征和光谱特征；
训练单元，用于将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练；
所述获取单元，还用于获取所述训练遥感影像的多特征融合数据的训练输出类别；
调整单元，用于根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数，所述标记类别是所述训练遥感影像的多特征融合数据真实的类别；
所述获取单元，还用于在对所述初始化卷积神经网络模型进行循环训练和参数调整后，获取训练完成的卷积神经网络模型。
借由上述技术方案，本发明技术方案提供的图像的识别方法、卷积神经网络模型的训练方法及装置至少具有下列优点：
本发明提供的图像的识别方法、卷积神经网络模型的训练方法及装置，在对待测遥感影像进行识别时，与现有技术基于像素、面向对象或浅层机器学习对待测遥感图像进行直接识别，获取图像中的水体信息相比，本发明的图像的识别方法及装置，能够根据水体的形态学特征和光谱特征对测遥感影像进行预处理，获取待测遥感影像中水体的多特征融合数据，该多特征融合数据中具有完成的光谱波段且消除了影像中的阴影，便于后续识别。然后再使用经过水体的多特征融合数据训练的卷积神经网络模型，对该多特征融合数据进行识别；通过利用深层学习方法进行训练且具有强大的计算能力的卷积神经网络模型对待测遥感影像的多特征融合数据进行识别，能够快速准确的识别出遥感影像中水体，具有较高的水体边缘检测精度和提取精度，大大提高识别的准确率和效率。而为了提高卷积神经网络模型针对水体的识别准确率，本发明的卷积神经网络模型的训练方法，是将训练遥感影像的多特征融合数据作为训练数据，对初始化卷积神经网络模型进行循环训练，然后再将该初始化卷积神经网络模型每次的训练输出类别和预先设置的标记类别进行比较，根据其误差来循环调整该初始化卷积神经网络模型的参数，以在训练完成后得到最优化的卷积神经网络模型。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种遥感影像；
图2示出了本发明实施例提供的一种遥感影像的形态学特征；
图3示出了本发明实施例提供的一种遥感影像的水体图像；
图4示出了本发明实施例提供的一种图像的识别方法的流程图；
图5示出了本发明实施例提供的另一种图像的识别方法的流程图；
图6示出了本发明实施例提供的一种卷积神经网络模型的训练方法的流程图；
图7示出了本发明实施例提供的另一种卷积神经网络模型的训练方法的流程图；
图8示出了本发明实施例提供的一种图像的识别装置的框图；
图9示出了本发明实施例提供的另一种图像的识别装置的框图；
图10示出了本发明实施例提供的一种卷积神经网络模型的训练装置的框图；
图11示出了本发明实施例提供的另一种卷积神经网络模型的训练装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了提高遥感影像中水体的识别准确率和识别效率，本发明实施例提供了一种图像的识别方法，如图1-4所示，该方法主要包括：
101、将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据。
如图1-2所示，在获取待测遥感影像后，先将该待测遥感影像根据水体的形态学特征和光谱特征进行预处理，获取包括待测遥感影像中水体的形态学特征和光谱特征的多特征融合数据。其中的形态学特征为一种空间特征，能够呈现水体的分布范围和空间尺度。
进一步的，对待测遥感影像的预处理包括对该待测遥感影像的光谱特征和形态学特征进行特征融合。具体包括对待测遥感影像进行特征提取，提取待测遥感影像的光谱特征和形态学特征，然后再将两者进行特征融合，以得到待测遥感影像的多特征融合数据。但由于遥感影像是多光谱影像，直接对所有遥感影像波段计算形态学特征，会产生一个高维的特征空间，带来特征冗余，会导致后续计算复杂度增加以及影像分类的效率降低。因此，在提取形态学特征之前需要对遥感影像进行信息筛检，即对遥感影像进行主成分变换(PCA，Principle Component Analysis)，提取信息量最大的第一主分量作为后续计算形态学特征的基础影像。提取的形态学特征可以是多尺度形态学特征，其中的多尺度指的是按照预先设置的结构元素的尺度提取的一系列形态学特征；例如基于一系列不同尺度的圆形结构元素，并利用形态学开重构、闭重构运算提取多尺度形态学特征。
102、将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像。
不同于现有技术利用支持向量机、随机森林等计算量较低的方法对遥感影像进行识别，本实施例利用的卷积神经网络模型(Convolutional Neural Network，CNN)可以进行深度学习，其能够通过多层次特征复合学习来训练深层非线性网络结构，训练完成的卷积神经网络模型可以描述图像的复杂信息，获得鲁棒性的图像识别和分类结果。可以通过训练用的遥感影像的多特征融合数据对建立好的初始化卷积神经网络模型进行训练，由于训练完成的卷积神经网络模型在后续会针对水体进行识别，因此，其训练时使用的也是包含水体信息的遥感影像，在初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后，将会得到参数优化完成的卷积神经网络模型，即训练完成的卷积神经网络模型。此时，就可将待测遥感影像的多特征融合数据输入该训练完成的卷积神经网络模型，如图3所示，通过该训练完成的卷积神经网络模型对水体信息进行快速识别，最终输出准确的水体图像。
本发明实施例提供的图像的识别方法，在对待测遥感影像进行识别时，与现有技术基于像素、面向对象或浅层机器学习对待测遥感图像进行直接识别，获取图像中的水体信息相比，能够根据水体的形态学特征和光谱特征对测遥感影像进行预处理，获取待测遥感影像中水体的多特征融合数据，该多特征融合数据中具有完成的光谱波段且消除了影像中的阴影，便于后续识别。然后再使用经过水体的多特征融合数据训练的卷积神经网络模型，对该多特征融合数据进行识别；通过利用深层学习方法进行训练且具有强大的计算能力的卷积神经网络模型对待测遥感影像的多特征融合数据进行识别，能够快速准确的识别出遥感影像中水体，具有较高的水体边缘检测精度和提取精度，大大提高识别的准确率和效率。
基于上述实施例，本发明另一实施例进一步提供了另一种图像的识别方法，如图5所示，该方法主要包括：
201、获取所述待测遥感影像的多尺度形态学特征。
所述多尺度形态学特征为按照预设比例设置结构元素的尺度的一系列形态学特征。通过提取同一水体、不同尺度的形态学特征，可以更准确地获得该水体的形态学特征。获取该多尺度形态学特征的具体方式如下：
(1)将所述待测遥感影像进行主成分变换，提取第一主分量作为形态学基础影像，所述第一主分量是所述待测遥感影像经过主成分变换后包含信息量最大的分量。
主成分变换是通过对遥感影像的协方差矩阵进行分析而计算得到该基础影像，具体是通过计算遥感影像的均值m和特征向量V，将原始特征空间X投影到包含累积协方差矩阵最大值的子空间Y来实现，通过该计算去除遥感影像波段间的冗余信息，计算公式如下：Ypca＝VT(X-m)。
(2)按照所述待测遥感影像中水体的尺度和所述待测遥感影像的分辨率设置所述结构元素的尺度范围，并按照所述预设比例和所述尺度范围设置所述结构元素的不同尺度。
基于上述计算的形态学基影像，再结合不同结构元素的尺度即可计算出待测遥感影像的多尺度形态学特征。其中，结构元素的形状可以根据需要设置，例如圆形、长方形或正方形等，下面本实施例以结构元素为圆形为例进行描述。首先根据待测遥感影像中水体的尺度和待测遥感影像的分辨率等因素来设定结构元素的尺度的取值范围，可以设置结构元素的尺度的最小值和待测遥感影像中最小尺寸的目标地物(即水体)所占的像素数相一致，而结构元素尺度的最大值与待测遥感影像中最大尺寸的目标地物所占的像素数相一致。然后在确定的取值范围内设置结构元素的不同尺度，且设置的尺度成比例，例如设置结构元素的尺度分别为{3，5，7，9，11}。
(3)根据不同尺度的结构元素对所述形态学基础影像进行形态学重构运算，获取所述多尺度形态学特征。
在设置好结构元素的不同尺度后，就可以结合结构元素的半径，利用形态学开重构和形态学闭重构对得到的基础影像进行进一步运算，以获取多尺度形态学特征。具体为利用结构元素SE对基础影像进行形态学开重构γSE(I)和形态学闭重构操作，即通过一系列的结构元素来为多尺度形态学特征MPs做定义： 其中，λ为遥感影像中圆形的结构元素SE的半径大小。
