CN110263705B - 面向遥感技术领域两期高分辨率遥感影像变化检测*** - Google Patents
面向遥感技术领域两期高分辨率遥感影像变化检测*** Download PDFInfo
- Publication number
- CN110263705B CN110263705B CN201910529049.9A CN201910529049A CN110263705B CN 110263705 B CN110263705 B CN 110263705B CN 201910529049 A CN201910529049 A CN 201910529049A CN 110263705 B CN110263705 B CN 110263705B
- Authority
- CN
- China
- Prior art keywords
- feature
- network
- remote sensing
- images
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种面向遥感技术领域两期高分辨率遥感影像变化检测方法,通过基础特征提取网络将一对待测遥感影像输入双路神经网络并分别提取出特征图,然后通过双路神经网络中的特征金字塔结构以通道数拼接的方式融合得到包含两层特征图的语义信息的特征融合图,对拼接后得到特征差异图进行影像分割后将分割结果融合得到分割轮廓结果。本发明将图像块(Patch)级相似度检测与像素(Pixel)级的多尺度分割相结合,构建双路神经网络(PPCNET,Patch‑level and Pixel‑level Combined Network),融合块级与像素级的变化检测方式,提高了变化检测的精度以及检测速度,同时避免了噪声影响,适合高分辨率遥感影像的变化检测。
Description
技术领域
本发明涉及的是一种图像处理领域的技术,具体是一种基于双路神经网络的Patch(图像块)级与Pixel(像素)级融合策略下的高分辨率遥感影像变化检测方法。
背景技术
高分辨率遥感影像中存在大量关于目标尺度、光照不一致、目标遮挡以及低阶与高阶相关性问题,使得高分辨率遥感影像的变化检测一直都是一个挑战性的问题,特别是如何精确地提取出变化区域的轮廓是高分辨率遥感影像变化检测中的一个研究热点和难点。
遥感影像变化检测中常用的方法包括PCA(主成分分析法)、CVA(变化向量分析法)、基于双路神经网络、特征融合与阈值分割的SCCN检测方法等等。
然而,目前的变化检测方法大多考虑获取两幅影响的差异性,即采用获取两期影像之间的差异图或采用双路网络与特征级融合获取特征之间的特征差异图,后者对遥感影像变化检测的性能影响具有重要的提升作用,但经过卷积神经网络多次卷积池化后得到的最终特征图一般只具有较强的语义信息,不具备检测多尺度目标的能力,无法找到变化区域的准确轮廓。
发明内容
本发明针对现有技术存在的上述不足,提出一种面向遥感技术领域两期高分辨率遥感影像变化检测方法,将图像块(Patch)级变与不变检测与像素(Pixel)级变与不变检测相结合,构建双路神经网络(PPCNET,Patch-level and Pixel-level Combined Network),融合块级与像素级的变化检测方式,提高了变化检测的精度以及检测速度,同时避免了噪声影响,适合高分辨率遥感影像的变化检测。
本发明是通过以下技术方案实现的:
本发明通过基础特征提取网络将一对待测遥感影像输入双路神经网络并分别提取出特征图,然后通过双路神经网络中的特征金字塔融合模块以通道数拼接的方式融合得到包含两层特征图语义信息的特征融合图,对拼接后得到的特征差异图进行像素级分类后将多尺度变化检测结果融合得到具体轮廓结果。
技术效果
与现有技术相比,本发明能够较好地实现高分辨率遥感影像特定区域是否发生变化的精确描述,在最后的像素级分类与块级分类的学习预测阶段,能够获得两期影像变化区域的准确轮廓。本发明采用特征金字塔模块进行特征提取,着重解决了影像中单层特征信息不足问题。双路网络特征融合操作有助于获取两期影像特征图之间的特征差异图。层级特征图的融合有助于提升多尺度目标的轮廓提取准确度。通过双路神经网络与Patch-Pixel融合策略可显著提高遥感影像的变化检测准确率。
附图说明
图1为本发明原理示意图;
图2为融合特征生成与块级分类流程图;
图3为像素级分类流程图;
图4为两期影像网络结构示意图;
图5为特征金字塔融合模块示意图;
图6为变化区域检测算法示意图;
图7为实施例中两期影像航拍数据集示意图;
图中:1(a)为无人机于2014年5月拍摄的江苏地区遥感图像,1(b)为无人机于2015年9月拍摄的江苏地区遥感图像,1(c)为标注的上述两期遥感图像的变化区域标签图,2(a)为无人机拍摄的上海市地区的第一期遥感图像,2(b)为无人机拍摄的上海市地区的第二期遥感图像,2(c)为标注的上述两期遥感图像的变化区域标签图;
