CN110598600A - 一种基于unet神经网络的遥感图像云检测方法 - Google Patents
一种基于unet神经网络的遥感图像云检测方法 Download PDFInfo
- Publication number
- CN110598600A CN110598600A CN201910814865.4A CN201910814865A CN110598600A CN 110598600 A CN110598600 A CN 110598600A CN 201910814865 A CN201910814865 A CN 201910814865A CN 110598600 A CN110598600 A CN 110598600A
- Authority
- CN
- China
- Prior art keywords
- cloud detection
- remote sensing
- sensing image
- network
- cloud
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于UNET神经网络的遥感图像云检测方法,包括以下步骤:建立具有5个下采样层、5个上采样层的云检测网络,其中所述云检测网络的前四个下采样层,每层后接卷积层和池化层,后四个上采样层每层后接有反卷积层;对原始遥感图像集进行云标注、人工复检、数据增强处理,将处理后的所述遥感图像集分为训练集、评估集和测试集;利用所述训练集与测试集不断优化云检测网络的;利用所述云检测网络对遥感图像进行云检测,输出所述云检测的结果图片。本发明解决了由于云特征提取不够充分而导致检测结果不够理想的问题,提高了检测精度,加强了算法的普适性。
Description
技术领域
本发明涉及遥感图像检测领域,更具体的说,是涉及一种基于UNET神经网络的遥感图像云检测方法。
背景技术
随着卫星遥感技术的快速发展,遥感影像在环境、农业、气象等领域得到广泛的应用。但是光学成像的卫星遥感图像往往容易受到天气影响,导致图像存在云的遮挡,影响图像的进一步应用和分析;只有在气象条件允许且完全无云的时候才能拍摄图像,既影响时效性,又增加了卫星的运行成本。
现有技术中对遥感图像的处理,需要从图片中提取各种参数,或者对图片进行变换映射,然后再进行阈值判断,此过程非常复杂并且对图像数据的要求比较大,容错性不高,不利于推广。现有技术中,对不同背景的图像进行检测,有着不同的成功率,对于光谱的精度和预处理水平都有一定要求,否则误差会较大,适应性不强。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于UNET神经网络的遥感图像云检测方法,解决了由于云特征提取不够充分而导致检测结果不够理想的问题,提高了检测精度,增强了算法的普适性。
本发明的基于UNET神经网络的遥感图像云检测方法,具体技术方案包括:
建立具有5个下采样层、5个上采样层、4条跳跃连接链的云检测网络,其中所述云检测网络的前四个下采样层每层后接有池化层,后四个上采样层每层后接有反卷积层;
对原始遥感图像集进行云标注、人工复检、数据增强处理,将处理后的所述遥感图像集分为训练集、评估集和测试集;
利用所述训练集中的图像对所述云检测网络进行训练,不断更新所述云检测网络的参数;
利用所述测试集中的图像对训练好的所述云检测网络中进行准确度测试,进行所述云检测网络的参数调整及再训练;
利用所述云检测网络对遥感图像进行云检测,输出所述云检测的结果图片。
进一步地,包括:所述云检测网络的第五个下采样层与第一个上采样层相连接。
进一步地,包括:所述云检测网络的最后一个上采样层连接全连接层。
进一步地,对原始遥感图像集进行云标注包括:利用ENVI软件对所述遥感图像集进行云标注。
进一步地,对原始遥感图像集进行数据增强包括:对所述遥感图像集进行旋转平移、弹性形变、对比度增强。
进一步地,利用所述测试集中的图像对训练好的所述云检测网络中进行准确度测试,进行所述云检测网络的参数调整及再训练包括:根据训练中损失函数的表现,对训练的次数及训练的批次大小进行调整。
进一步地,将处理后的所述遥感图像集分为训练集、评估集和测试集进一步地包括:从所述遥感图像集中随机选取70%的图像作为训练集,20%的图像做为评估集,剩余的10%作为测试集。
进一步地,包括:所述云检测网络的激活函数为ReLU函数。
进一步地,利用所述训练集中的图像对所述云检测网络进行训练,不断更新所述云检测网络的参数,包括:所述云检测网络的参数可以为卷积的权重和卷积的偏置值。
进一步地,利用所述测试集中的图像对训练好的所述云检测网络中进行准确度测试,进行所述云检测网络的参数调整及再训练,包括:学习速率设置为0.001。
本发明利用深度学习模型UNET网络,对光学遥感图像进行下采样提取图像特征,然后通过一些跳跃连接与上采样结合一起生成目标检测图像。解决了由于云特征提取不够充分而导致检测结果不够理想的问题,提高了检测精度,加强了算法的普适性,更有利进行科研和经济活动的发展,具有较高的智能型与便捷性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图;