202、获取所述待测遥感影像的光谱特征。
待测遥感影像为多光谱影像，包括短红外波段、近红外波段和绿波段等波段多光谱波段信息。在现有的图像识别方法中，识别的高分辨率遥感影像会缺少关键光谱波段，其通过剩余的光谱波段无法准确识别出水体图像。为了克服该缺陷，本实施例会先对待测遥感影像进行光谱特征提取，提取该待测遥感影像中完整的光谱特征，使输入训练完成的卷积神经网络模型的数据具有该完整的光谱特征。
203、将所述多尺度形态学特征和所述光谱特征进行特征融合，获取所述待测遥感影像的多特征融合数据。
采用向量叠加方法，将所述多尺度形态学特征和所述光谱特征进行向量叠加，以实现对获取的多尺度形态学特征和光谱特征进行特征融合。融合后能够获得一个联合光谱-空间特征的多维特征，根据该多维特征构建待测遥感影像的多特征融合数据。
204、将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像。
步骤204的实现方式与上述实施例的步骤102相同，在此不再赘述。
本发明实施例提供的图像的识别方法，为了避免待测遥感影像中携带较多的冗余信息，增加训练完成的卷积神经网络模型在识别图像过程中的计算量，对待测遥感影像进行主成分变换，设置变换后去除了冗余信息的第一主分量作为形态学基础影像，使后续仅仅根据该形态学基础影像来获取水体的形态学特征。并对同一形态学基础影像提取不同尺度的形态学特征，以便更准确地获得该形态学基础影像中水体的形态学特征。并且为了克服现有技术中只能通过较少光谱波段对水体进行识别，本实施例会提取待测遥感影像中完整的光谱特征，再将多尺度形态学特征和光谱特征进行特征融合，获得一个联合光谱-空间特征的多维特征，以便训练完成的卷积神经网络模型通过这一包含全部重要信息且去除了冗余信息的多维特征，能够准确且快速的识别出水体。
本发明实施例还提供了一种卷积神经网络模型的训练方法，如图6所示，该方法主要包括：
301、获取训练遥感影像的多特征融合数据。
在将卷积神经网络模型用于针对水体图像的识别之前，需要对建立的初始化卷积神经网络模型进行指定的训练，以提高卷积神经网络模型的识别准确率。获取训练遥感影像的多特征融合数据的方法和获取待测遥感影像的多特征融合数据的方法相同，因此训练遥感影像的多特征融合数据也包括训练遥感影像中水体的形态学特征和光谱特征。
302、将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练，获取所述训练遥感影像的多特征融合数据的训练输出类别。
在训练之前，需要新构建一个初始化卷积神经网络模型，该初始化卷积神经网络模型是包含L个隐藏层的深层卷积神经网络模型，L≥1。卷积网络模型一般由卷积层(convolutional layer，C)、池化层(pooling layer，D)、全连接层(full-connectedlayer，FC)构成，其中的每层由多个二维平面组成，而每个平面又由多个独立神经元组成。第l层卷积层可以表示为：
Cl＝f(klhl-1+bl)；其中，f(·)为激活函数，k表示卷积核的参数，hl-1表示第(l-1)个隐藏层，h0表示输入初始化卷积神经网络模型的影像数据，bl为第l层偏差向量。卷积层能够通过k×k滑动窗口对输入的整个影像数据进行卷积操作，产生特征图像；且通过局部感受野与上一层神经元连接，使每组神经元的输入权重矩阵W与上一层神经网络感受野中的神经元关联并共享权值，以减少权值数量，降低初始化卷积神经网络模型的复杂度。池化层是卷积特征图像中不同的连续范围的池化区域，可以数据的减少特征向量维度，实现局部平均和抽样，池化层设置在卷积层之后，可以共同构成一个两次特征提取的结构。第l层池化层可以表示为：Dl＝f(down(hl-1)+bl)；其中，down(·)表示降采样函数，bl表示为第l层添加的偏差向量。在池化层的池化窗口为n(n是大于等于1的自然数)时，池化层能够通过n×n大小的降采样窗口对特征图像进行池化抽象。池化层的降采样函数可以选择最大降采样函数，但本实施例不对采用的降采样函数进行具体限定。全连接层是本层神经元与上一层神经元进行两两连接的结构；通过全连接层，初始化卷积神经网络模型中的图像特征由二维信息降为一维信息，保留的局部特征信息作为下一层的输入数据。
在本实施例中，建立的初始化卷积神经网络模型包含输入层、卷积层、池化层和全连接层；具体结构可以设置成其隐藏层中第一层为输入层，第二层为第一卷积层，第三层为池化层，第四层为第二卷积层，并且在每层之间通过全连接层进行连接。其中，输入层接收训练遥感影像的多特征融合数据，即输入数据；第一卷积层和第二卷积层如上所述可产生特征图像；池化层也如上所述可实现局部平均和抽样；全连接层也如上所述可以将其连接的上一层输出的多维特征向量转换为一维向量，实现输入影像的逐像元分类。并设置第一卷积层的特征图个数为m1，卷积核大小为k1×k1，卷积步长为s1；池化层设置采用最大降采样法处理图像数据，其降采样窗口大小为n×n，卷积步长为s2；设置第二卷积层的特征图个数为m2，卷积核大小为k2×k2，卷积步长为s3；m1、m2、k1、和k2的取值均是大于等于1的自然数，s1≥0、s2≥0、s3≥0。
将训练遥感影像的多特征融合数据作为训练数据，输入构建的初始化卷积神经网络模型中，然后通过前向传播算法逐层提取特征，提高初始化卷积神经网络模型对进一步遥感影像特征的识别度；并计算初始化卷积神经网络模型的训练输出类别。具体训练方式可以是通过前向传播算法对初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数进行随机初始化，然后计算在当前参数条件下对输入数据(即训练遥感影像的多特征融合数据)进行处理后，该初始化卷积神经网络模型得到的实际输出类别，即训练输出类别；然后再根据该训练输出类别调整权重矩阵W和偏差向量b的参数。
303、根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数。
所述标记类别是用户确定的该训练遥感影像的多特征融合数据真实的类别，并将其设定成该训练遥感影像的多特征融合数据的标记类别。在获取初始化卷积神经网络模型的训练输出类别后，计算该训练输出类别和标记类别的误差，然后再根据该误差调整该初始化卷积神经网络模型的权重矩阵W和偏差向量b的参数，以减小训练输出类别和和标记类别之间的误差。
304、对所述初始化卷积神经网络模型进行循环训练和参数调整，获取训练完成的卷积神经网络模型。
在训练过程中循环执行“输入训练数据-获取初始化卷积神经网络模型的训练输出类别-获取训练输出类别和标记类别的误差-根据该误差调整权重矩阵W和偏差向量b的参数”这些步骤，对初始化卷积神经网络模型进行循环训练及多次参数调整，当训练输出类别和和标记类别之间的误差减小到最小值时，最终即可获得最优化的卷积神经网络模型，即训练完成的卷积神经网络模型。
进一步的，在步骤303-304对初始化卷积神经网络模型的参数进行调整时，可以通过反向传播算法和梯度下降算法来微调该初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数。反向传播算法是传统多层神经网络方法中使用的训练方法，其采用迭代的算法训练整个神经网络模型，会对模型中所有的神经网络参数进行初始化。而在计算均方误差对卷积权重矩阵W的梯度、以及均方误差对偏差向量b的梯度后，需要通过梯度下降算法调整权重矩阵W的参数和偏差向量b的参数，来减少训练输出类别和标记类别之间的误差，当训练输出类别和和标记类别之间的误差达到最小化时，当前的参数即为卷积神经网络模型的最佳参数，当前的卷积神经网络模型即为训练完成的卷积神经网络模型。
本发明实施例提供的卷积神经网络模型的训练方法，为了提高卷积神经网络模型针对水体的识别准确率，将训练遥感影像的多特征融合数据作为训练数据，对初始化卷积神经网络模型进行循环训练，然后再将该初始化卷积神经网络模型每次的训练输出类别和预先设置的标记类别进行比较，根据其误差来循环调整该初始化卷积神经网络模型的参数，以在训练完成后得到最优化的卷积神经网络模型。
基于上述实施例，本发明另一实施例进一步提供了另一种卷积神经网络模型的训练方法，如图7所示，该方法主要包括：