图8为实施例中两期影像高分二号遥感数据集示例图;
图中:(a)为高分2号卫星于2016年4月拍摄的黑龙江地区遥感图像,(b)为高分2号卫星于2017年10月拍摄的黑龙江地区遥感图像,(c)为标注的两期遥感图像的变化区域标签图;
图9为实施例中多种变化检测算法在数据集2上的检测效果图;
图中:(a)为CVA;(b)为SCCN;(c)为Match-Net;(d)为MFCN;(e)为MSG;(f)为MUnet;(g)为PPCNET-2;(h)为PPCNET-3;(i)为PPCNET-4(图中白色与黑色分别代表试验结果中的变化区域和不变区域)。
具体实施方式
如图4所示,本实施例涉及一种面向遥感技术领域两期高分辨率遥感影像变化检测***,通过结合块级相似性预测与像素级融合于一体,其输入端允许送入的影像大小为32*32,该双路神经网络特征提取模块的主体网络由一系列卷积层、最大池化层、上采样层、特征金字塔融合模块等组成,包括:①基于双路共享权值的VGG16特征提取体系,并在各层之间设有多个特征金字塔融合模块作为像素级分类的编码网络以及②两个分支网络:其中块级变化检测分支网络包含一个Concat层并用于判断输入遥感影像对是否发生变化,像素级变化检测分支网络包含三个Concat层并根据遥感影像对在变化的情况下进行超像素分类。
如图5所示,为双路神经网络中采用的特征金字塔融合模块(FPN),该结构可以确保基础特征提取网络层中融合层的每一层都具有较大的感受视野和较强的语义信息,使得该网络在不增加原始模型计算量的情况下有助于避免训练过拟合情况并提高变化检测精度。
所述的VGG16特征提取体系,在4层VGG中使用特征金字塔融合模块操作,获取了多种采用尺度变化与信息融合操作的特征图,并对双路网络中对应的每对采用特征金字塔融合模块操作后的特征图均进行通道数上的拼接。
在图4所示的融合操作中,四个Concat层分别对应不同层的双路网络特征融合操作,其中:第四Concat层操作得到的特征图用于判断块级的变化情况;第一至第三Concat层分别通过上采样与融合操作来获取最终原图大小的像素级变化检测效果。
所述的两个分支网络中,块级变化检测分支网络由一对输入32*32大小的影像缩放至原来的1/16,该分支网络对4次下采样后的特征图进行融合。该分支网络由一个用于特征融合的Concat层、一系列卷积层和三个全连接层等组成。合并的特征图经过全连接层变成特征向量。由于在变化检测中只关注图像块是否发生变化,不需要关注图像块内部的局部信息,这里的全连接层主要将特征图中的局部信息去除,使特征主要表达图像块的全局信息,从而判断图像块的变化情况。
优选地,该分支结构在训练时需要将得到的一维特征向量经过softmax操作转换成概率。在测试时以输出中最大值的位置所对应的变化类别作为最终的检测结果。
所述的VGG16特征提取体系输出的最后一层特征图维度为2*2*64,即64个通道特征图,每个特征图大小为2*2,优选将特征图拉伸成一维向量,然后进行全连接操作得到二维的向量。
针对于像素级别的变化区域提取网络结构,基于主体网络提取出的层次特征,利用特征金字塔融合模块建立双路神经网络每个分支的多个特征金字塔,获取多种不同大小的特征图,且这些这些特征图具有更加丰富的信息,再通过Concat层获取不同大小的特征差异图,并通过解码网络中上采样层逐步恢复待分割目标细节和相应的空间维度信息,为了获取精细的变化区域轮廓信息,该网络结构采取跳跃层(Skip Layer)对不同大小的特征差异图均进行全卷积预测输出,将低层特征差异预测结果与高层特征差异预测二值图进行融合,使得输出的原图大小的预测图获取更加准确的位置信息。
如图5所示,所述的特征金字塔融合模块包括四个依次连接的预测(predict)层,由于待检测遥感影像对中变化区域尺寸大小不一,而不同的变化区具有不同的特征,利用浅层的特征有助于生成变化区精细的边界,利用高层特征有助于而判断是否发生变化。图6中特征金字塔第一预测层输出较为粗糙的实例分割结果,在第二预测层输出次粗糙的实例分割结果,最后在第四预测层输出精细的实例分割结果。
如图4所示,本实施例基于上述网络结构,具体包括以下步骤:
预处理:本实施例中优选对图像先进行标准化预处理:采用辐射校正、两期影像匹配并对输入影像进行Z-score标准归一化处理。这种方法基于原始数据的均值和标准差进行数据标准化:X*=(X-μ)/σ,其中:μ为遥感影像像素计算平均值(数学期望),σ为标准差,X*为标准化后的变量值,X为实际变量值。标准化后的遥感影像像素值围绕0上下波动,大于0说明高于平均高水平,小于0说明低于平均水平。
第一步,特征提取:采用双路网络分别提取两期影像特征,利用VGG16(VisualGeometry Group)的四层卷积池化层网络结构来搭建双路共享权值的基础特征提取网络。
通过卷积操作来不断增加特征图的通道数,并通过非线性激活函数来增加网络的语义表达能力;其次,池化操作降低了特征图的大小,减少了卷积操作所需的参数量。