图2为本发明的云检测网络结构图;
图3为本发明的云检测网络结构图中虚线部分示意图;
图4为本发明实施例的训练集样本图,其中左半部分为遥感图像原图,右半部为对应的标注图;
图5为本发明实施例进行检测的遥感图像原图;
图6为本发明实施例对遥感图像原图进行标注后的标注图;
图7为本发明实施例遥感图像原图的网络检测结果图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本发明所提出的基于UNET神经网络的遥感图像云检测方法,最主要的工作是搭建并训练一个UNET网络,该网络以遥感图像作为输入,输出遥感图像云的掩模。利用深度学习平台实现所网络的搭建,网络的训练包括数据集的制作及训练调参过程。本发明实施例中数据集的制作不需要像传统监督学习那样做出图片与标签的配对,只需要收集大量卫星原始遥感图像,使用ENVI软件对原始遥感图像进行初步云标注,然后人工检查修改,得到与原始遥感图像一一对应的云检测掩模图,将云检测掩模图作为训练集。
本发明实施例提供的一种基于UNET神经网络的遥感图像云检测方法,具体包括如下步骤:
一、建立UNET网络模型:
UNET采用的是一个包含下采样和上采样的网络结构,UNET网络可以简单看为先下采样,经过不同程度的卷积,学习了深层次的特征,在经过上采样还原为原图大小,上采样用反卷积实现。下采样用来逐渐展现环境信息,而上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息,并且逐步还原图像精度。
UNET网络的上采样阶段与下采样阶段采用了相同数量层次的卷积操作,且使用跳跃连接链结构将下采样层与上采样层相连,使得下采样层提取到的特征可以直接传递到上采样层,这使得UNET网络的像素定位更加准确,分割精度更高。
如附图2所示,本发明实施例建立的云检测网络基于UNET神经网络,包含有5个下采样层、5个上采样层,其中前四个下采样层每层后接有池化层,后四个上采样层每层后接有反卷积层,同时具有四条跳跃连接链,第五个下采样层与第一个上采样层相连接,最后一个上采样层接全连接层输出,激活函数为ReLU函数。
下采样层的作用是通过大量卷积核从遥感图像所对应的矩阵中提取高维特征图,可以提取出多张特征图,每张特征图是从图片中提取出来的局部感知,综合这些特征图可以提取出图片中感兴趣的部分。本发明实施例采用大小为3*3,步长为1的卷积核,把原始遥感图像中3*3窗口内的图像变成一个像素,对每个卷积层进行两次卷积,每层的卷积核数量每次下采样后翻倍,后一个下采样层的卷积核数量是前一个下采样层卷积核数量的2倍,可以有效提取出图片的特征信息,实现了对图像特征的多尺度特征识别。
在多层神经网络中,激励函数的作用是对卷积得到的特征向量图进行非线性映射,因为经过多层卷积后,特征向量图的数值在训练的时候变化不大,会导致梯度消失,进而导致卷积网络模型不可训练。在每次卷积后使用ReLU激励函数,可以对卷积层的线性计算的结果进行非线性映射,这样训练前后特征图的变化不会太少,进而可以利用卷积网络模型进行训练。
对于前四层卷积层,每个卷积层后面接上池化层,其作用是特征降维,压缩数据和参数的数量,减小训练过拟合,同时提高云检测网络的容错性。本发明实施例使用尺寸为2*2,步长为2的池化核,池化后特征图的长度和宽度都会缩短一半。
上采样层的作用是从图片的特征向量图还原成图片。其中每层上采样层的特征图和对应层数的下采样层特征图进行跳跃连接,即附图2中所示的剪接,再进行卷积,上采样层也是尺寸为3*3,步长为2的卷积核,这样做的目的是让图片在还原过程中,能够参考更低维度的特征,还原后的图片更加贴近原图。每个上采样层卷积核的个数与同层的下采样层的卷积核个数对应。
反卷积层的作用可以看作池化层的反作用,采用插值的方法使得特征图扩充,使用尺寸为2*2的,步长为2的反卷积核。
全连接层:上采样层的最后一层连接两个全连接层,全连接层使用尺寸为1*1的卷积核,分别得到分割图的前景和背景,然后组合输出结果掩模。
如附图2所示,本申请实施例的云检测网络具有5个下采样层、5个上采样层,前4个下采样层每层后接卷积层和池化层,第5个下采样层与第1个上采样层相连接,后4个上采样层每层后接有反卷积层,前4层中相应层次的上采样层与下采样层之间具有跳跃连接链。输入一张任意尺寸的遥感图像到云检测网络中,利用下采样层进行特征提取,本发明实施例采用尺寸为3*3,步长为1的卷积核从遥感图像的矩阵中提取高维特征图,每层进行2次卷积操作,每次卷积后利用激励函数将卷积得到的特征向量图进行非线性映射。第一个下采样层使用32个卷积核,进行2次卷积操作后,利用池化层降低下一个下采样层待处理的数据和参数的数量,本发明实施例的池化层使用大小为2*2,步长为2的过滤器,池化后特征图的长度和宽度均为原特征图的1/2,也就是池化后的数据量减少到池化前的1/4,从而可以预防网络过拟合。下采样层作为特征提取部分,每经过一个池化层就一个尺度,本申请实施例包括原图尺度,一共有5个尺度,4个池化层实现了网络对图像特征的多尺度特征识别。
后一个下采样层的卷积核数量是前一个下采样层的卷积核数量的2倍,如附图2所示,第二个下采样层的卷积核数量为64个,第三个下采样层的卷积核数量为128个,第四个下采样层的卷积核数量为256个,最后一个下采样层的卷积核为512个,最后一个下采样层与第一个上采样相连接。上采样部分,每进行一次上采样,将对应层次的下采样层特征图剪接,然后将上一个上采样层的特征图与对应层次的下采样层特征图进行拼接,再采用尺寸为3*3,步长为2的卷积核进行两次卷积操作。每个上采样层的两次卷积操作完成之后,再进行反卷积操作,采用插值的方法扩充特征图,本发明实施例采用大小为2*2,步长为2的反卷积核,反卷积核就是原卷积核的转置矩阵,使用反卷积填充图像内容,使得图像内容变得丰富。最后一个上采样层连接两个全连接层,全连接层使用尺寸为1*1的卷积核,分别得到分割图的前景和背景,然后组合输出结果,得到原始遥感图像的掩模图像。
如附图3所示,上采样部分会融合特征提取部分的输出,这样做实际上是将多尺度特征融合在了一起,以第二个上采样层为例,它的特征既来自第4个下采样层输出的特征,即附图3中虚线箭头右边的虚线矩形部分,也有来自第一个上采样层的输出,这样的拼接是贯穿整个云检测网络的,本申请实施例的网络中有四次拼接过程。
本发明实施例中的UNET网路的每个卷积层得到的特征图都会连接到对应的上采样层,从而实现对每层特征图都有效使用到后续计算中,避免了直接在高级特征图中进行监督和loss计算,而是结合了低级特征图中的特征,从而可以使得最终所得到的特征图中既包含了高层次的特征,也保护很多低层次的特征,实现了不同层次下特征的融合,提高模型的结果精确度。
二、数据集的制作过程:
本申请实施例将Landsat卫星图片作为数据集,以背景大致分为雪地、草地、荒漠、海洋和城镇五类图片集;
本申请实施例利用Landsat数据集中对应图片的多光谱图片集和传感器数据,使用ENVI5.4软件中云层识别工具,调整云区域向外扩展的大小(Kernel Size)以及云-无云陆地和水域的可能性阈值(Cloud Probability Threshold)参数,可以初步将图片中的云识别出来,但仍存在误判漏判的可能性。其中,云-无云陆地和水域的可能性阈值越大,可能检测到的云区域越小。
对经过初步自动处理后的图片进行人工复检,对于存在云的误判漏判的掩模图片,利用图片编辑工具对其进行补足,作为训练的标签,每张原始遥感图像都有一张经人工标注的云检测掩模图像与其对应,原始遥感图像及其对应的云检测掩模图像组成训练数据集,如附图3所示的训练集样本,左边是原始遥感图像,右边是与其对应的标注图。
本申请实施例将人工标注后得到的460张图片,利用python的openCV库对每张图片进行旋转、形变、增强对比度等处理,对原始图片及掩模图片可进行随机角度的旋转,例如旋转90°或旋转180°,利用getAffineTransform函数对图片进行形变处理,通过增强对比度的最大值最小值来增强图片的对比度。对部分图片进行二值化处理,因为有些图片的二值化效果没有意义,如云和水连在一起,所以没有对所有图片进行二值化处理。
通过数据扩充和增强得到一定数量的图片集,即进行一定程度的旋转平移、弹性形变和灰度值变化等,丰富数据集的多样性,增强网络模型的鲁棒性。
若有新的数据集要加入,云检测结果图可以用ENVi软件进行粗检测后人工进行校验得到。
三、利用数据集进行网络训练的过程如下:
将遥感图像数据集用Dropout的方法进行网络的训练,重复训练上述搭建的网络,在训练次数达到预设阈值或测试的准确度达到目标数值后表明所搭建的UNET网络模型已经符合要求。
本申请实施例的UNET网络模型的损失函数为:
其中,E为交叉熵计算函数,x为输入图片的像素点,pl(x)为近似最大函数,wc(x)为类别频率权重,d1(x)表示像素点x到离它最近的云区边界的距离,d2(x)表示像素点x到离它第二近的云区边界的距离,参数w0和标准差σ的值是可调整的。
利用损失函数计算误差损失,用来评估两个向量的差距,损失函数中近似最大函数pl(x)的对象是人工标注图和云检测网络所输出的图像。在本申请实施例中利用损失函数评估云检测网络生成的掩模与真实标注图像间的差距,在训练过程中反馈给云检测网络进行参数更新。为了使损失函数的结果更贴近实际应用的需求,对交叉熵函数进行加权重设计,用来补偿训练数据集中每类像素的不同频率。
本申请实施例利用训练数据集对云检测网络进行训练时,每次输入一张原始遥感图片到当前网络中,正向传递计算得到当前网络的输出图片,利用损失函数,计算输出图片与其对应的已人工标注的掩模图片之间的误差,利用链式法则将这个误差反向传播到网络中,在反向传播的过程中,利用Adam优化器对网络中的参数如卷积的权重、卷积的偏置等进行一轮更新,完成一次学习。本发明实施例将1050张原始图片作为训练样本,每张图片的大小为572*572,训练时将1050张图片训练一次做为一个周期,本申请实施例共训练了50个周期。
四、对网络模型进行调参、再训练:
将测试数据集和评估数据集中的图像输入到上述云检测网络中,进行准确度的测试,然后对云检测网络进行训练,调整卷积的权重、卷积的偏置等参数的值,不断重复训练过程,直到达到预期效果。
在深度学习中,神经网路的权重初始化方法对模型的收敛速度和性能有着至关重要的影响,神经网络对权重参数的不停迭代更新,以期达到较好的性能。神经网路的训练过程中的参数学习是基于梯度下降法进行优化的。梯度下降法需要在开始训练时给每一个参数赋一个初始值。在实际应用中,参数服从高斯分布或均匀分布式比较有效的初始化方式。在深度神经网络中,随着层数的增多,在梯度下降的过程中,容易出现梯度消失或梯度***。权重可以采用全0、全1或固定值的形式进行初始化,本发明实施例中使用固定值进行权重进行初始化,所采取的固定值为0.1。
根据训练损失函数的表现,可以对训练的次数,及训练的批次大小进行调整,调整时要考虑训练速度。进行学习速率的调整,过大的速率会使网络过早进入局部优化,效果不理想,本发明实施例的学习速率最终设置为0.001。
本发明采用了深度学习的网络进行检测,省去了复杂算法的设计与实现,可以更方便直接达到目的。同时,针对现有的人工智能方法处理此类型问题的时候,通常网络结构太过简单,或者受限于结构,增加层数也不能达到较高的精度,容易出现漏判误判的情况。与传统多层卷积全连接网络相比,UNET的上采样依然有大量的通道与下采样连接,这使得网络将上下文信息向更高层分辨率传播,作为结果,扩展路径与收缩路径对称,形成一个U型的形状,有效保留底层的细节,进行更高精度的检测。
本发明所提出的基于UNET神经网络的遥感图像云检测方法,是直接从图片输入到图片掩模输出的方法,UNET神经网络的上采样依然有大量的通道与下采样连接,这使得网络将上下文信息向更高层分辨率传播,扩展路径与收缩路径对称,形成一个U型的形状,有效保留底层的细节,进行更高精度的检测。
本发明在结合使用深度学习卷积神经网络的基础上,对于遥感图片进行云检测,然后对同一地区进行分时拍摄,将有云区域与其无云时的区域进行替换,整合成无云的图像,这种方法的关键点包括:直接对遥感图像进行处理,不用作前期图片的预处理或参数的预提取;直接输出掩模图片不用后期生成。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于UNET神经网络的遥感图像云检测方法,其特征在于,包括以下步骤:
建立具有5个下采样层、5个上采样层的云检测网络,其中所述云检测网络的前四个下采样层,每层后接卷积层和池化层,后四个上采样层每层后接有反卷积层;
对原始遥感图像集进行云标注、人工复检、数据增强处理,将处理后的所述遥感图像集分为训练集、评估集和测试集;
利用所述训练集中的图像对所述云检测网络进行训练,不断更新所述云检测网络的参数;
利用所述测试集中的图像对训练好的所述云检测网络中进行准确度测试,进行所述云检测网络的参数调整及再训练;
利用所述云检测网络对遥感图像进行云检测,输出所述云检测的掩模图像。
2.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,包括:所述云检测网络的第五个下采样层与第一个上采样层相连接。
3.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,包括:所述云检测网络的最后一个上采样层连接全连接层输出。
4.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,对原始遥感图像集进行云标注包括:利用ENVI软件对所述遥感图像集进行云标注。
5.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,对原始遥感图像集进行数据增强包括:对所述遥感图像集进行旋转平移、弹性形变、对比度增强。
6.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,利用所述测试集中的图像对训练好的所述云检测网络中进行准确度测试,进行所述云检测网络的参数调整及再训练包括:根据训练中损失函数的表现,对训练的次数及训练的批次大小进行调整。
7.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,将处理后的所述遥感图像集分为训练集、评估集和测试集进一步地包括:从所述遥感图像集中随机选取70%的图像作为训练集,20%的图像做为评估集,剩余的10%作为测试集。
8.权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,包括:所述云检测网络的激活函数为ReLU函数。
9.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,利用所述训练集中的图像对所述云检测网络进行训练,不断更新所述云检测网络的参数,包括:所述云检测网络的参数可以为卷积的权重和卷积的偏置值。
10.根据权利要求1所述的基于UNET神经网络的遥感图像云检测方法,其特征在于,利用所述测试集中的图像对训练好的所述云检测网络中进行准确度测试,进行所述云检测网络的参数调整及再训练,包括:学习速率设置为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814865.4A CN110598600A (zh) | 2019-08-27 | 2019-08-27 | 一种基于unet神经网络的遥感图像云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910814865.4A CN110598600A (zh) | 2019-08-27 | 2019-08-27 | 一种基于unet神经网络的遥感图像云检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598600A true CN110598600A (zh) | 2019-12-20 |
Family
ID=68856789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910814865.4A Pending CN110598600A (zh) | 2019-08-27 | 2019-08-27 | 一种基于unet神经网络的遥感图像云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598600A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428726A (zh) * | 2020-06-10 | 2020-07-17 | 中山大学 | 基于图神经网络的全景分割方法、***、设备及存储介质 |
CN111553289A (zh) * | 2020-04-29 | 2020-08-18 | 中国科学院空天信息创新研究院 | 一种遥感图像云检测方法及*** |
CN111611932A (zh) * | 2020-05-22 | 2020-09-01 | 哈尔滨工业大学(深圳) | 基于全卷积网络的遥感图像云检测方法、终端及存储介质 |
CN111915592A (zh) * | 2020-08-04 | 2020-11-10 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN111951400A (zh) * | 2020-08-06 | 2020-11-17 | 天津大学 | 基于U-net网络的窄束X射线激发发光断层成像方法 |
CN112101309A (zh) * | 2020-11-12 | 2020-12-18 | 北京道达天际科技有限公司 | 基于深度学习分割网络的地物目标识别方法和装置 |
CN112101354A (zh) * | 2020-09-23 | 2020-12-18 | 广州虎牙科技有限公司 | 文本识别模型训练方法、文本定位方法及相关装置 |
CN112348744A (zh) * | 2020-11-24 | 2021-02-09 | 电子科技大学 | 一种基于缩略图的数据增强方法 |
CN112729562A (zh) * | 2021-01-26 | 2021-04-30 | 河南工业大学 | 基于改进u型卷积神经网络的海冰分布探测方法 |
CN113034498A (zh) * | 2021-04-28 | 2021-06-25 | 江苏欧密格光电科技股份有限公司 | Led灯珠缺陷检测和评估方法、装置、计算机设备及介质 |
CN113392915A (zh) * | 2021-06-23 | 2021-09-14 | 宁波聚华光学科技有限公司 | 一种基于深度学习的工业零件缺陷检测方法 |
CN113421258A (zh) * | 2021-07-22 | 2021-09-21 | 湖南星图空间信息技术有限公司 | 一种基于高分辨率遥感影像的自动云检测方法 |
CN113569926A (zh) * | 2021-07-13 | 2021-10-29 | 中国资源卫星应用中心 | 一种具备高迁移性的云分割模型的训练方法及装置 |
CN113610032A (zh) * | 2021-08-16 | 2021-11-05 | 北京市城市规划设计研究院 | 基于遥感影像的建筑物识别方法和装置 |
CN113792653A (zh) * | 2021-09-13 | 2021-12-14 | 山东交通学院 | 一种遥感影像云检测的方法、***、设备和存储介质 |
CN114494821A (zh) * | 2021-12-16 | 2022-05-13 | 广西壮族自治区自然资源遥感院 | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 |
CN116071622A (zh) * | 2023-04-06 | 2023-05-05 | 广州思德医疗科技有限公司 | 基于深度学习的胃部图像识别模型构建方法及其*** |
CN117036984A (zh) * | 2023-10-09 | 2023-11-10 | 武汉大学 | 一种融合注意力机制的级联u型网络云检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255294A (zh) * | 2018-08-02 | 2019-01-22 | 中国地质大学(北京) | 一种基于深度学习的遥感图像云识别方法 |
CN110119728A (zh) * | 2019-05-23 | 2019-08-13 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
-
2019
- 2019-08-27 CN CN201910814865.4A patent/CN110598600A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255294A (zh) * | 2018-08-02 | 2019-01-22 | 中国地质大学(北京) | 一种基于深度学习的遥感图像云识别方法 |
CN110119728A (zh) * | 2019-05-23 | 2019-08-13 | 哈尔滨工业大学 | 基于多尺度融合语义分割网络的遥感图像云检测方法 |
Non-Patent Citations (1)
Title |
---|
JACOB HØXBROEJEPPESEN,ET.AL: "A cloud detection algorithm for satellite imagery based on deep learning", 《REMOTE SENSING OF ENVIRONMENT》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553289A (zh) * | 2020-04-29 | 2020-08-18 | 中国科学院空天信息创新研究院 | 一种遥感图像云检测方法及*** |
CN111611932A (zh) * | 2020-05-22 | 2020-09-01 | 哈尔滨工业大学(深圳) | 基于全卷积网络的遥感图像云检测方法、终端及存储介质 |
CN111428726A (zh) * | 2020-06-10 | 2020-07-17 | 中山大学 | 基于图神经网络的全景分割方法、***、设备及存储介质 |
CN111428726B (zh) * | 2020-06-10 | 2020-09-11 | 中山大学 | 基于图神经网络的全景分割方法、***、设备及存储介质 |
CN111915592A (zh) * | 2020-08-04 | 2020-11-10 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN111915592B (zh) * | 2020-08-04 | 2023-08-22 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
CN111951400A (zh) * | 2020-08-06 | 2020-11-17 | 天津大学 | 基于U-net网络的窄束X射线激发发光断层成像方法 |
CN112101354A (zh) * | 2020-09-23 | 2020-12-18 | 广州虎牙科技有限公司 | 文本识别模型训练方法、文本定位方法及相关装置 |
CN112101309A (zh) * | 2020-11-12 | 2020-12-18 | 北京道达天际科技有限公司 | 基于深度学习分割网络的地物目标识别方法和装置 |
CN112348744A (zh) * | 2020-11-24 | 2021-02-09 | 电子科技大学 | 一种基于缩略图的数据增强方法 |
CN112729562A (zh) * | 2021-01-26 | 2021-04-30 | 河南工业大学 | 基于改进u型卷积神经网络的海冰分布探测方法 |
CN112729562B (zh) * | 2021-01-26 | 2022-08-26 | 河南工业大学 | 基于改进u型卷积神经网络的海冰分布探测方法 |
CN113034498A (zh) * | 2021-04-28 | 2021-06-25 | 江苏欧密格光电科技股份有限公司 | Led灯珠缺陷检测和评估方法、装置、计算机设备及介质 |
CN113034498B (zh) * | 2021-04-28 | 2023-11-28 | 江苏欧密格光电科技股份有限公司 | Led灯珠缺陷检测和评估方法、装置、计算机设备及介质 |
CN113392915A (zh) * | 2021-06-23 | 2021-09-14 | 宁波聚华光学科技有限公司 | 一种基于深度学习的工业零件缺陷检测方法 |
CN113569926A (zh) * | 2021-07-13 | 2021-10-29 | 中国资源卫星应用中心 | 一种具备高迁移性的云分割模型的训练方法及装置 |
CN113421258A (zh) * | 2021-07-22 | 2021-09-21 | 湖南星图空间信息技术有限公司 | 一种基于高分辨率遥感影像的自动云检测方法 |
CN113610032A (zh) * | 2021-08-16 | 2021-11-05 | 北京市城市规划设计研究院 | 基于遥感影像的建筑物识别方法和装置 |