401、获取训练遥感影像的多特征融合数据。
步骤401的实现方式与上述实施例的步骤301相同，在此不再赘述。
402、将所述训练遥感影像的多特征融合数据划分为训练数据和测试数据。
在对初始化卷积神经网络模型训练完成后，会对训练完成的卷积神经网络模型进行测试，以对其精度进行评价。而测试精度所用的数据和训练用的数据均出自训练遥感影像的多特征融合数据，在获取训练遥感影像的多特征融合数据后，即会将该多特征融合数据随机划分为训练数据和测试数据。将测试数据输入训练完成的卷积神经网络模型，在训练完成的卷积神经网络模型对该测试数据进行水体自动提取后，用户可以根据提取数据的实际输出类别，即测试输出类别来计算训练完成的卷积神经网络模型的精度指标。
403、根据划分的训练数据，通过前向传播算法对初始化卷积神经网络模型进行逐层训练，获取所述训练输出类别。
初始化卷积神经网络模型是包括L个隐藏层的卷积神经网络模型，L≥1；本实施例将隐藏层结构设置如下：第一层为输入层，第二层为第一卷积层，第三层为池化层，第四层为第二卷积层，第五层为输出层，并在每两层之间均通过全连接层进行接连。其中，输入层用于接收训练数据和测试数据；设置第一卷积层的特征图个数为64，卷积核参数为4×4，卷积步长为1，激活函数f(·)选用修正线性单元(Rectified Linear Unit,ReLU)函数ReLu＝max(0，x)；设置池化层采用最大降采样法，降采样窗口大小为4×4，卷积步长为1；设置第二卷积层的特征图个数为128，卷积核大小为3×3，卷积步长为1，激活函数f(·)选用修正线性单元函数ReLu＝max(0,x)；设置全连接层的激活函数Sigmoid为Sig(x)＝1/(1+e-x)。
在将训练数据输入初始化卷积神经网络模型后，每次更改参数都会通过前向传播算法提取每层的特征，并计算在当前参数下初始化卷积神经网络模型的训练输出类别。假设xl是卷积神经网络模型第l层的输入类别，也是第(l-1)层的输出类别，那么xl+1的输出类别为其中，表示第l层输入的权重矩阵，bl表示第l层添加的偏差向量，fl(·)表示第l层的激活函数，该激活函数为ReLU函数。
进一步的，在训练过程中，采用丢弃(Dropout)技术向初始化卷积神经网络模型的每个隐藏神经元输出中随机设置零值来减少神经元之间的共适应问题，进而在全连接层中减少大量的过拟合。Dropout算法中引入伯努利(Bernoulli)随机数u，计算卷积神经网络的输出值的公式如下：
其中p为丢弃率，可以根据需要设置，例如设置为50％，x为卷积神经网络中神经元的激活值，y为输出值，u～U(0,1)表示u取值区间在(0,1)之间。采用Dropout算法可以使隐藏层学习的特征不依赖于上一层的某一特征，提高该特征的鲁棒性。
404、获取所述输出层输出的标记类别。
通过全连接层处理后保留的局部特征信息会作为输出层的输入信息，根据该输入信息输出层会直接输出训练数据的标记类别，以供后续计算训练输出类别和所述标记类别的均方误差。
405、通过反向传播算法计算所述训练输出类别和所述标记类别的均方误差。
406、根据所述均方误差，通过梯度下降算法调整所述权重矩阵参数和所述偏差向量参数。
首先通过反向传播算法对初始化卷积神经网络模型中所有的神经网络参数进行高斯分布G(μ,σ)(μ＝0,σ＝0.01)的随机初始化，并计算训练输出类别和所述标记类别的均方误差，然后计算该均方误差对权重矩阵W的梯度、以及该均方误差对偏差向量b的梯度；之后再采用随机梯度下降算法(stochastic gradient descent，SGD)并根据计算的梯度来调整该初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数，以最小化训练输出类别和与据标记类别的之间的误差。权重的计算公式如下：
其中，w为神经元权重，n为样本数目，为梯度向量，L(w)为损失函数值，学习率η表示梯度在多大程度上影响最终的参数更新方向，其可以根据实际需要设置，例如设置为0.005；动量μ表示在多大程度上保留参数原来的更新方向，使随机梯度下降跳出局部最优，其也可以根据实际需要设置，取值范围在0-1之间，在开始训练时，梯度较大，动量初始值一般设置为0.5，当梯度变小时，可以更改设置为0.9。通过上述步骤来调整、更新初始化卷积神经网络模型中各隐藏层的参数，以得到最佳的参数，然后用该参数得到隐藏层的输出，作为下一个隐藏层的输入，直到收敛获得第L个隐藏层的最佳参数，然后循环执行初始化卷积神经网络模型的训练和参数调整过程，以得到最优化的卷积神经网络模型。
407、对所述初始化卷积神经网络模型进行循环训练和参数调整，获取训练完成的卷积神经网络模型。
在训练过程中循环执行步骤“输入训练数据-通过前向传播算法获取初始化卷积神经网络模型的训练输出类别-获取输出层输出的标记类别-计算训练输出类别和标记类别的均方误差-根据该均方误差并通过利用反向传播算法和梯度下降算法来调整初始化卷积神经网络模型的权重矩阵W和偏差向量b的参数”，对初始化卷积神经网络模型进行循环训练及多次参数调整，最终即可获得最优化的卷积神经网络模型，即训练完成的卷积神经网络模型。
408、将所述测试数据输入所述训练完成的卷积神经网络模型。
输入测试数据的实现方式和上述输入训练数据的实现方式相同，在此不再赘述。
409、获取所述训练完成的卷积神经网络模型对所述测试数据的测试输出类别。
获取测试输出类别的实现方式和上述获取训练输出类别的实现方式相同，在此不再赘述。
410、根据所述测试输出类别和测试数据的标记类别，计算所述训练完成的卷积神经网络模型的精度指标。
基于测试输出类别和测试数据的标记类别形成混淆矩阵，并根据该混淆矩阵计算被正确分类为水体的对象(True Positive，TP)、非水体被错分为水体的对象(FalsePositive，FP)、所有被正确识别的非水体(True Negative，TN)、没有被提取出来的水体(False Negative，FN)等指标，然后仔依据下述公式计算准确度(Accuracy)、精确率(Precision)和召回率(Recall)等精度指标： 进而通过这些指标对训练完成的卷积神经网络模型的水体提取结果进行精度评价。
本发明实施例提供的卷积神经网络模型的训练方法，为了对训练完成的卷积神经网络模型进行精度评价，会将训练遥感影像的多特征融合数据划分为训练数据和测试数据，分别作为训练时初始化卷积神经网络模型的输入数据和测试时训练完成的卷积神经网络模型的输入数据。并且在训练初始化卷积神经网络模型时，会通过前向传播算法以及Dropout技术提取特征，以进一步对遥感影像特征的识别度和鲁棒性。并通过反向传播算法计算和梯度下降算法来调整权重矩阵参数和偏差向量参数，以优化初始化卷积神经网络模型。而且还能够根据测试数据的测试输出类别，计算训练完成的卷积神经网络模型的准确度、精确率、召回率等精度指标，为用户提供精度评价。
本发明实施例提供了一种图像的识别装置，如图8所示，该装置主要包括：
获取单元51，用于将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据。
获取单元51对待测遥感影像的预处理包括对该待测遥感影像的光谱特征和形态学特征进行特征融合，因此待测遥感影像的多特征融合数据包括待测遥感影像中水体的形态学特征和光谱特征。而形态学特征的多尺度，指的是按照预先设置的结构元素的尺度提取的一系列形态学特征，例如基于一系列不同尺度的圆形结构元素，并利用形态学开重构、闭重构运算提取多尺度形态学特征。。
识别单元52，用于将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像。
所述训练完成的卷积神经网络模型为初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后得到的卷积神经网络模型。在初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后，将会得到参数优化完成的卷积神经网络模型，即训练完成的卷积神经网络模型，其可以描述图像的复杂信息，获得鲁棒性的图像识别和分类结果。该训练完成的卷积神经网络模型可以对将待测遥感影像的多特征融合数据进行快速识别，准确地提取出其中的对水体信息，进而输出准确的水体图像。
可选的，参照图9所示，所述获取单元51包括：
获取模块511，用于获取所述待测遥感影像的多尺度形态学特征；还用于获取所述待测遥感影像的光谱特征。
所述多尺度形态学特征为按照预设比例设置结构元素的尺度的一系列形态学特征。获取模块511通过提取同一水体、不同尺度的形态学特征，可以更准确地获得该水体的形态学特征。为了克服现有的图像识别方法中，识别的高分辨率遥感影像会缺少关键光谱波段，获取模块511会先对待测遥感影像进行光谱特征提取，提取该待测遥感影像中完整的光谱特征，使输入训练完成的卷积神经网络模型的数据具有该完整的光谱特征。
融合模块512，用于将所述多尺度形态学特征和所述光谱特征进行特征融合。
融合模块512对获取的多尺度形态学特征和光谱特征进行特征融合，融合后能够获得一个联合光谱-空间特征的多维特征，根据该多维特征构建待测遥感影像的多特征融合数据。
所述获取模块511，还用于获取所述待测遥感影像的多特征融合数据。
获取模块511获取融合模块512融合得到的待测遥感影像的多特征融合数据，以便后续将其输入训练完成的卷积神经网络模型中进行识别。
可选的，参照图9所示，所述融合模块512包括：
叠加子模块5121，用于将所述多尺度形态学特征和所述光谱特征进行向量叠加。
叠加子模块5121采用向量叠加方法，将所述多尺度形态学特征和所述光谱特征进行向量叠加，以实现对获取的多尺度形态学特征和光谱特征进行特征的融合。
可选的，参照图9所示，所述获取模块511包括：提取子模块5111、设置子模块5112和运算子模块5113。
提取子模块5111，用于将所述待测遥感影像进行主成分变换，提取第一主分量作为形态学基础影像。
所述第一主分量是所述待测遥感影像经过主成分变换后包含信息量最大的分量。
在提取形态学特征之前需要对遥感影像进行信息筛检以减少遥感影像中冗余的特征，要对遥感影像进行主成分变换，提取信息量最大的第一主分量作为后续计算形态学特征的基础影像。进一步的，主成分变换是通过对遥感影像的协方差矩阵进行分析而计算得到该基础影像，具体是通过计算遥感影像的均值m和特征向量V，将原始特征空间X投影到包含累积协方差矩阵最大值的子空间Y来实现，通过该计算去除遥感影像波段间的冗余信息，计算公式如下：Ypca＝VT(X-m)
设置子模块5112，用于按照所述待测遥感影像中水体的尺度和所述待测遥感影像的分辨率设置所述结构元素的尺度范围，并按照所述预设比例和所述尺度范围设置所述结构元素的不同尺度。
基于上述计算的形态学基影像，再结合不同结构元素的尺度即可计算出待测遥感影像的多尺度形态学特征。设置子模块5112根据待测遥感影像中水体的尺度和待测遥感影像的分辨率等因素来设定结构元素的尺度的取值范围，可以设置结构元素的尺度的最小值和待测遥感影像中最小尺寸的目标地物(即水体)所占的像素数相一致，而结构元素尺度的最大值与待测遥感影像中最大尺寸的目标地物所占的像素数相一致。设置子模块5112会在确定的取值范围内设置结构元素的不同尺度，且设置的尺度成比例，例如设置结构元素的尺度分别为{3，5，7，9，11}。
运算子模块5113，用于根据不同尺度的结构元素对所述形态学基础影像进行形态学重构运算。
在设置好结构元素的不同尺度后，运算子模块5113会结合结构元素的半径，利用结构元素SE对基础影像进行形态学开重构γSE(I)和形态学闭重构操作，即通过一系列的结构元素来为多尺度形态学特征MPs做定义：其中，λ为遥感影像中圆形的结构元素SE的半径大小。
获取子模块5114，用于获取所述多尺度形态学特征。
在运算子模块5113通过形态学重构运算对形态学基础影像进行计算后，子获取模块5114即可根据计算结果获取所述多尺度形态学特征。
本发明实施例提供的图像的识别装置，在对待测遥感影像进行识别时，与现有技术基于像素、面向对象或浅层机器学习对待测遥感图像进行直接识别，获取图像中的水体信息相比，获取单元51能够根据水体的形态学特征和光谱特征对测遥感影像进行预处理，获取待测遥感影像中水体的多特征融合数据，该多特征融合数据中具有完成的光谱波段且消除了影像中的阴影，便于后续识别。然后识别单元52会使用经过水体的多特征融合数据训练的卷积神经网络模型，对该多特征融合数据进行识别；通过利用深层学习方法进行训练且具有强大的计算能力的卷积神经网络模型对待测遥感影像的多特征融合数据进行识别，能够快速准确的识别出遥感影像中水体，具有较高的水体边缘检测精度和提取精度，大大提高识别的准确率和效率。并且，为了避免待测遥感影像中携带较多的冗余信息，增加训练完成的卷积神经网络模型在识别图像过程中的计算量，获取单元51的获取模块511会对待测遥感影像进行主成分变换，设置变换后去除了冗余信息的第一主分量作为形态学基础影像。为了克服现有技术中只能通过较少光谱波段对水体进行识别，还会通过获取模块511提取待测遥感影像中完整的光谱特征，再通过融合模块512将多尺度形态学特征和光谱特征进行特征融合，获得一个联合光谱-空间特征的多维特征，以便训练完成的卷积神经网络模型通过这一包含全部重要信息且去除了冗余信息的多维特征，能够准确且快速的识别出水体。
本发明实施例提供了一种卷积神经网络模型的训练装置，如图10所示，该装置主要包括：获取单元61、训练单元62和调整单元63。
获取单元61，用于获取训练遥感影像的多特征融合数据。
在将卷积神经网络模型用于针对水体图像的识别之前，需要对建立的初始化卷积神经网络模型进行指定的训练，以提高卷积神经网络模型的识别准确率。首先需要通过获取单元61获取包括所述训练遥感影像中水体的形态学特征和光谱特征的多特征融合数据。
训练单元62，用于将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练。
训练单元62将获取单元61获取的训练遥感影像的多特征融合数据作为训练数据，然后将其输入初始化卷积神经网络模型进行训练。进一步的，初始化卷积神经网络模型是包含L个隐藏层的深层卷积神经网络模型，L≥1。在本实施例中，建立的初始化卷积神经网络模型包含输入层、卷积层、池化层和全连接层；具体结构可以设置成其隐藏层中第一层为输入层，第二层为第一卷积层，第三层为池化层，第四层为第二卷积层，并且在每层之间通过全连接层进行连接。其中，输入层接收训练遥感影像的多特征融合数据，即输入数据；第一卷积层和第二卷积层可产生特征图像；池化层可实现局部平均和抽样；全连接层可将其连接的上一层输出的多维特征向量转换为一维向量，实现输入影像的逐像元分类。设置第一卷积层的特征图个数为m1，卷积核大小为k1×k1，卷积步长为s1；池化层设置采用最大降采样法处理图像数据，其降采样窗口大小为n×n，卷积步长为s2；设置第二卷积层的特征图个数为m2，卷积核大小为k2×k2，卷积步长为s3；m1、m2、k1、和k2的取值均是大于等于1的自然数，s1≥0、s2≥0、s3≥0。
所述获取单元61，还用于获取所述训练遥感影像的多特征融合数据的训练输出类别。
获取单元61在训练单元62对初始化卷积神经网络模型进行训练时，获取该初始化卷积神经网络模型对多特征融合数据的训练输出类别。进一步的，获取单元61可以通过前向传播算法逐层提取特征，并计算初始化卷积神经网络模型的训练输出类别。具体可以是通过前向传播算法对初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数进行随机初始化，然后计算在当前参数条件下对输入数据(即训练遥感影像的多特征融合数据)进行处理后，该初始化卷积神经网络模型得到的实际输出类别，即训练输出类别。
调整单元63，用于根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数。
所述标记类别是所述训练遥感影像的多特征融合数据真实的类别。获取单元61会将获取的训练遥感影像的多特征融合数据的训练输出类别发送给调整单元63，而后调整单元63会根据训练输出类别和标记类别之间的误差，来调整该初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数，以减小训练输出类别和和标记类别之间的误差。
所述获取单元61，还用于在对所述初始化卷积神经网络模型进行循环训练和参数调整后，获取训练完成的卷积神经网络模型。
在训练过程中获取单元61、训练单元62以及调整单元63会循环执行“输入训练数据-获取初始化卷积神经网络模型的训练输出类别-获取训练输出类别和标记类别的误差-根据该误差调整权重矩阵W和偏差向量b的参数”这些步骤，对初始化卷积神经网络模型进行循环训练及多次参数调整。当训练输出类别和和标记类别之间的误差达到最小化时，当前的参数即为卷积神经网络模型的最佳参数，当前的卷积神经网络模型即为训练完成的卷积神经网络模型。
可选的，所述初始化卷积神经网络模型包括隐藏层，所述隐藏层中依次包括输入层、第一卷积层、池化层、第二卷积层，以及在两层之间对数据进行处理传输的全连接层。
本实施例中，可以在初始化卷积神经网络模型中添加输出层，用于输出训练遥感影像的多特征融合数据的标记类别。其各层具体设置如下：设置第一卷积层的特征图个数为64，卷积核参数为4×4，卷积步长为1，激活函数f(·)选用修正线性单元(RectifiedLinear Unit,ReLU)函数ReLu＝max(0，x)；设置池化层采用最大降采样法，降采样窗口大小为4×4，卷积步长为1；设置第二卷积层的特征图个数为128，卷积核大小为3×3，卷积步长为1，激活函数f(·)选用修正线性单元函数ReLu＝max(0,x)；设置全连接层的激活函数Sigmoid为Sig(x)＝1/(1+e-x)。
可选的，所述获取单元61，还用于在所述初始化卷积神经网络模型包括输出层时，获取所述输出层输出的标记类别。
通过全连接层处理后保留的局部特征信息会作为输出层的输入信息，获取单元61会获取输出层输出的训练数据的标记类别，以供后续计算训练输出类别和所述标记类别的均方误差。
可选的，所述训练单元62，还用于将所述训练遥感影像的多特征融合数据作为训练数据，通过前向传播算法对初始化卷积神经网络模型进行逐层训练。
在将训练数据输入初始化卷积神经网络模型后，训练单元62每次更改参数都会通过前向传播算法提取每层的特征，并计算在当前参数下初始化卷积神经网络模型的训练输出类别。并且，在训练过程中，训练单元62还采用丢弃(Dropout)技术向初始化卷积神经网络模型的每个隐藏神经元输出中随机设置零值来减少神经元之间的共适应问题，进而在全连接层中减少大量的过拟合。利用Dropout算法并引入伯努利(Bernoulli)随机数u，计算卷积神经网络的输出值的公式如下：
其中p为丢弃率，可以根据需要设置，例如设置为50％，x为卷积神经网络中神经元的激活值，y为输出值，u～U(0,1)表示u取值区间在(0,1)之间。采用Dropout算法可以使隐藏层学习的特征不依赖于上一层的某一特征，提高该特征的鲁棒性。
可选的，参照图11所示，所述调整单元63包括：计算模块631和调整模块632。
计算模块631，用于通过反向传播算法计算所述训练输出类别和所述标记类别的均方误差。
计算模块631通过反向传播算法对初始化卷积神经网络模型中所有的神经网络参数进行高斯分布G(μ,σ)(μ＝0,σ＝0.01)的随机初始化，并计算训练输出类别和所述标记类别的均方误差。然后计算该均方误差对权重矩阵W的梯度、以及该均方误差对偏差向量b的梯度。
调整模块632，用于根据所述均方误差，通过梯度下降算法调整所述权重矩阵参数和所述偏差向量参数。
调整模块632采用随机梯度下降算法并根据计算的梯度来调整该初始化卷积神经网络模型的权重矩阵W的参数和偏差向量b的参数，以最小化训练输出类别和与据标记类别的之间的误差。权重的计算公式如下：
其中，w为神经元权重，n为样本数目，为梯度向量，L(w)为损失函数值，学习率η表示梯度在多大程度上影响最终的参数更新方向，其可以根据实际需要设置，例如设置为0.005；动量μ表示在多大程度上保留参数原来的更新方向，使随机梯度下降跳出局部最优，其也可以根据实际需要设置，取值范围在0-1之间，在开始训练时，梯度较大，动量初始值一般设置为0.5，当梯度变小时，可以更改设置为0.9。
可选的，参照图11所示，所述装置还包括：划分单元64、输入单元65和计算单元66。
划分单元64，用于将所述训练遥感影像的多特征融合数据划分为训练数据和测试数据。
为了对训练完成的卷积神经网络模型进行精度评价，划分单元64会将获取的训练遥感影像的多特征融合数据随机划分为训练数据和测试数据，分别作为训练时初始化卷积神经网络模型的输入数据和测试时训练完成的卷积神经网络模型的输入数据。
输入单元65，用于将所述测试数据输入所述训练完成的卷积神经网络模型。
所述获取单元61，还用于获取所述训练完成的卷积神经网络模型对所述测试数据的测试输出类别。
计算单元66，用于根据所述测试输出类别和测试数据的标记类别，计算所述训练完成的卷积神经网络模型的精度指标。
在需要确定训练完成的卷积神经网络模型的精度指标时，通过输入单元65将测试数据输入到该训练完成的卷积神经网络模型中，获取单元61会在该训练完成的卷积神经网络模型完成图像识别后，获取述其计算的测试数据的测试输出类别，并将该测试输出类别发送给计算单元66，时计算单元66能够基于测试输出类别和测试数据的标记类别形成混淆矩阵，并根据该混淆矩阵计算被正确分类为水体的对象(True Positive，TP)、非水体被错分为水体的对象(False Positive，FP)、所有被正确识别的非水体(True Negative，TN)、没有被提取出来的水体(False Negative，FN)等指标，然后仔依据下述公式计算准确度(Accuracy)、精确率(Precision)和召回率(Recall)等精度指标： 进而通过这些指标对训练完成的卷积神经网络模型的水体提取结果进行精度评价。
本发明实施例提供的卷积神经网络模型的训练装置，为了提高卷积神经网络模型针对水体的识别准确率，通过获取单元61获取到训练遥感影像的多特征融合数据，是训练单元62将其作为输入数据对初始化卷积神经网络模型进行循环训练，然后调整单元63再将该初始化卷积神经网络模型每次的训练输出类别和预先设置的标记类别进行比较，根据其误差来循环调整该初始化卷积神经网络模型的参数，以在训练完成后得到最优化的卷积神经网络模型。并且为了对训练完成的卷积神经网络模型进行精度评价，划分单元64会将训练遥感影像的多特征融合数据划分为训练数据和测试数据，分别作为训练时初始化卷积神经网络模型的输入数据和测试时训练完成的卷积神经网络模型的输入数据。并且在训练初始化卷积神经网络模型时，训练单元62会通过前向传播算法以及Dropout技术提取特征，以进一步对遥感影像特征的识别度和鲁棒性。调整单元63会通过反向传播算法计算和梯度下降算法来调整权重矩阵参数和偏差向量参数，以优化初始化卷积神经网络模型。而且计算单元66还能够根据测试数据的测试输出类别，计算训练完成的卷积神经网络模型的准确度、精确率、召回率等精度指标，为用户提供精度评价。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的图像的识别方法、卷积神经网络模型的训练方法及装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (20)

1.一种图像的识别方法，其特征在于，所述方法包括：
将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据，所述待测遥感影像的多特征融合数据包括所述待测遥感影像中水体的形态学特征和光谱特征；
将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像，所述训练完成的卷积神经网络模型为初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后得到的卷积神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据，包括：
获取所述待测遥感影像的多尺度形态学特征，所述多尺度形态学特征为按照预设比例设置结构元素的尺度的一系列形态学特征；
获取所述待测遥感影像的光谱特征；
将所述多尺度形态学特征和所述光谱特征进行特征融合，获取所述待测遥感影像的多特征融合数据。
3.根据权利要求2所述的方法，其特征在于，所述将所述多尺度形态学特征和所述光谱特征进行特征融合，包括：
将所述多尺度形态学特征和所述光谱特征进行向量叠加。
4.根据权利要求2或3所述的方法，其特征在于，所述获取所述待测遥感影像的多尺度形态学特征，包括：
将所述待测遥感影像进行主成分变换，提取第一主分量作为形态学基础影像，所述第一主分量是所述待测遥感影像经过主成分变换后包含信息量最大的分量；
按照所述待测遥感影像中水体的尺度和所述待测遥感影像的分辨率设置所述结构元素的尺度范围，并按照所述预设比例和所述尺度范围设置所述结构元素的不同尺度；
根据不同尺度的结构元素对所述形态学基础影像进行形态学重构运算，获取所述多尺度形态学特征。
5.一种卷积神经网络模型的训练方法，其特征在于，所述方法包括：
获取训练遥感影像的多特征融合数据，所述训练遥感影像的多特征融合数据包括所述训练遥感影像中水体的形态学特征和光谱特征；
将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练，获取所述训练遥感影像的多特征融合数据的训练输出类别；
根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数，所述标记类别是所述训练遥感影像的多特征融合数据真实的类别；
对所述初始化卷积神经网络模型进行循环训练和参数调整，获取训练完成的卷积神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述初始化卷积神经网络模型包括隐藏层，所述隐藏层中依次包括输入层、第一卷积层、池化层、第二卷积层，以及在两层之间对数据进行处理传输的全连接层。
7.根据权利要求6所述的方法，其特征在于，所述初始化卷积神经网络模型包括输出层；
所述根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数之前，所述方法还包括：
获取所述输出层输出的标记类别。
8.根据权利要求6或7所述的方法，其特征在于，所述将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练，包括：
将所述训练遥感影像的多特征融合数据作为训练数据，通过前向传播算法对初始化卷积神经网络模型进行逐层训练。
9.根据权利要求8所述的方法，其特征在于，所述根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数，包括：
通过反向传播算法计算所述训练输出类别和所述标记类别的均方误差；
根据所述均方误差，通过梯度下降算法调整所述权重矩阵参数和所述偏差向量参数。
10.根据权利要求5所述的方法，其特征在于，在所述获取训练遥感影像的多特征融合数据之后，所述方法还包括：
将所述训练遥感影像的多特征融合数据划分为训练数据和测试数据；
在所述获取训练完成的卷积神经网络模型之后，所述方法还包括：
将所述测试数据输入所述训练完成的卷积神经网络模型；
获取所述训练完成的卷积神经网络模型对所述测试数据的测试输出类别；
根据所述测试输出类别和测试数据的标记类别，计算所述训练完成的卷积神经网络模型的精度指标。
11.一种图像识别装置，其特征在于，所述装置包括：
获取单元，用于将待测遥感影像进行预处理，获取所述待测遥感影像的多特征融合数据，所述待测遥感影像的多特征融合数据包括所述待测遥感影像中水体的形态学特征和光谱特征；
识别单元，用于将所述待测遥感影像的多特征融合数据输入训练完成的卷积神经网络模型中进行识别，以便获取水体图像，所述训练完成的卷积神经网络模型为初始化卷积神经网络模型通过水体的多特征融合数据进行循环训练和参数调整后得到的卷积神经网络模型。
12.根据权利要求11所述的装置，其特征在于，所述获取单元包括：
获取模块，用于获取所述待测遥感影像的多尺度形态学特征，所述多尺度形态学特征为按照预设比例设置结构元素的尺度的一系列形态学特征；还用于获取所述待测遥感影像的光谱特征；
融合模块，用于将所述多尺度形态学特征和所述光谱特征进行特征融合；
所述获取模块，还用于获取所述待测遥感影像的多特征融合数据。
13.根据权利要求12所述的装置，其特征在于，所述融合模块包括：
叠加子模块，用于将所述多尺度形态学特征和所述光谱特征进行向量叠加。
14.根据权利要求12或13所述的装置，其特征在于，所述获取模块包括：
提取子模块，用于将所述待测遥感影像进行主成分变换，提取第一主分量作为形态学基础影像，所述第一主分量是所述待测遥感影像经过主成分变换后包含信息量最大的分量；
设置子模块，用于按照所述待测遥感影像中水体的尺度和所述待测遥感影像的分辨率设置所述结构元素的尺度范围，并按照所述预设比例和所述尺度范围设置所述结构元素的不同尺度；
运算子模块，用于根据不同尺度的结构元素对所述形态学基础影像进行形态学重构运算；
获取子模块，用于获取所述多尺度形态学特征。
15.一种卷积神经网络模型的训练装置，其特征在于，所述装置包括：
获取单元，用于获取训练遥感影像的多特征融合数据，所述训练遥感影像的多特征融合数据包括所述训练遥感影像中水体的形态学特征和光谱特征；
训练单元，用于将所述训练遥感影像的多特征融合数据作为训练数据对初始化卷积神经网络模型进行训练；
所述获取单元，还用于获取所述训练遥感影像的多特征融合数据的训练输出类别；
调整单元，用于根据所述训练输出类别和标记类别的误差，调整所述初始化卷积神经网络模型的参数，所述标记类别是所述训练遥感影像的多特征融合数据真实的类别；
所述获取单元，还用于在对所述初始化卷积神经网络模型进行循环训练和参数调整后，获取训练完成的卷积神经网络模型。
16.根据权利要求15所述的装置，其特征在于，所述初始化卷积神经网络模型包括隐藏层，所述隐藏层中依次包括输入层、第一卷积层、池化层、第二卷积层，以及在两层之间对数据进行处理传输的全连接层。
17.根据权利要求16所述的装置，其特征在于，所述获取单元，还用于在所述初始化卷积神经网络模型包括输出层时，获取所述输出层输出的标记类别。
18.根据权利要求16或17所述的装置，其特征在于，所述训练单元，还用于将所述训练遥感影像的多特征融合数据作为训练数据，通过前向传播算法对初始化卷积神经网络模型进行逐层训练。
19.根据权利要求18所述的装置，其特征在于，所述调整单元包括：
计算模块，用于通过反向传播算法计算所述训练输出类别和所述标记类别的均方误差；
调整模块，用于根据所述均方误差，通过梯度下降算法调整所述权重矩阵参数和所述偏差向量参数。
20.根据权利要求15所述的装置，其特征在于，所述装置还包括：
划分单元，用于将所述训练遥感影像的多特征融合数据划分为训练数据和测试数据；
输入单元，用于将所述测试数据输入所述训练完成的卷积神经网络模型；
所述获取单元，还用于获取所述训练完成的卷积神经网络模型对所述测试数据的测试输出类别；
计算单元，用于根据所述测试输出类别和测试数据的标记类别，计算所述训练完成的卷积神经网络模型的精度指标。
CN201810404281.5A 2018-04-28 2018-04-28 图像的识别方法、卷积神经网络模型的训练方法及装置 Pending CN109325395A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810404281.5A CN109325395A (zh) 2018-04-28 2018-04-28 图像的识别方法、卷积神经网络模型的训练方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810404281.5A CN109325395A (zh) 2018-04-28 2018-04-28 图像的识别方法、卷积神经网络模型的训练方法及装置

Publications (1)

Publication Number Publication Date
CN109325395A true CN109325395A (zh) 2019-02-12

Family

ID=65263175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810404281.5A Pending CN109325395A (zh) 2018-04-28 2018-04-28 图像的识别方法、卷积神经网络模型的训练方法及装置

Country Status (1)

Country Link
CN (1) CN109325395A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032928A (zh) * 2019-02-27 2019-07-19 成都数之联科技有限公司 一种适用于颜色敏感的卫星遥感影像水体识别方法
CN110147778A (zh) * 2019-05-27 2019-08-20 江西理工大学 稀土矿开采识别方法、装置、设备及存储介质
CN110287962A (zh) * 2019-05-20 2019-09-27 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置及介质
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110309809A (zh) * 2019-07-09 2019-10-08 广西壮族自治区基础地理信息中心 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法
CN110418478A (zh) * 2019-07-26 2019-11-05 广东工业大学 基于cnn的节能灯控方法及装置
CN110443259A (zh) * 2019-07-29 2019-11-12 中科光启空间信息技术有限公司 一种从中等分辨率遥感影像中提取甘蔗的方法
CN110688909A (zh) * 2019-09-05 2020-01-14 南京有春科技有限公司 城市黑臭水体的识别方法、装置、设备以及存储介质
CN110826394A (zh) * 2019-07-16 2020-02-21 北京大学 基于卷积神经网络算法的水库识别方法和装置
CN110866494A (zh) * 2019-11-14 2020-03-06 三亚中科遥感研究所 一种基于光学遥感影像的城镇群提取方法及***
CN110889418A (zh) * 2019-11-04 2020-03-17 数量级(上海)信息技术有限公司 一种气体轮廓识别方法
CN111191735A (zh) * 2020-01-04 2020-05-22 西安电子科技大学 基于数据差异和多尺度特征的卷积神经网络影像分类方法
CN111222646A (zh) * 2019-12-11 2020-06-02 深圳逻辑汇科技有限公司 联邦学习机制的设计方法、装置和存储介质
CN111242276A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种用于负荷电流信号识别的一维卷积神经网络构建方法
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及***
CN113177456A (zh) * 2021-04-23 2021-07-27 西安电子科技大学 基于单阶段全卷积网络和多特征融合的遥感目标检测方法
CN114842317A (zh) * 2022-02-28 2022-08-02 北京百度网讯科技有限公司 模型训练方法、装置、设备以及存储介质
CN114943900A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于深度学习的海洋环境质量等级评价方法、装置及介质
US11631030B2 (en) 2020-02-11 2023-04-18 International Business Machines Corporation Learning with moment estimation using different time constants
CN116665113A (zh) * 2023-07-28 2023-08-29 广东海洋大学 基于不确定性量化的遥感场景识别方法、***及介质
CN116758401A (zh) * 2023-08-16 2023-09-15 阳光学院 基于深度学习和遥感图像的城市内河水质评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632160A (zh) * 2012-08-24 2014-03-12 孙琤 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法
US20140205154A1 (en) * 2013-01-22 2014-07-24 Vale S.A. System for mapping and identification of plants using digital image processing and route generation
CN107239775A (zh) * 2017-07-28 2017-10-10 湖南大学 地物分类方法及装置
CN107330405A (zh) * 2017-06-30 2017-11-07 上海海事大学 基于卷积神经网络的遥感图像飞机目标识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632160A (zh) * 2012-08-24 2014-03-12 孙琤 一种融合多尺度形态学特征的组合核函数rvm高光谱分类方法
US20140205154A1 (en) * 2013-01-22 2014-07-24 Vale S.A. System for mapping and identification of plants using digital image processing and route generation
CN107330405A (zh) * 2017-06-30 2017-11-07 上海海事大学 基于卷积神经网络的遥感图像飞机目标识别方法
CN107239775A (zh) * 2017-07-28 2017-10-10 湖南大学 地物分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴迪: "《基于显著性差值局部定向模式和深度卷积网络的鲁棒人脸识别》", 31 March 2018, 天津科学技术出版社 *
王知音: "基于机器学习的遥感图像水体提取研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032928B (zh) * 2019-02-27 2021-09-24 成都数之联科技有限公司 一种适用于颜色敏感的卫星遥感影像水体识别方法
CN110032928A (zh) * 2019-02-27 2019-07-19 成都数之联科技有限公司 一种适用于颜色敏感的卫星遥感影像水体识别方法
CN110287962B (zh) * 2019-05-20 2023-10-27 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置及介质
CN110287962A (zh) * 2019-05-20 2019-09-27 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置及介质
WO2020232905A1 (zh) * 2019-05-20 2020-11-26 平安科技（深圳）有限公司 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质
CN110147778A (zh) * 2019-05-27 2019-08-20 江西理工大学 稀土矿开采识别方法、装置、设备及存储介质
CN110147778B (zh) * 2019-05-27 2022-09-30 江西理工大学 稀土矿开采识别方法、装置、设备及存储介质
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110298396B (zh) * 2019-06-25 2022-02-08 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法
CN110309809A (zh) * 2019-07-09 2019-10-08 广西壮族自治区基础地理信息中心 基于深度神经网络的高分辨率遥感卫星影像甘蔗提取方法
CN110826394A (zh) * 2019-07-16 2020-02-21 北京大学 基于卷积神经网络算法的水库识别方法和装置
CN110418478A (zh) * 2019-07-26 2019-11-05 广东工业大学 基于cnn的节能灯控方法及装置
CN110443259B (zh) * 2019-07-29 2023-04-07 中科光启空间信息技术有限公司 一种从中等分辨率遥感影像中提取甘蔗的方法
CN110443259A (zh) * 2019-07-29 2019-11-12 中科光启空间信息技术有限公司 一种从中等分辨率遥感影像中提取甘蔗的方法
CN110688909A (zh) * 2019-09-05 2020-01-14 南京有春科技有限公司 城市黑臭水体的识别方法、装置、设备以及存储介质
CN110889418A (zh) * 2019-11-04 2020-03-17 数量级(上海)信息技术有限公司 一种气体轮廓识别方法
CN110866494A (zh) * 2019-11-14 2020-03-06 三亚中科遥感研究所 一种基于光学遥感影像的城镇群提取方法及***
CN110866494B (zh) * 2019-11-14 2022-09-06 三亚中科遥感研究所 一种基于光学遥感影像的城镇群提取方法及***
CN111222646A (zh) * 2019-12-11 2020-06-02 深圳逻辑汇科技有限公司 联邦学习机制的设计方法、装置和存储介质
CN111242276B (zh) * 2019-12-27 2023-08-25 国网山西省电力公司大同供电公司 一种用于负荷电流信号识别的一维卷积神经网络构建方法
CN111242276A (zh) * 2019-12-27 2020-06-05 国网山西省电力公司大同供电公司 一种用于负荷电流信号识别的一维卷积神经网络构建方法
CN111191735A (zh) * 2020-01-04 2020-05-22 西安电子科技大学 基于数据差异和多尺度特征的卷积神经网络影像分类方法
CN111191735B (zh) * 2020-01-04 2023-03-24 西安电子科技大学 基于数据差异和多尺度特征的卷积神经网络影像分类方法
US11631030B2 (en) 2020-02-11 2023-04-18 International Business Machines Corporation Learning with moment estimation using different time constants
US12020129B2 (en) 2020-02-11 2024-06-25 International Business Machines Corporation Learning with moment estimation using different time constants
CN111767801B (zh) * 2020-06-03 2023-06-16 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及***
CN111767801A (zh) * 2020-06-03 2020-10-13 中国地质大学（武汉） 一种基于深度学习的遥感影像水域自动提取方法及***
CN113177456B (zh) * 2021-04-23 2023-04-07 西安电子科技大学 基于单阶段全卷积网络和多特征融合的遥感目标检测方法
CN113177456A (zh) * 2021-04-23 2021-07-27 西安电子科技大学 基于单阶段全卷积网络和多特征融合的遥感目标检测方法
CN114842317A (zh) * 2022-02-28 2022-08-02 北京百度网讯科技有限公司 模型训练方法、装置、设备以及存储介质
CN114943900A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于深度学习的海洋环境质量等级评价方法、装置及介质
CN114943900B (zh) * 2022-05-13 2024-06-28 南方海洋科学与工程广东省实验室(广州) 基于深度学习的海洋环境质量等级评价方法、装置及介质
CN116665113B (zh) * 2023-07-28 2023-10-27 广东海洋大学 基于不确定性量化的遥感场景识别方法、***及介质
CN116665113A (zh) * 2023-07-28 2023-08-29 广东海洋大学 基于不确定性量化的遥感场景识别方法、***及介质
CN116758401A (zh) * 2023-08-16 2023-09-15 阳光学院 基于深度学习和遥感图像的城市内河水质评估方法
CN116758401B (zh) * 2023-08-16 2023-10-27 阳光学院 基于深度学习和遥感图像的城市内河水质评估方法

Similar Documents

Publication Publication Date Title
CN109325395A (zh) 图像的识别方法、卷积神经网络模型的训练方法及装置
Pochet et al. Seismic fault detection using convolutional neural networks trained on synthetic poststacked amplitude maps
Hosseinpour et al. CMGFNet: A deep cross-modal gated fusion network for building extraction from very high-resolution remote sensing images
CN108830188A (zh) 基于深度学习的车辆检测方法
CN110263705A (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN108090447A (zh) 双分支深层结构下的高光谱图像分类方法及装置
Huang et al. Development and validation of a deep learning algorithm for the recognition of plant disease
CN106127204A (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
CN108764063A (zh) 一种基于特征金字塔的遥感影像时敏目标识别***及方法
CN104657717B (zh) 一种基于分层核稀疏表示的行人检测方法
CN109145992A (zh) 协作生成对抗网络和空谱联合的高光谱图像分类方法
CN107644415A (zh) 一种文本图像质量评估方法及设备
CN108052881A (zh) 一种实时检测施工现场图像中多类实体对象的方法及设备
CN107016405A (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
Hong et al. Globenet: Convolutional neural networks for typhoon eye tracking from remote sensing imagery
CN106295601A (zh) 一种改进的安全带检测方法
CN104103033B (zh) 图像实时处理方法
CN109271895A (zh) 基于多尺度特征学习和特征分割的行人重识别方法
CN107092883A (zh) 物体识别追踪方法
CN108776777A (zh) 一种基于Faster RCNN的遥感影像对象间空间关系的识别方法
CN108447057A (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
CN109409327A (zh) 基于端到端深度神经网络的rru模块物件位姿检测方法
Liu et al. Coastline extraction method based on convolutional neural networks—A case study of Jiaozhou Bay in Qingdao, China
CN108830130A (zh) 一种偏振高光谱低空侦察图像典型目标检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190212