第二步,通过特征金字塔融合模块对获取到的卷积池化后的特征图进行上采样后与卷积池化前的特征图进行多层特征融合以获取更加丰富的影像信息,具体为:对于每一次卷积操作后得到的特征图,采用上采样的方式还原到卷积池化前的特征图的形状,并通过通道数的拼接来融合上下两层的特征图。
第三步,双路特征融合:在对不同层次的特征进行尺度变化并进行信息融合的基础上,对双路网络的两个分支的同级特征图进行融合,即对第二步所得到的单支网络的多层特征融合图进行两个分支的拼接,通过融合两幅影像不同层的特征图则可以获取两幅影像的不同尺寸的特征差异图,从而得到多种尺寸的特征差异图,从而获取到更加丰富的目标信息。
第四步,对双路神经网提取出的高层语义信息,进行两期遥感影像对的块级分类,得到两期遥感影像是否发生变化的判断结果。
第五步,变化区域轮廓提取:对第三步获取的综合特征图进行变化区域轮廓提取,即将多种尺寸的特征差异图通过上采样与融合操作还原到原图尺寸的差异图,做到变化检测目标轮廓的像素级分类,具体为:如图1~图3所示,将第四Concat层送入全连接层进行块级的分类,判定两期遥感影像是否发生变化后,将获取的第一至第三Concat层分别送入全卷积网络,将全卷积网络得到的对应的三层预测输出图再进行尺度变化、信息融合以及上采样操作,得到最终的变化区域轮廓。
如表1所示,为双路网络的主体网络的卷积池化层的各项参数设置。整体网络结构的权重进行了全局池化,实现了均值为0,标准差为0.4的均匀分布,这些权重后续的更新则是通过Adam优化器与反向传播算法实现。初始学习率设置为0.005,每迭代80次衰减10%。
本实验涉及的神经网络模型均在深度学习的tensorflow框架与NvidiaGTX1050ti GPU的硬件配置下进行训练与测试,其中块级与像素级分类网络的损失函数则采用交叉熵损失函数,其中:
整体网络结构的损失函数LossMFN=max(1,LossMFN_patch)+LossMFN_pixels,其中:N为训练的批次大小,y_patchi与ai为Patch的标签与Patch级分类网络的实际输出值,k与m为输入网络的图像的长度与宽度,y_pixelsj为每个像素的标签,p_pixelsj为每个像素的经过神经网络输出的实际值。
表1.主体网络参数统计
网络层名 | 输出特征图大小 | 卷积核大小 |
Conv0 | 32*32*64 | 3*3 |
Pool0 | 16*16*64 | 3*3 |
Conv1 | 16*16*128 | 3*3 |
Pool1 | 8*8*128 | 3*3 |
Conv2 | 8*8*512 | 3*3 |
Pool2 | 4*4*512 | 3*3 |
Con3 | 4*4*64 | 3*3 |
Pool3 | 2*2*64 | 3*3 |
如图7所示,为本实施例采用两套数据集:第一套数据集来源于2015年中国江苏省徐州市与2018年上海市的航拍影像,图中影像1(a)、1(b)分别为拍摄于2014年5月与2015年9月,分辨率0.5米的徐州市,影像2(a)、2(b)分别为拍摄于2017年8月与2018年9月,分辨率0.5米的上海市。该数据集土地覆盖类型主要有建筑物、绿地、道路与农业大棚,其主要变化为:绿地变为农业大棚、绿地变为建筑,图1(c)、2(c)分别为变化区域真值图;第二套数据集来源于2017年中国黑龙江省哈尔滨市的高分二号卫星影像,如图8所示,影像(a)、(b)分别为拍摄于2016年4月与2017年10月,分辨率0.8米。该数据集土地覆盖类型主要有建筑物、河流、裸地与农业大棚,其主要变化为:裸地变为农业大棚、裸地变为建筑,影像(c)分别为变化区域真值图。
本实施例结果以Accuracy(Acc)、查准率Precision、查全率Recall和F1-measure(F1)指标进行评价,F1-measure是查准率和查全率的加权调和平均,反映了模型的综合性能。其中: TP代表正样本数量,TN代表负样本数量,FP代表误检数量,FN代表漏检数量。TP+FP+TN+FN是所有样本总数。
如表2与表3所示,本方法在两个数据集上均获取较高的分类精度。与现有两期变化检测算法,包括DI(影像差值法),PCA(主成分分析法),CVA(变化向量分析法),SCCN(Siamese网络法)等进行比较,双路神经网络在各评价指标上均获取优异的成果。该网络结构简单,预训练参数为Match-FCN网络的训练参数690万的1/3,并且在功能实现不仅可以单独实现两期影像相似度判断,也可以快速提取变化区,更具实用价值。与其它主流方法相比,本方法表现出了不同程度的分类精度优势。
表2.数据集1变化检测结果
表3.数据集2变化检测结果
本方法可以获得理想的分类效果。
如图9所示,为多种变化检测算法在数据集2上的检测效果图(a)CVA.(b)SCCN.(c)Match-Net.(d)MFCN.(e)MSG.(f)MUnet.(g)PPCNET-2.(h)PPCNET-3.and(i)PPCNET-4(图中白色与黑色分别代表试验结果中的变化区域和不变区域)。
综上所述,与传统方法相比,本发明可获得更好的变化区域分割精度。与主流的变化检测算法相比,本发明的端到端变化检测方法具有训练参数少,推理速度快等优势,并且在变化区域轮廓提取精度上,与如CVA(变化向量检测法),PCA(主成分分析法),SCCN(Siamese神经网络)等主流的变化检测方法具有可比性。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (1)
1.一种面向遥感技术领域两期高分辨率遥感影像变化检测***,其特征在于,包括:①基于双路共享权值的VGG16特征提取体系,并在各层之间设有多个特征金字塔融合模块作为像素级分类的编码网络以及②两个分支网络:其中块级变化检测分支网络包含一个Concat层并用于判断输入遥感影像对是否发生变化,像素级变化检测分支网络包含三个Concat层并根据遥感影像对在变化的情况下进行超像素分类;四个Concat层分别对应不同层的双路网络特征融合操作,其中:第四Concat层操作得到的特征图用于判断块级的变化情况;第一至第三Concat层分别通过上采样与融合操作来获取最终原图大小的像素级变化检测效果;
所述的块级变化检测分支网络由一个用于特征融合的Concat层、一系列卷积层、三个全连接层、池化层和分类器组成,其合并的特征图经过全连接层变成特征向量;先将所述的VGG16特征提取体系输出的最后一层特征图拉伸成一维向量,再进行全连接操作得到二维的向量;
所述的块级变化检测分支网络在训练时需要将得到的一维特征向量经过softmax操作转换成概率;在测试时以输出中最大值的位置所对应的变化类别作为最终的检测结果;
所述的特征金字塔融合模块包括四个依次连接的预测层;
所述的影像变化检测是指:通过基础特征提取网络将一对待测遥感影像输入双路神经网络并分别提取出特征图,然后通过双路神经网络中的特征金字塔融合模块以通道数拼接的方式融合得到包含两层特征图的语义信息的特征融合图,对拼接后得到特征差异图进行影像分割后将分割结果融合得到分割轮廓结果,具体包括:
第一步,特征提取:采用双路网络分别提取两期影像特征,利用VGG16的四层卷积池化层网络结构来搭建双路共享权值的基础特征提取网络;
第二步,通过特征金字塔融合模块对获取到的卷积池化后的特征图进行上采样后与卷积池化前的特征图进行多层特征融合以获取更加丰富的影像信息,具体为:对于每一次卷积操作后得到的特征图,采用上采样的方式还原到卷积池化前的特征图的形状,并通过通道数的拼接来融合上下两层的特征图;
第三步,双路特征融合:在对不同层次的特征进行尺度变化并进行信息融合的基础上,对双路网络的两个分支的同级特征图进行融合,对第二步所得到的单支网络的多层特征融合图进行两个分支的拼接,通过融合两幅影像不同层的特征图则可以获取两幅影像的不同尺寸的特征差异图,从而得到多种尺寸的特征差异图,从而获取到更加丰富的目标信息;
第四步,对双路神经网提取出的高层语义信息,进行两期遥感影像对的块级分类,得到两期遥感影像是否发生变化的判断结果;
第五步,变化区域轮廓提取:对第三步获取的综合特征图进行变化区域轮廓提取,将多种尺寸的特征差异图通过上采样与融合操作还原到原图尺寸的差异图,做到变化检测目标轮廓的像素级分类,具体为:将第四Concat层送入全连接层进行块级的分类,判定两期遥感影像是否发生变化后,将获取的第一至第三Concat层分别送入全卷积网络,将全卷积网络得到的对应的三层预测输出图再进行尺度变化、信息融合以及上采样操作,得到最终的变化区域轮廓;
所述的全卷积网络的的损失函数则采用交叉熵损失函数,其中:
整体网络结构的损失函数LossMFN=max(1,LossMFN_patch)+LossMFN_pixels,其中:N为训练的批次大小,y_patchi与ai为Patch的标签与Patch级分类网络的实际输出值,k与m为输入网络的图像的长度与宽度,y_pixelsj为每个像素的标签,p_pixelsj为每个像素的经过神经网络输出的实际值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529049.9A CN110263705B (zh) | 2019-06-19 | 2019-06-19 | 面向遥感技术领域两期高分辨率遥感影像变化检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529049.9A CN110263705B (zh) | 2019-06-19 | 2019-06-19 | 面向遥感技术领域两期高分辨率遥感影像变化检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263705A CN110263705A (zh) | 2019-09-20 |