CN113792653A (zh) * | 2021-09-13 | 2021-12-14 | 山东交通学院 | 一种遥感影像云检测的方法、***、设备和存储介质 |
CN113792653B (zh) * | 2021-09-13 | 2023-10-20 | 山东交通学院 | 一种遥感影像云检测的方法、***、设备和存储介质 |
CN114494821A (zh) * | 2021-12-16 | 2022-05-13 | 广西壮族自治区自然资源遥感院 | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 |
CN114494821B (zh) * | 2021-12-16 | 2022-11-18 | 广西壮族自治区自然资源遥感院 | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 |
CN116071622A (zh) * | 2023-04-06 | 2023-05-05 | 广州思德医疗科技有限公司 | 基于深度学习的胃部图像识别模型构建方法及其*** |
CN116071622B (zh) * | 2023-04-06 | 2024-01-12 | 广州思德医疗科技有限公司 | 基于深度学习的胃部图像识别模型构建方法及其*** |
CN117036984A (zh) * | 2023-10-09 | 2023-11-10 | 武汉大学 | 一种融合注意力机制的级联u型网络云检测方法及*** |
CN117036984B (zh) * | 2023-10-09 | 2024-01-09 | 武汉大学 | 一种融合注意力机制的级联u型网络云检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598600A (zh) | 一种基于unet神经网络的遥感图像云检测方法 | |
Guo et al. | CDnetV2: CNN-based cloud detection for remote sensing imagery with cloud-snow coexistence | |
CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
CN110188685B (zh) | 一种基于双注意力多尺度级联网络的目标计数方法及*** | |
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN112287978B (zh) | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 | |
CN110119728B (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN108537742B (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
CN111401265B (zh) | 行人重识别方法、装置、电子设备和计算机可读存储介质 | |
CN110659591B (zh) | 基于孪生网络的sar图像变化检测方法 | |
CN111079683A (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN109741340B (zh) | 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法 | |
CN112541904A (zh) | 一种无监督遥感图像变化检测方法、存储介质及计算设备 | |
CN109635726B (zh) | 一种基于对称式深度网络结合多尺度池化的滑坡识别方法 | |
CN115713533B (zh) | 基于机器视觉的电力设备表面缺陷检测方法及装置 | |
CN113807356B (zh) | 一种端到端的低能见度图像语义分割方法 | |
CN112837320B (zh) | 一种基于并行空洞卷积的遥感影像语义分割方法 | |
CN114998566A (zh) | 一种可解释的多尺度红外弱小目标检测网络设计方法 | |
CN115049945B (zh) | 一种基于无人机图像的小麦倒伏面积提取方法和装置 | |
CN114419406A (zh) | 图像变化检测方法、训练方法、装置和计算机设备 | |
CN115330703A (zh) | 基于上下文信息融合的遥感影像云与云阴影检测方法 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN114092803A (zh) | 基于遥感图像的云检测方法、装置、电子设备及介质 | |
CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 |
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 |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |