CN111079683A - 基于卷积神经网络的遥感图像云雪检测方法 - Google Patents
基于卷积神经网络的遥感图像云雪检测方法 Download PDFInfo
- Publication number
- CN111079683A CN111079683A CN201911350284.6A CN201911350284A CN111079683A CN 111079683 A CN111079683 A CN 111079683A CN 201911350284 A CN201911350284 A CN 201911350284A CN 111079683 A CN111079683 A CN 111079683A
- Authority
- CN
- China
- Prior art keywords
- feature
- convolution
- network
- feature map
- image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 59
- 238000010586 diagram Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 101150064138 MAP1 gene Proteins 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
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
- G06F18/21—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (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
本发明属图像处理领域,为实现一种设计合理且识别准确率高的基于卷积神经网络的多卷积层进行多尺度多路径特征融合的遥感图像云雪检测方法。对图像进行像素级别的准确分类。为此,本发明采取的技术方案是,基于卷积神经网络的遥感图像云雪检测方法,步骤如下:网络的编码部分为:对输入图像信息进行特征编码;网络的解码部分为:将编码结构编码的基础深度特征经过多尺度融合模块来提取原始图像分辨率信息,以生成与原始图像分辨率一致的云雪物体检测结果。本发明主要应用于天气图像处理场合。
Description
技术领域
本发明属于计算机视觉领域。特别涉及基于卷积神经网络的多特征层进行多尺度多路径语义信息提取和融合的遥感图像云雪检测方法。
背景技术
遥感图像通常用于土地监测、目标检测和地理测绘等,图像中云和雪的分布对遥感图像的光谱有较大影响。提高遥感图像中云雪的检测测精度已成为许多遥感图像应用的目标。遥感图像中存在的云和雪会对遥感应用产生不利影响,如大气校正、目标识别、目标检测等。
因此,提高光学卫星图像遥感图像云雪检测精度具有十分重要的意义。遥感图像中的遥感图像云雪检测是一个多分类问题,人工神经网络(ANN)和支持向量机(SVM)等机器学习方法已应用于遥感图像分类研究。在不利用高级功能的情况下,这些方法使用手动设计的功能和二进制分类器。今天,卷积神经网络(CNN)已成为研究的重点。卷积神经网络(CNN)已应用于分类检测、目标识别和目标检测,卷积神经网络(CNN)是一种典型的深度学习算法,CNN框架在语音识别和图像语义检测领域的广泛应用已变得十分重要。因为它能够准确地从大量的输入图像中提取语义信息。许多用于云和雪检测的深层卷积神经网络(CNN)都是基于像素的预测。
发明内容
为克服现有技术的不足,本发明旨在实现一种设计合理且识别准确率高的基于卷积神经网络的多卷积层进行多尺度多路径特征融合的遥感图像云雪检测方法。对图像进行像素级别的准确分类。为此,本发明采取的技术方案是,基于卷积神经网络的遥感图像云雪检测方法,步骤如下:
网络的编码部分为:对输入图像信息进行特征编码;
网络的解码部分为:将编码结构编码的基础深度特征经过多尺度融合模块来提取原始图像分辨率信息,以生成与原始图像分辨率一致的云雪物体检测结果。
综合交叉熵损失和均方误差损失作为损失函数,以综合损失函数目标训练所提出的网络,使用准确率和均交并比mIOU(Mean Intersection over Union)评价网络性能。
所述基础深度特征包含全局信息和局部信息并通过对不同卷积层的输出特征进行融合得到。
所述网络的编码部分,即对输入图像信息进行特征编码的步骤,具体包含以下步骤:
(1)将输入图像处理到统一尺寸为256×256,以具有50层神经元的残差网络ResNet-50结构作为所提出的网络的编码结构部分,根据ResNet-50的5个阶段处理结构,按残差块将其分解为一个预处理单元加4个残差块;
(2)将统一尺寸后的图像输入到ResNet-50网络结构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个残差块输出一种特征,每个残差块的输出特征的分辨率依次为:残差块1的为32×32,残差块的2为16×16,残差块的3为16×16,残差块4的为16×16,共计4个局部残差块输出特征。
所述网络的编码部分,即用多尺度融合模块对步骤1生成的特征进行融合的过程,具体包含以下步骤:
(1)将输出特征分辨率为32×32的残差块1输出的特征经过3×3卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征图1;
(2)将输出特征分辨率为16×16的残差块2输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为6,得到16×16的特征图,记为特征图2;
(3)将输出特征分辨率为16×16的残差块3输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为12,得到16×16的特征图,记为特征图3;
(4)将输出特征分辨率为16×16的残差块4输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为18,得到16×16的特征图,记为特征图4;
(5)将输出特征分辨率为16×16的残差块4输出的特征经过全局平均池化层再经过3×3的卷积,此卷积的卷积步长为1,得到16×16的特征图,记为特征图5;
(6)将特征图2、特征图3、特征图4、特征图5、分别经过2倍上采样,生成特征图2a、特征图3a、特征图4a、特征图5a;
(7)将特征图1与特征图2a、特征图3a、特征图4a、特征图5a进行级联,得到特征级联图A;
(8)将特征级联图A经过1×1的卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征融合图B;
(9)将特征融合图B经过两倍上采样,生成分辨率为64×64特征融合图C;
(10)残差块1中的第二个残差单元输出的分辨率为64×64特征图经过1×1的卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图与分辨率为64×64特征融合图C级联,得到特征融合图D;
(11)特征融合图D经过3×3卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图经过4倍上采样,生成256×256的检测图。
对所提出的网络的训练步骤具体包含以下步骤:
(1)计算预测检测图与已标注好的检测图的交叉熵损失和均方误差损失,利用反向传播算法更新权重;
(2)网络训练完成后,使用像素准确率和mIOU(Mean Intersection over Union,均交并比)衡量其预测性能。
本发明的特点及有益效果是:
本发明设计合理,其充分考虑了局部信息以及全局信息,采用多尺度多卷积层的特征融合方法提高图像的计算检测准确率,以交叉熵损失与均方误差损失的综合为最小化目标损失函数来训练所提出的网络,有效地提高了图像遥感图像云雪检测地准确率。
附图说明:
图1是本发明提出的网络整体结构。
图2是本发明测试的输入图像。
图3是本发明测试的输入图像的云雪标签。
图4是本发明的检测结果。
具体实施方式
为了减少不确定性和模糊性等外界因素的影响,充分利用图像中的信息,获得更好的特征表示,本发明提出了一种基于卷积神经网络的多卷积层多尺度进行多路径语义信息提取和融合的遥感图像云雪检测方法。本文首先采用采用不同扩张率的扩张卷积提取ResNet-50模型中不同层级的语义特征以增大感受野,本发明对多卷积层进行多尺度多路径进行特征融合从而提高了图像遥感图像云雪检测的性能。
本发明技术方案按下列步骤实现:
1.对输入图像信息进行特征编码;
2.提取基础深度特征经过多尺度融合模块融合,恢复原始图像分辨率信息,并生成检与原始图像分辨率一致的云雪物体检测结果;
3.综合交叉熵损失和均方误差损失作为损失函数,以综合损失函数目标训练所提出的网络,使用准确率和mIOU评价网络性能。
上述三个步骤的关系是,步骤2对步骤1所得到的编码信息进行处理并生成结果,所述步骤1得到的编码信息为步骤2的基础,步骤1与步骤2为本发明的整体网络结构,步骤3为本发明网络的训练方法。
所述步骤1的具体实现方法包含以下步骤:
(3)将输入图像处理到统一尺寸为256×256,以ResNet-50网络结构作为所提出的网络的编码结构部分,根据ResNet-50的5个阶段处理结构,按残差块将其分解为一个预处理单元加4个残差块。
(4)将统一尺寸后的图像输入到ResNet-50网络结构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个残差块输出一种特征,每个残差块的输出特征的分辨率依次为:残差块1的为32×32,残差块的2为16×16,残差块的3为16×16,残差块4的为16×16,共计4个局部残差块输出特征。
所述步骤2的具体实现方法包含以下步骤:
(12)将输出特征分辨率为32×32的残差块1输出的特征经过3×3卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征图1。
(13)将输出特征分辨率为16×16的残差块2输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为6,得到16×16的特征图,记为特征图2。
(14)将输出特征分辨率为16×16的残差块3输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为12,得到16×16的特征图,记为特征图3。
(15)将输出特征分辨率为16×16的残差块4输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为18,得到16×16的特征图,记为特征图4。
(16)将输出特征分辨率为16×16的残差块4输出的特征经过全局平均池化层再经过3×3的卷积,此卷积的卷积步长为1,得到16×16的特征图,记为特征图5。
(17)将特征图2、特征图3、特征图4、特征图5、分别经过2倍上采样,生成特征图2a、特征图3a、特征图4a、特征图5a。
(18)将特征图1与特征图2a、特征图3a、特征图4a、特征图5a进行级联,得到特征级联图A。
(19)将特征级联图A经过1×1的卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征融合图B。
(20)将特征融合图B经过两倍上采样,生成分辨率为64×64特征融合图C。
(21)残差块1中的第二个残差单元输出的分辨率为64×64特征图经过1×1的卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图与分辨率为64×64特征融合图C级联,得到特征融合图D。
(22)特征融合图D经过3×3卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图经过4倍上采样,生成256×256的检测图。
所述步骤3的具体实现方法包含以下步骤:
(3)计算预测检测图与已标注好的检测图的交叉熵损失和均方误差损失,利用反向传播算法更新权重。
(4)网络训练完成后,使用像素准确率和mIOU(Mean Intersection over Union,均交并比)衡量其预测性能。
以下结合附图对本发明实施例做进一步详述。
本发明针对在图像遥感图像云雪检测中如何充分利用全局信息以及局部信息的问题,提出一种利用多路径特征多尺度融合模块进行遥感图像云雪检测。如图1所示,本发明的网络结构,将ResNet-50网络结构中的每一个残差块的输出特征,将多尺度扩张卷积提取特征,经过和上采样层,统一尺寸,再进行级联,经过卷积融合后,与低层次特征再次进行级联,然后对级联的特征进行卷积操作,以及上采样,恢复图像原始分辨率大小,使分类结果更加可信。这种方法相当于在网络中的特征提取端,对不同的特征层进行不同尺度的特征提取,不同尺度的卷积核的感受野不同,这样每条路径得到的特征包含的尺度信息不同,最终得到了一系列从局部到全局的特征。这样的融合结果充分考虑了局部信息以及全局信息。网络的输出是与原图像分辨率大小一致的检测图,使用图像已有的标签计算检测准确率,最后以最小化交叉熵损失和均方误差损失为目标来训练所提出的网络。
在本实施例中,一种基于卷积神经网络的遥感图像云雪检测方法包括以下步骤:
步骤S1、对输入图像信息进行特征编码,本步骤的具体处理方法如下:
步骤S1.1将输入图像处理到统一尺寸为256×256,以ResNet-50网络结构作为预训练的基础卷积神经网络,根据ResNet-50的5个阶段处理结构,按残差块将其分解为一个预处理单元加4个残差块。
步骤S1.2将统一尺寸后的图像输入到ResNet-50网络结构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个残差块输出一种特征,每个残差块的输出特征的分辨率依次为:残差块1的为32×32,残差块的2为16×16,残差块的3为16×16,残差块4的为16×16,共计4个局部残差块输出特征。
步骤S2、将步骤S1得到的编码信息经过多尺度融合模块,恢复原始图像分辨率信息,并生成与原始图像分辨率一致的云雪物体检测结果。本步骤的具体处理方法如下:
S2.1将输出特征分辨率为32×32的残差块1输出的特征经过3×3卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征图1。
S2.2将输出特征分辨率为16×16的残差块2输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为6,得到16×16的特征图,记为特征图2。
S2.3将输出特征分辨率为16×16的残差块3输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为12,得到16×16的特征图,记为特征图3。
S2.4将输出特征分辨率为16×16的残差块4输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为18,得到16×16的特征图,记为特征图4。
S2.5将输出特征分辨率为16×16的残差块4输出的特征经过全局平均池化层再经过3×3的卷积,此卷积的卷积步长为1,得到16×16的特征图,记为特征图5。
S2.7将特征图2、特征图3、特征图4、特征图5分别经过2倍上采样,生成特征图2a、特征图3a、特征图4a、特征图5a。
S2.8将特征图1与特征图2a、特征图3a、特征图4a、特征图5a进行级联,得到特征级联图A。
S2.9将特征级联图A经过1×1的卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征融合图B。
S2.10将特征融合图B经过两倍上采样,生成分辨率为64×64特征融合图C。
S2.11将残差块1中的第二个残差单元输出的分辨率为64×64特征图经过1×1的卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图与分辨率为64×64特征融合图C级联,得到特征融合图D。
S2.12特征融合图D经过3×3卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图经过4倍上采样,生成256×256的检测图。
步骤S3、以综合交叉熵损失和均方误差损失函数为目标训练步骤S1和S2提出的网络,使用准确率和mIoU评价网络性能。本步骤的具体处理方法如下:
步骤S3.1、计算预测检测图与已标注好的检测图的交叉熵损失和均方误差损失,利用反向传播算法更新权重。
步骤S3.2、网络训练完成后,使用准确率和mIOU(Mean Intersection overUnion,均交并比)衡量其预测性能。
下面按照本发明的方法进行实验,说明本发明的识别效果。
测试环境:python2.7(python语言开发环境);Tensorflow(神经网络算法库);Ubuntu16.04(操作***)***;NVIDIA GTX 1080Ti GPU(NVIDIA公司开发的图形处理器)
测试序列:所选数据集是由ZY-3号遥感卫星云雪图像制作的云雪图像检测的图像数据集,包含21290张卫星遥感图像
测试指标:本发明使用像素准确率(Pixel Accuracy)和mIOU为性能评价指标。像素准确率指像素分类准确率。mIoU指平均预测正确的错误像素的交集与并集之比。对当今流行的不同算法计算这些指标数据然后进行结果对比,证明本发明在图像遥感图像云雪检测领域得到较好的结果。
测试结果如下:
通过以上对比数据可以看出,本发明的像素准确率和mIOU与现有算法相比之前方法有明显的提高。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于卷积神经网络的遥感图像云雪检测方法,其特征是,步骤如下:
网络的编码部分为:对输入图像信息进行特征编码;
网络的解码部分为:将编码结构编码的基础深度特征经过多尺度融合模块来提取原始图像分辨率信息,以生成与原始图像分辨率一致的云雪物体检测结果。
2.如权利要求1所述的基于卷积神经网络的遥感图像云雪检测方法,其特征是,综合交叉熵损失和均方误差损失作为损失函数,以综合损失函数目标训练所提出的网络,使用准确率和均交并比mIOU(Mean Intersection over Union)评价网络性能。
3.如权利要求1所述的基于卷积神经网络的遥感图像云雪检测方法,其特征是,所述基础深度特征包含全局信息和局部信息并通过对不同卷积层的输出特征进行融合得到。
4.如权利要求1所述的基于卷积神经网络的遥感图像云雪检测方法,其特征是,所述网络的编码部分,即对输入图像信息进行特征编码的步骤,具体包含以下步骤:
(1)将输入图像处理到统一尺寸为256×256,以具有50层神经元的残差网络ResNet-50结构作为所提出的网络的编码结构部分,根据ResNet-50的5个阶段处理结构,按残差块将其分解为一个预处理单元加4个残差块;
(2)将统一尺寸后的图像输入到ResNet-50网络结构中,图像经过一系列卷积、批量归一化、池化、ReLU操作后,每个残差块输出一种特征,每个残差块的输出特征的分辨率依次为:残差块1的为32×32,残差块的2为16×16,残差块的3为16×16,残差块4的为16×16,共计4个局部残差块输出特征。
5.如权利要求1所述的基于卷积神经网络的遥感图像云雪检测方法,其特征是,所述网络的编码部分,即用多尺度融合模块对步骤1生成的特征进行融合的过程,具体包含以下步骤:
(1)将输出特征分辨率为32×32的残差块1输出的特征经过3×3卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征图1;
(2)将输出特征分辨率为16×16的残差块2输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为6,得到16×16的特征图,记为特征图2;
(3)将输出特征分辨率为16×16的残差块3输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为12,得到16×16的特征图,记为特征图3;
(4)将输出特征分辨率为16×16的残差块4输出的特征经过3×3的扩张卷积,此扩张卷积的卷积步长为1、扩张率为18,得到16×16的特征图,记为特征图4;
(5)将输出特征分辨率为16×16的残差块4输出的特征经过全局平均池化层再经过3×3的卷积,此卷积的卷积步长为1,得到16×16的特征图,记为特征图5;
(6)将特征图2、特征图3、特征图4、特征图5、分别经过2倍上采样,生成特征图2a、特征图3a、特征图4a、特征图5a;
(7)将特征图1与特征图2a、特征图3a、特征图4a、特征图5a进行级联,得到特征级联图A;
(8)将特征级联图A经过1×1的卷积,此卷积的卷积步长为1,得到32×32的特征图,记为特征融合图B;
(9)将特征融合图B经过两倍上采样,生成分辨率为64×64特征融合图C;
(10)残差块1中的第二个残差单元输出的分辨率为64×64特征图经过1×1的卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图与分辨率为64×64特征融合图C级联,得到特征融合图D;
(11)特征融合图D经过3×3卷积,此卷积的卷积步长为1,得到64×64的特征图,将此特征图经过4倍上采样,生成256×256的检测图。
6.如权利要求1所述的基于卷积神经网络的遥感图像云雪检测方法,其特征是,对所提出的网络的训练步骤具体包含以下步骤:
(1)计算预测检测图与已标注好的检测图的交叉熵损失和均方误差损失,利用反向传播算法更新权重;
(2)网络训练完成后,使用像素准确率和均交并比mIOU(Mean Intersection overUnion)衡量其预测性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350284.6A CN111079683B (zh) | 2019-12-24 | 2019-12-24 | 基于卷积神经网络的遥感图像云雪检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911350284.6A CN111079683B (zh) | 2019-12-24 | 2019-12-24 | 基于卷积神经网络的遥感图像云雪检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111079683A true CN111079683A (zh) | 2020-04-28 |
CN111079683B CN111079683B (zh) | 2023-12-12 |
Family
ID=70317348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911350284.6A Active CN111079683B (zh) | 2019-12-24 | 2019-12-24 | 基于卷积神经网络的遥感图像云雪检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079683B (zh) |
Cited By (12)
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 |
CN111627012A (zh) * | 2020-05-28 | 2020-09-04 | 华北电力大学(保定) | 一种基于特征融合的深度神经网络表面缺陷检测方法 |
CN111883181A (zh) * | 2020-06-30 | 2020-11-03 | 海尔优家智能科技(北京)有限公司 | 音频检测方法、装置、存储介质及电子装置 |
CN112418165A (zh) * | 2020-12-07 | 2021-02-26 | 武汉工程大学 | 基于改进型级联神经网络的小尺寸目标检测方法与装置 |
CN112597882A (zh) * | 2020-12-22 | 2021-04-02 | 自然资源部国土卫星遥感应用中心 | 一种基于深度卷积神经网络的遥感图像雪检测方法 |
CN112734642A (zh) * | 2021-01-12 | 2021-04-30 | 武汉工程大学 | 多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置 |
CN113240589A (zh) * | 2021-04-01 | 2021-08-10 | 重庆兆光科技股份有限公司 | 一种多尺度特征融合的图像去雾方法及*** |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN114821121A (zh) * | 2022-05-09 | 2022-07-29 | 盐城工学院 | 一种基于rgb三分量分组注意力加权融合的图像分类方法 |
CN115546076A (zh) * | 2022-12-05 | 2022-12-30 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的遥感图像薄云去除方法 |
CN116229272A (zh) * | 2023-03-14 | 2023-06-06 | 中国人民解放军陆军军事交通学院镇江校区 | 一种基于代表点表示的高精度遥感图像检测方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045269A1 (en) * | 2016-09-02 | 2018-03-08 | Ohio State Innovation Foundation | System and method of otoscopy image analysis to diagnose ear pathology |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
CN108710830A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工商大学 | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 |
CN108846446A (zh) * | 2018-07-04 | 2018-11-20 | 国家新闻出版广电总局广播科学研究院 | 基于多路径密集特征融合全卷积网络的目标检测方法 |
CN109190752A (zh) * | 2018-07-27 | 2019-01-11 | 国家新闻出版广电总局广播科学研究院 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
CN109685842A (zh) * | 2018-12-14 | 2019-04-26 | 电子科技大学 | 一种基于多尺度网络的稀疏深度稠密化方法 |
CN110110719A (zh) * | 2019-03-27 | 2019-08-09 | 浙江工业大学 | 一种基于注意层区域卷积神经网络的目标检测方法 |
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 |
CN110163836A (zh) * | 2018-11-14 | 2019-08-23 | 宁波大学 | 基于深度学习用于高空巡检下的挖掘机检测方法 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及*** |
CN110276316A (zh) * | 2019-06-26 | 2019-09-24 | 电子科技大学 | 一种基于深度学习的人体关键点检测方法 |
US20190325203A1 (en) * | 2017-01-20 | 2019-10-24 | Intel Corporation | Dynamic emotion recognition in unconstrained scenarios |
CN110543890A (zh) * | 2019-07-22 | 2019-12-06 | 杭州电子科技大学 | 一种基于特征金字塔的深度神经网络图像匹配方法 |
-
2019
- 2019-12-24 CN CN201911350284.6A patent/CN111079683B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045269A1 (en) * | 2016-09-02 | 2018-03-08 | Ohio State Innovation Foundation | System and method of otoscopy image analysis to diagnose ear pathology |
US20190325203A1 (en) * | 2017-01-20 | 2019-10-24 | Intel Corporation | Dynamic emotion recognition in unconstrained scenarios |
CN108710830A (zh) * | 2018-04-20 | 2018-10-26 | 浙江工商大学 | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 |
CN108596184A (zh) * | 2018-04-25 | 2018-09-28 | 清华大学深圳研究生院 | 图像语义分割模型的训练方法、可读存储介质及电子设备 |
CN108846446A (zh) * | 2018-07-04 | 2018-11-20 | 国家新闻出版广电总局广播科学研究院 | 基于多路径密集特征融合全卷积网络的目标检测方法 |
CN109190752A (zh) * | 2018-07-27 | 2019-01-11 | 国家新闻出版广电总局广播科学研究院 | 基于深度学习的全局特征和局部特征的图像语义分割方法 |
CN110163836A (zh) * | 2018-11-14 | 2019-08-23 | 宁波大学 | 基于深度学习用于高空巡检下的挖掘机检测方法 |
CN109685842A (zh) * | 2018-12-14 | 2019-04-26 | 电子科技大学 | 一种基于多尺度网络的稀疏深度稠密化方法 |
CN110110719A (zh) * | 2019-03-27 | 2019-08-09 | 浙江工业大学 | 一种基于注意层区域卷积神经网络的目标检测方法 |
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 |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及*** |
CN110276316A (zh) * | 2019-06-26 | 2019-09-24 | 电子科技大学 | 一种基于深度学习的人体关键点检测方法 |
CN110543890A (zh) * | 2019-07-22 | 2019-12-06 | 杭州电子科技大学 | 一种基于特征金字塔的深度神经网络图像匹配方法 |
Non-Patent Citations (1)
Title |
---|
谭明明,范影乐,武薇,佘青山,甘海涛: "多路径卷积神经网络的轮廓感知", vol. 24, no. 10, pages 1750 * |
Cited By (16)
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 |
CN111627012B (zh) * | 2020-05-28 | 2021-12-21 | 华北电力大学(保定) | 一种基于特征融合的深度神经网络表面缺陷检测方法 |
CN111627012A (zh) * | 2020-05-28 | 2020-09-04 | 华北电力大学(保定) | 一种基于特征融合的深度神经网络表面缺陷检测方法 |
CN111883181A (zh) * | 2020-06-30 | 2020-11-03 | 海尔优家智能科技(北京)有限公司 | 音频检测方法、装置、存储介质及电子装置 |
CN112418165A (zh) * | 2020-12-07 | 2021-02-26 | 武汉工程大学 | 基于改进型级联神经网络的小尺寸目标检测方法与装置 |
CN112418165B (zh) * | 2020-12-07 | 2023-04-07 | 武汉工程大学 | 基于改进型级联神经网络的小尺寸目标检测方法与装置 |
CN112597882A (zh) * | 2020-12-22 | 2021-04-02 | 自然资源部国土卫星遥感应用中心 | 一种基于深度卷积神经网络的遥感图像雪检测方法 |
CN112734642A (zh) * | 2021-01-12 | 2021-04-30 | 武汉工程大学 | 多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置 |
CN113240589A (zh) * | 2021-04-01 | 2021-08-10 | 重庆兆光科技股份有限公司 | 一种多尺度特征融合的图像去雾方法及*** |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN114821121A (zh) * | 2022-05-09 | 2022-07-29 | 盐城工学院 | 一种基于rgb三分量分组注意力加权融合的图像分类方法 |
CN114821121B (zh) * | 2022-05-09 | 2023-02-03 | 盐城工学院 | 一种基于rgb三分量分组注意力加权融合的图像分类方法 |
CN115546076A (zh) * | 2022-12-05 | 2022-12-30 | 耕宇牧星(北京)空间科技有限公司 | 一种基于卷积网络的遥感图像薄云去除方法 |
CN116229272A (zh) * | 2023-03-14 | 2023-06-06 | 中国人民解放军陆军军事交通学院镇江校区 | 一种基于代表点表示的高精度遥感图像检测方法及*** |
CN116229272B (zh) * | 2023-03-14 | 2023-10-31 | 中国人民解放军陆军军事交通学院镇江校区 | 一种基于代表点表示的高精度遥感图像检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111079683B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079683B (zh) | 基于卷积神经网络的遥感图像云雪检测方法 | |
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
CN111738124B (zh) | 基于Gabor变换和注意力的遥感图像云检测方法 | |
CN110598600A (zh) | 一种基于unet神经网络的遥感图像云检测方法 | |
CN113642390B (zh) | 一种基于局部注意力网络的街景图像语义分割方法 | |
CN109871749B (zh) | 一种基于深度哈希的行人重识别方法和装置、计算机*** | |
CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN115527072A (zh) | 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法 | |
CN114140831B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN117523645B (zh) | 一种人脸关键点检测方法、装置、电子设备及存储介质 | |
CN113139618B (zh) | 一种基于集成防御的鲁棒性增强的分类方法及装置 | |
Patel et al. | A novel approach for semantic segmentation of automatic road network extractions from remote sensing images by modified UNet | |
CN110826554B (zh) | 一种红外目标检测方法 | |
CN111209886B (zh) | 一种基于深度神经网络的快速行人再识别方法 | |
CN115984714B (zh) | 一种基于双分支网络模型的云检测方法 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN116630610A (zh) | 基于语义分割模型和条件随机场的roi区域提取方法 | |
CN113705489B (zh) | 基于先验区域知识指导的遥感影像细粒度飞机识别方法 | |
CN117274971B (zh) | 一种应用于水表数据提取的图像处理方法以及电子设备 | |
CN112597882A (zh) | 一种基于深度卷积神经网络的遥感图像雪检测方法 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN116030347B (zh) | 一种基于注意力网络的高分辨率遥感影像建筑物提取方法 | |
Elagamy et al. | HACR-MDL: handwritten Arabic character recognition model using deep learning | |
CN111382761A (zh) | 一种基于cnn的检测器、图像检测方法及终端 | |
He et al. | Few-Shot Object Counting with Dynamic Similarity-Aware in Latent Space |
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 |