CN110263705B true CN110263705B (zh) | 2023-07-07 |
Family
ID=67919132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910529049.9A Active CN110263705B (zh) | 2019-06-19 | 2019-06-19 | 面向遥感技术领域两期高分辨率遥感影像变化检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263705B (zh) |
Families Citing this family (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705457B (zh) * | 2019-09-29 | 2024-01-19 | 核工业北京地质研究院 | 一种遥感影像建筑物变化检测方法 |
CN110826632B (zh) * | 2019-11-11 | 2024-02-13 | 深圳前海微众银行股份有限公司 | 图像变化检测方法、装置、设备及计算机可读存储介质 |
CN110930375B (zh) * | 2019-11-13 | 2021-02-09 | 广东国地规划科技股份有限公司 | 一种土地覆盖变化监测方法、***、装置及存储介质 |
CN111222453B (zh) * | 2020-01-03 | 2022-06-14 | 武汉大学 | 基于密集连接和几何结构约束的遥感影像变化检测方法 |
CN111291622B (zh) * | 2020-01-16 | 2023-07-11 | 武汉汉达瑞科技有限公司 | 一种遥感影像中建筑物变化检测的方法及装置 |
CN111259828B (zh) * | 2020-01-20 | 2022-05-17 | 河海大学 | 基于高分辨率遥感图像多特征的识别方法 |
CN111325771B (zh) * | 2020-02-17 | 2022-02-01 | 武汉大学 | 基于影像融合框架的高分辨率遥感影像变化检测方法 |
CN111325134B (zh) * | 2020-02-17 | 2023-04-07 | 武汉大学 | 一种基于跨层连接卷积神经网络的遥感影像变化检测方法 |
CN111582043B (zh) * | 2020-04-15 | 2022-03-15 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
CN111680706B (zh) * | 2020-06-17 | 2023-06-23 | 南开大学 | 一种基于编码和解码结构的双通道输出轮廓检测方法 |
CN112001403B (zh) * | 2020-08-11 | 2023-12-15 | 北京化工大学 | 一种图像轮廓检测方法及*** |
CN112101168A (zh) * | 2020-09-08 | 2020-12-18 | 中电科大数据研究院有限公司 | 基于卫星与无人机联动的公益诉讼辅助取证***及方法 |
CN112149547B (zh) * | 2020-09-17 | 2023-06-02 | 南京信息工程大学 | 基于图像金字塔引导和像素对匹配的遥感影像水体识别方法 |
CN112132867B (zh) * | 2020-09-23 | 2023-07-11 | 武汉汉达瑞科技有限公司 | 一种遥感影像变化检测方法及装置 |
CN112464733A (zh) * | 2020-11-04 | 2021-03-09 | 北京理工大学重庆创新中心 | 基于双向特征融合的高分辨率光学遥感图像地物分类方法 |
CN112418049B (zh) * | 2020-11-17 | 2023-06-13 | 浙江大学德清先进技术与产业研究院 | 一种基于高分遥感影像的水体变化检测方法 |
CN112365525B (zh) * | 2020-11-19 | 2023-05-16 | 北京航天泰坦科技股份有限公司 | 高分辨率遥感影像变化检测网络和方法及装置 |
CN112348814A (zh) * | 2020-12-09 | 2021-02-09 | 江西师范大学 | 一种高分辨率遥感图像多尺度稀疏卷积变化检测方法 |
CN112580721B (zh) * | 2020-12-19 | 2023-10-24 | 北京联合大学 | 一种基于多分辨率特征融合的目标关键点检测方法 |
CN112686184A (zh) * | 2021-01-05 | 2021-04-20 | 浙江臻善科技股份有限公司 | 基于神经网络的遥感房屋变化检测方法 |
CN112861931B (zh) * | 2021-01-21 | 2022-04-12 | 南开大学 | 一种基于差异注意力神经网络的多级别变化检测方法、***、介质及电子设备 |
CN112949388B (zh) * | 2021-01-27 | 2024-04-16 | 上海商汤智能科技有限公司 | 一种图像处理方法、装置、电子设备和存储介质 |
CN112818818B (zh) * | 2021-01-28 | 2021-09-28 | 电子科技大学 | 一种基于affpn的新型超高清遥感图像变化检测方法 |
CN113033608A (zh) * | 2021-02-08 | 2021-06-25 | 北京工业大学 | 遥感影像道路提取方法及装置 |
CN117172285A (zh) * | 2021-02-27 | 2023-12-05 | 华为技术有限公司 | 一种感知网络及数据处理方法 |
CN112818966B (zh) * | 2021-04-16 | 2021-07-30 | 武汉光谷信息技术股份有限公司 | 多模态遥感影像数据检测方法及*** |
CN113255451B (zh) * | 2021-04-25 | 2023-04-07 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
CN113449690A (zh) * | 2021-07-21 | 2021-09-28 | 华雁智科(杭州)信息技术有限公司 | 图像场景变化的检测方法、***及电子设备 |
CN113361662B (zh) * | 2021-07-22 | 2023-08-29 | 全图通位置网络有限公司 | 一种城市轨道交通遥感图像数据的处理***及方法 |
CN114022793B (zh) * | 2021-10-28 | 2024-06-04 | 天津大学 | 一种基于孪生网络的光学遥感图像变化检测方法 |
CN113870254B (zh) * | 2021-11-30 | 2022-03-15 | 中国科学院自动化研究所 | 目标对象的检测方法、装置、电子设备及存储介质 |
CN114821350B (zh) * | 2022-03-17 | 2024-02-27 | 西北工业大学 | 多阶段信息融合的高分辨率遥感图像建筑物变化检测方法 |
CN114937204B (zh) * | 2022-04-29 | 2023-07-25 | 南京信息工程大学 | 一种轻量级多特征聚合的神经网络遥感变化检测方法 |
CN114998703B (zh) * | 2022-05-10 | 2024-03-08 | 西北工业大学 | 一种基于高分辨卷积神经网络的遥感图像变化检测方法 |
CN115019186B (zh) * | 2022-08-08 | 2022-11-22 | 中科星图测控技术(合肥)有限公司 | 一种用于遥感变化检测的方法和*** |
CN115761346A (zh) * | 2022-11-22 | 2023-03-07 | 山东农业工程学院 | 一种基于多模型融合的遥感图像分类方法 |
CN116385881B (zh) * | 2023-04-10 | 2023-11-14 | 北京卫星信息工程研究所 | 遥感图像地物变化检测方法及装置 |
CN117911879B (zh) * | 2024-03-20 | 2024-06-07 | 湘潭大学 | 一种融合sam的细粒度高分遥感影像变化检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
CN109063569A (zh) * | 2018-07-04 | 2018-12-21 | 北京航空航天大学 | 一种基于遥感影像的语义级变化检测方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
CN109871875A (zh) * | 2019-01-21 | 2019-06-11 | 大连理工大学 | 一种基于深度学习的建筑物变化检测方法 |
-
2019
- 2019-06-19 CN CN201910529049.9A patent/CN110263705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
CN109063569A (zh) * | 2018-07-04 | 2018-12-21 | 北京航空航天大学 | 一种基于遥感影像的语义级变化检测方法 |
CN109255317A (zh) * | 2018-08-31 | 2019-01-22 | 西北工业大学 | 一种基于双网络的航拍图像差异检测方法 |
CN109871875A (zh) * | 2019-01-21 | 2019-06-11 | 大连理工大学 | 一种基于深度学习的建筑物变化检测方法 |
Non-Patent Citations (6)
Title |
---|
Combining pixel-level and patch-level information for segmentation;方涛等;《Neurocomputing》;20150622;全文 * |
Fully convolutional siamese networks for change detection;Rodrigo Caye Daudt等;《Computer Vision and Pattern Recognition》;20181019;正文第2、3节,图1 * |
High-Resolution Remote Sensing Image Change Detection Combined With Pixel-Level and Object-Level;卢旭等;《IEEE Access》;20190613;正文第2、3节 * |
Rodrigo Caye Daudt等.Fully convolutional siamese networks for change detection.《Computer Vision and Pattern Recognition》.2018, * |
像素级与对象级结合的变化检测方法;王子明;《地理空间信息》;20180420(第04期);全文 * |
联合像素级和对象级分析的遥感影像变化检测;冯文卿等;《测绘学报》;20170915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110263705A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263705B (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测*** | |
CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
CN111222396B (zh) | 一种全天候多光谱行人检测方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及*** | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
CN115223063B (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及*** | |
CN112560733B (zh) | 面向两期遥感影像的多任务处理***及方法 | |
CN114255403A (zh) | 基于深度学习的光学遥感图像数据处理方法及*** | |
CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
CN110969121A (zh) | 一种基于深度学习的高分辨率雷达目标识别算法 | |
CN115223017B (zh) | 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法 | |
CN111192240B (zh) | 一种基于随机接入记忆的遥感图像目标检测方法 | |
CN114119621A (zh) | 基于深度编解码融合网络的sar遥感图像水域分割方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN117557922A (zh) | 改进YOLOv8的无人机航拍目标检测方法 | |
CN115272278A (zh) | 一种用于遥感图像变化检测的变化检测模型的构建方法 | |
CN113609904B (zh) | 一种基于动态全局信息建模和孪生网络的单目标跟踪算法 | |
CN114972202A (zh) | 一种基于轻量级的神经网络的Ki67病理细胞快速检测计数方法 | |
CN114972753A (zh) | 基于上下文信息聚合和辅助学习的轻量级语义分割方法及*** | |
CN114647760A (zh) | 一种基于神经网络自温故及知识传导机制的智能视频图像检索方法 | |
CN116977747B (zh) | 基于多路多尺度特征孪生网络的小样本高光谱分类方法 | |
CN117636298A (zh) | 基于多尺度特征学习的车辆重识别方法、***及存储介质 | |
CN117173595A (zh) | 基于改进YOLOv7的无人机航拍图像目标检测方法 | |
Li et al. | A new algorithm of vehicle license plate location based on convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |