CN111274878A - 卫星云图分类方法及*** - Google Patents

卫星云图分类方法及*** Download PDF

Info

Publication number
CN111274878A
CN111274878A CN202010024821.4A CN202010024821A CN111274878A CN 111274878 A CN111274878 A CN 111274878A CN 202010024821 A CN202010024821 A CN 202010024821A CN 111274878 A CN111274878 A CN 111274878A
Authority
CN
China
Prior art keywords
satellite cloud
classification
infrared image
network model
features
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
CN202010024821.4A
Other languages
English (en)
Other versions
CN111274878B (zh
Inventor
王春恒
徐健
肖柏华
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202010024821.4A priority Critical patent/CN111274878B/zh
Publication of CN111274878A publication Critical patent/CN111274878A/zh
Application granted granted Critical
Publication of CN111274878B publication Critical patent/CN111274878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种卫星云图分类方法及***，所述分类方法包括：获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。本发明通过对多幅参考卫星云图进行标记分类，并根据参考卫星云图及参考标签进行建模，得到分类网络模型，根据所述分类网络模型可有效提高云图像分类的准确性，利于及时预警。

Description

卫星云图分类方法及***
技术领域
本发明涉及图像识别技术领域，特别涉及一种卫星云图分类方法及***。
背景技术
卫星云图是由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像。主要包括红外云图、可见光云图及水汽图等。卫星云图可以用于识别不同的天气***，确定它们的位置，估计其强度和发展趋势，为天气分析和天气预报提供依据。尤其是在海洋、沙漠、高原等缺少气象观测台站的地区，卫星云图所提供的资料，弥补了常规探测资料的不足，对提高预报准确率起了重要作用。
卷积神经网络在自然图像的分类及分割任务中取得了巨大成功，但是目前将深度学习的方法应用到卫星图像中云分类的准确度比较差，不利于及时预警。
发明内容
为了解决现有技术中的上述问题，即为了提高云图像分类的准确性，本发明的目的在于提供一种卫星云图分类方法及***。
为解决上述技术问题，本发明提供了如下方案：
一种卫星云图分类方法，所述分类方法包括：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
可选地，所述根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型，具体包括：
针对每一参考红外图像，
依次通过多层卷积层和池化层从所述参考红外图像中提取深层特征和浅层特征；
通过注意力层对池化层后的浅层特征进行提取，得到精确浅层特征；
将当前深层特征和对应的精确浅层特征融合，并通过反卷积层上采样，得到采样特征，所述采样特征为更新的当前深层特征；重复多次上采样，得到与各参考红外图像大小相同的分类特征；
基于各所述分类特征及对应的参考标签，建立分类网络模型，在所述分类网络模型中通过softmax函数判断每个云图像素位置的所属类别。
可选地，所述卷积层提取的特征的尺寸不变,池化层下采样得到特征的尺寸为下采样前特征的一半，反卷积层上采样得到的特征的尺寸为上采样前特征的两倍。
可选地，所述将当前深层特征和对应的精确浅层特征融合，并通过反卷积层上采样，得到采样特征，具体包括：
将当前的深层特征与对应相同尺寸的浅层特征进行特征对应位置融合，得到融合特征；
根据所述融合特征，再通过反卷积层进行一次上采样，获得采样特征，所述采样特征的尺寸为所述融合特征的两倍。
可选地，所述将当前的深层特征与对应相同尺寸的浅层特征进行特征对应位置融合，得到融合特征，具体包括：
将当前的深层特征与长宽相同的浅层特征进行数值对应位置点乘，得到点乘值；
所述点乘值与当前的深层特征的数值相加，获得融合特征。
可选地，所述根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型，还包括：
基于反向传播算法，最小化预测标签和训练标签的交叉熵损失值，获得收敛的分类网络模型的参数；
根据所述参数修正分类网络模型。
可选地，通过以下公式计算交叉熵损失值：
Figure BDA0002362073400000031
其中，E表示交叉熵损失函数，sij表示softmax函数中参考红外图像x中j个像素属于第i类的概率，yij表示参考红外图像x中j个像素属于第i类的参考标签，n表示全部参考红外图像的数量。
为解决上述技术问题，本发明还提供了如下方案：
一种卫星云图分类***，所述分类***包括：
获取单元，用于获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
标记单元，用于对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
建模单元，用于根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
识别单元，用于根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
为解决上述技术问题，本发明还提供了如下方案：
一种卫星云图分类***，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
为解决上述技术问题，本发明还提供了如下方案：
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
根据本发明的实施例，本发明公开了以下技术效果：
本发明通过对多幅参考卫星云图进行标记分类，并根据参考卫星云图及参考标签进行建模，得到分类网络模型，根据所述分类网络模型可有效提高云图像分类的准确性，利于及时预警。
附图说明
图1是本发明卫星云图分类方法的流程图；
图2是本发明中全卷积网络具体配置图；
图3是风云二号G卫星的四个通道参考红外图像；
图4是本发明卫星云图分类***的模块结构示意图。
符号说明：
获取单元—1，标记单元—2，建模单元—3，识别单元—4。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明的目的是提供一种卫星云图分类方法，通过对多幅参考卫星云图进行标记分类，并根据参考卫星云图及参考标签进行建模，得到分类网络模型，根据所述分类网络模型可有效提高云图像分类的准确性，利于及时预警。
卫星云图是地面接受到的来自气象卫星的云况图片。按气象卫星飞行的轨道，可分为极地轨道气象卫星云图和对地静止轨道气象卫星云图两种。前者连续的图片是不同地点上的云况；后者连续的图片代表卫星下方同一范围云的连续情况。按气象卫星取得云况的仪器不同，可分为可见光卫星云图和红外卫星云图。本发明针对对地静止轨道气象卫星云图中的红外卫星云图进行分类识别。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明卫星云图分类方法包括：
步骤100：获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像。
步骤200：对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签。
步骤300：根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型。
步骤400：根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
在步骤100中，获取风云二号G卫星(FY-2G)的四个红外通道数据(IR1，IR2，IR3，IR4)：
四个通道红外1(IR1)，红外2(IR2)，红外3(IR3)，红外4(IR4)对应波段分别为10.0-11.3um,11.5-12.5um,6.3-7.6um,3.5-4.0um。截取红外通道图像中高500至1000和宽850至1350的500×500的图像区域作为数据输入。风云二号G卫星的四个红外通道图像作为参考红外图像(如图3所示)，大小为h×w×4。
在步骤200中，对静止气象卫星云图的云类别做好标签，共分为8类：晴空海面、晴空陆地、混合像元、高层云或雨层云、卷层云、密层云、积雨云、层积云或高积云。
进一步地，在步骤300中，所述根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型，具体包括：
步骤301：针对每一参考红外图像，依次通过多层卷积层和池化层从所述参考红外图像中提取深层特征和浅层特征(如图2所示)。
步骤302：通过注意力层对池化层后的浅层特征进行提取，得到精确浅层特征。
随着网络的加深，特征对应的感受也逐渐增大，并且特征对于噪声鲁棒性逐渐增强。但是深层特征图(feature maps)的每个位置同时表示原图多个像素的特征，所以深层特征在卫星云图分类任务上太粗糙了，进一步注意力层将浅层的更精细的特征进行辅助。
在本实施例中，注意力层由8个卷积核大小为3×3的卷积滤波器实现。
如图2所示，在本实施例中，全卷积网络的前10层是由卷积层(Conv)和池化层(MaxPool)构成的特征提取器，提取深层和浅层特征。卷积层的卷积核大小为3×3，卷积核个数随着网络的加深而增加(第2、3层为64个，第5、6层为128个，第8、9层为256个)。每个卷积层的激活函数都采用ReLU激活函数。所述卷积层提取的特征的尺寸不变，特征的通道个数增加。
池化层采用最大池化(MaxPool)函数，每个池化层池化层下采样得到特征的尺寸为下采样前特征的一半，通道数保持不变。
步骤303：将当前深层特征和对应的精确浅层特征融合，并通过反卷积层上采样，得到采样特征，所述采样特征为更新的当前深层特征；重复多次上采样，得到与各参考红外图像大小相同的分类特征。反卷积层上采样得到的特征的尺寸为上采样前特征的两倍。
其中，反卷积层(Dconv)反卷积核大小为4×4，反卷积核个数等于卫星云图云类类别个数(即反卷积核个数为8个)。
具体地，所述将当前深层特征和对应的精确浅层特征融合，并通过反卷积层上采样，得到采样特征，具体包括：
步骤3031：将当前的深层特征与对应相同尺寸的浅层特征进行特征对应位置融合，得到融合特征；
步骤3032：根据所述融合特征，再通过反卷积层进行一次上采样，获得采样特征，所述采样特征的尺寸为所述融合特征的两倍。
在步骤3031中，所述将当前的深层特征与对应相同尺寸的浅层特征进行特征对应位置融合，得到融合特征，具体包括：
步骤3031a：将当前的深层特征与长宽相同的浅层特征进行数值对应位置点乘，得到点乘值；
步骤3031b：所述点乘值与当前的深层特征的数值相加，获得融合特征。
在本实施例中，总共进行三次反卷积和三次累加融合(如图2所示)
步骤304：基于各所述分类特征及对应的参考标签，建立分类网络模型，在所述分类网络模型中通过softmax函数判断每个云图像素位置的所属类别。选择置信度最高的类别作为云类。
可选地，在步骤300中，所述根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型，还包括：
步骤305：基于反向传播算法，最小化预测标签和训练标签的交叉熵损失值，获得收敛的分类网络模型的参数；
步骤306：根据所述参数修正分类网络模型。
进一步地，通过以下公式计算交叉熵损失值：
Figure BDA0002362073400000081
其中，E表示交叉熵损失函数，sij表示softmax函数中参考红外图像x中j个像素属于第i类的概率,yij表示参考红外图像x中j个像素属于第i类的参考标签，n表示全部参考红外图像的数量。
本发明使用Adam优化器即自适应时刻估计(Adaptive Moment Estimation)，通过反向传播算法(Backpropagation algorithm，BP)对分类网络模型的参数进行优化，最小化预测标签和训练标签的交叉熵损失，获得收敛的分类网络模型的参数，从而使得所述分类网络模型更加精确。
本发明利用深度学习进行卫星云图分类，应该充分利用深层特征和浅层特征结合进行分类。首先提取深度神经网络卷积层的深层和浅层特征，通过反卷积将深层特征上采样，并且和浅层特征融合，用于最后通过softmax层，可实现卫星图像云图分类。
此外，本发明还提供一种卫星云图分类***，可提高云图像分类的准确性。
如图4所示，本发明卫星云图分类***包括获取单元1、标记单元2、建模单元3及识别单元4。
具体地，所述获取单元1用于获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像。
所述标记单元2用于对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签。
所述建模单元3用于根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型。
所述识别单元4用于根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
此外，本发明还提供一种卫星云图分类***，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
相对于现有技术，本发明卫星云图分类***、计算机可读存储介质与上述卫星云图分类方法的有益效果相同，在此不再赘述。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种卫星云图分类方法，其特征在于，所述分类方法包括：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
2.根据权利要求1所述的卫星云图分类方法，其特征在于，所述根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型，具体包括：
针对每一参考红外图像，
依次通过多层卷积层和池化层从所述参考红外图像中提取深层特征和浅层特征；
通过注意力层对池化层后的浅层特征进行提取，得到精确浅层特征；
将当前深层特征和对应的精确浅层特征融合，并通过反卷积层上采样，得到采样特征，所述采样特征为更新的当前深层特征；重复多次上采样，得到与各参考红外图像大小相同的分类特征；
基于各所述分类特征及对应的参考标签，建立分类网络模型，在所述分类网络模型中通过softmax函数判断每个云图像素位置的所属类别。
3.根据权利要求2所述的卫星云图分类方法，其特征在于，所述卷积层提取的特征的尺寸不变,池化层下采样得到特征的尺寸为下采样前特征的一半，反卷积层上采样得到的特征的尺寸为上采样前特征的两倍。
4.根据权利要求2所述的卫星云图分类方法，其特征在于，所述将当前深层特征和对应的精确浅层特征融合，并通过反卷积层上采样，得到采样特征，具体包括：
将当前的深层特征与对应相同尺寸的浅层特征进行特征对应位置融合，得到融合特征；
根据所述融合特征，再通过反卷积层进行一次上采样，获得采样特征，所述采样特征的尺寸为所述融合特征的两倍。
5.根据权利要求4所述的卫星云图分类方法，其特征在于，所述将当前的深层特征与对应相同尺寸的浅层特征进行特征对应位置融合，得到融合特征，具体包括：
将当前的深层特征与长宽相同的浅层特征进行数值对应位置点乘，得到点乘值；
所述点乘值与当前的深层特征的数值相加，获得融合特征。
6.根据权利要求2-5中任一项所述的卫星云图分类方法，其特征在于，所述根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型，还包括：
基于反向传播算法，最小化预测标签和训练标签的交叉熵损失值，获得收敛的分类网络模型的参数；
根据所述参数修正分类网络模型。
7.根据权利要求6所述的卫星云图分类方法，其特征在于，通过以下公式计算交叉熵损失值：
Figure FDA0002362073390000021
其中，E表示交叉熵损失函数，Sij表示softmax函数中参考红外图像x中j个像素属于第i类的概率,yij表示参考红外图像x中j个像素属于第i类的参考标签，n表示全部参考红外图像的数量。
8.一种卫星云图分类***，其特征在于，所述分类***包括：
获取单元，用于获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
标记单元，用于对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
建模单元，用于根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
识别单元，用于根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
9.一种卫星云图分类***，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
获取多幅参考卫星云图，每一参考卫星云图均有四通道参考红外图像；
对各参考卫星云图的四通道参考红外图像中的每个像素位置进行标记分类，得到参考标签；
根据各所述参考红外图像及对应的参考标签，进行建模，得到分类网络模型；
根据所述分类网络模型，识别待处理卫星云图的四通道外红图像，得到对应的类别。
CN202010024821.4A 2020-01-10 2020-01-10 卫星云图分类方法及*** Active CN111274878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010024821.4A CN111274878B (zh) 2020-01-10 2020-01-10 卫星云图分类方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010024821.4A CN111274878B (zh) 2020-01-10 2020-01-10 卫星云图分类方法及***

Publications (2)

Publication Number Publication Date
CN111274878A true CN111274878A (zh) 2020-06-12
CN111274878B CN111274878B (zh) 2023-04-28

Family

ID=71000090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010024821.4A Active CN111274878B (zh) 2020-01-10 2020-01-10 卫星云图分类方法及***

Country Status (1)

Country Link
CN (1) CN111274878B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215268A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种灾害天气卫星云图分类方法和装置
CN112348058A (zh) * 2020-10-20 2021-02-09 华东交通大学 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质
CN113052201A (zh) * 2020-12-22 2021-06-29 中国人民解放军61540部队 一种基于深度学习的卫星云图云分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004045563A1 (de) * 2004-09-15 2006-03-30 Deutsches Zentrum für Luft- und Raumfahrt e.V. Automatische Georeferenzierung von Fernerkundungsdaten
CN106127725A (zh) * 2016-05-16 2016-11-16 北京工业大学 一种基于多分辨率cnn的毫米波雷达云图分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004045563A1 (de) * 2004-09-15 2006-03-30 Deutsches Zentrum für Luft- und Raumfahrt e.V. Automatische Georeferenzierung von Fernerkundungsdaten
CN106127725A (zh) * 2016-05-16 2016-11-16 北京工业大学 一种基于多分辨率cnn的毫米波雷达云图分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹国良 等: ""面向卫星云图及深度学习的台风等级分类"" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215268A (zh) * 2020-09-27 2021-01-12 浙江工业大学 一种灾害天气卫星云图分类方法和装置
CN112348058A (zh) * 2020-10-20 2021-02-09 华东交通大学 一种基于cnn-lstm网络的卫星云图分类方法和计算机可读存储介质
CN113052201A (zh) * 2020-12-22 2021-06-29 中国人民解放军61540部队 一种基于深度学习的卫星云图云分类方法
CN113052201B (zh) * 2020-12-22 2022-10-11 中国人民解放军61540部队 一种基于深度学习的卫星云图云分类方法

Also Published As

Publication number Publication date
CN111274878B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
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
CN111915592B (zh) 基于深度学习的遥感图像云检测方法
CN111767801A (zh) 一种基于深度学习的遥感影像水域自动提取方法及***
CN111274878B (zh) 卫星云图分类方法及***
CN110796009A (zh) 基于多尺度卷积神经网络模型的海上船只检测方法及***
CN111666854B (zh) 融合统计显著性的高分辨率sar影像车辆目标检测方法
CN109741340B (zh) 基于fcn-aspp网络的冰盖雷达图像冰层精细化分割方法
CN107731011B (zh) 一种港口泊船监测方法、***及电子设备
CN113239736B (zh) 一种基于多源遥感数据的土地覆盖分类标注图获取方法
CN112419333B (zh) 一种遥感影像自适应特征选择分割方法及***
CN113744249B (zh) 一种海洋生态环境损害调查方法
CN113312993B (zh) 一种基于PSPNet的遥感数据土地覆盖分类方法
CN111738114B (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN114022408A (zh) 基于多尺度卷积神经网络的遥感图像云检测方法
CN112419197A (zh) 一种通用的单、多时相sar影像相干斑噪声去除方法
CN113887472A (zh) 基于级联颜色及纹理特征注意力的遥感图像云检测方法
CN115035295A (zh) 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法
CN115830466A (zh) 一种基于深度孪生神经网络的冰川变化遥感检测方法
CN113486819A (zh) 一种基于YOLOv4算法的船舶目标检测方法
CN115965862A (zh) 基于掩码网络融合图像特征的sar舰船目标检测方法
CN114663352A (zh) 一种输电线路缺陷高精度检测方法、***及存储介质
CN112800932B (zh) 海上背景下显著船舶目标的检测方法及电子设备
CN113298042A (zh) 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN110598702A (zh) 一种船舰目标检测数据集的制备方法、***、设备及介质
CN114140698A (zh) 一种基于FasterR-CNN的水系信息提取算法

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
GR01 Patent grant
GR01 Patent grant