CN111680667A - 一种基于深度神经网络的遥感图像地物分类方法 - Google Patents
一种基于深度神经网络的遥感图像地物分类方法 Download PDFInfo
- Publication number
- CN111680667A CN111680667A CN202010666889.2A CN202010666889A CN111680667A CN 111680667 A CN111680667 A CN 111680667A CN 202010666889 A CN202010666889 A CN 202010666889A CN 111680667 A CN111680667 A CN 111680667A
- Authority
- CN
- China
- Prior art keywords
- feature
- pooling
- layer
- remote sensing
- sensing 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
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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (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)
Abstract
本发明公开了一种基于深度神经网络的遥感图像地物分类方法,该方法通过将局部上下文信息和远距离上下文信息整合在特征图当中,整合不同范围的上下文信息可以提高目标分类的准确性,在一定程度上避免由目标类间差异小、类内差异大带来的错误分类,另一方面,在网络中引入了多维度的通道注意力机制,对各个通道间的关系进行了更为充分的建模,增强了网络的表现力,从而能够改善网络分割性能,提升地物分割准确度。
Description
技术领域
本发明涉及遥感成像技术领域,特别是涉及一种基于深度神经网络的遥感图像地物分类方法。
背景技术
随着遥感成像技术的不断发展,遥感图像的分辨率逐渐提高,同时获得的遥感图像数量不断增加。高分辨率的遥感图像所包含的地物信息与细节信息更加丰富,同时,也为更加精细的地理信息分析带来帮助。高分辨率的遥感图像在民用方面对城市规划、道路规划方面有着巨大的作用,在军事方面也可应用于国防规划与建设。遥感图像的地物分割是遥感图像信息提取的基础。影像分割是面向对象的影像分析方法的关键步骤,其分割结果质量直接影响着后续影像信息的提取质量。及时、准确地从得到的遥感图像中获取地物信息有着实际需求。
以深度学习技术的兴起为界,可以将遥感图像的地物分类划分为两个阶段,即基于传统方法的地物分类和基于深度学习技术的地物分类。传统的遥感图像地物分类方法主要包括:遥感图像的特征提取、遥感图像的特征选择和分类算法三大部分。遥感图像在成像机理上与自然图像存在不同,其包含有丰富的光谱特征,又因为遥感图像的成像高度较高,其包含物体的结构更为复杂和多样。
近些年来,国内外学者使用多种方法对遥感影像进行地物分割。其中有学者利用基于深度卷积网络的方法来实现地物分类。将传统目标检测分类的方法应用于单个像素上,通过多次卷积层和池化层的堆叠实现对特征的提取和像素的分类,最后对多个像素进行分类,最终实现整个图像中的地物分类。这种方法的缺点在于,每次进行检测会将分类像素周围的区域一同送入网络,这样会产生大量的冗余信息,在占用大量硬件资源的同时,降低了检测的效率,不适合实际应用。还有的学者用卷积层替换深度卷积网络中的全连接层,利用卷积层和池化层的堆叠对输入图像进行特征提取,最后生成heat map,之后进行上采样,利用反卷积对heat map进行放大,恢复至图像输入分辨率大小,完成对遥感图像的地物分类。但是这种方法在进行特征采样的过程中,会丢失许多特征信息,同时在结合局部细节信息和全局语义信息时,使用了单一的加和方式,并不能很好地结合这两个方面的信息,影响了最终的分割效果。
综上,现有的地物分类方法面临以下问题:
(1)遥感图像相较于自然图像目标的类内差异小,类间差异大,给网络的准确分割带来困难。
(2)遥感图像中存在不同的噪声干扰,目标的形状多样,特征不明显影响分割的准确性。
发明内容
本发明的目的在于提供一种基于深度神经网络的遥感图像地物分类方法,能够改善网络分割性能,提升地物分割准确度。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于深度神经网络的遥感图像地物分类方法,包括:
S1:对输入遥感图像进行多个层次的卷积层和池化层处理,得到低层特征图和高层特征图,其中,低层特征图包含细节信息,高层特征图包含分类信息;
S2:将最低层特征图的特征矩阵与特征矩阵的转置矩阵相乘得到第一权重矩阵,并将第一权重矩阵与特征矩阵相乘得到像素间关系的包含局部上下文信息的特征图;
S3:对最低层特征图进行多个并行的不同比率的池化操作并将所有池化操作结果进行加和处理,得到包含远距离上下文信息的特征图,其中,每个池化操作包含两次相同池化处理,从第二个池化操作开始,最低层特征图与上一个池化操作的第一次池化处理结果相加后再进行第一次池化处理,第一次池化处理结果与上一个池化操作的第二次池化处理结果相加后再进行第二次池化处理;
S4:将包含远距离上下文信息的特征图与包含局部上下文信息的特征图进行融合;
S5:将若干低层特征图的特征矩阵的转置矩阵与特征矩阵相乘得到第二权重矩阵,并将第二权重矩阵与特征矩阵相乘得到包含通道间关系的特征图,其中,第一权重矩阵与第二权重矩阵不同;
S6:对若干低层特征图依次进行全局平均池化处理和激活函数层处理,将处理结果与低层特征图相乘得到包含通道权重的特征图;
S7:将包含通道权重的特征图与包含通道间关系的特征图进行融合;
S8:选取若干高层特征图,从最低层特征图开始,逐层将每一层得到的特征图进行加和处理,直到所选取的最高层特征图加和完成,得到加和结果;
S9:对加和结果进行线性上采样直至逐步恢复至与输入遥感图像同样大小的分辨率,得到地物分类结果。
优选的,所述步骤S1具体为:利用ResNet101特征提取网络对输入遥感图像进行多个层次的卷积层和池化层处理。
优选的,所述激活函数层采用sigmoid激活函数。
优选的,所述步骤S3与步骤S2同时进行,或者先于步骤S2进行。
优选的,所述步骤S6与步骤S5同时进行,或者先于步骤S5进行。
优选的,所述步骤S6中,在全局平均池化处理和激活函数层处理之间还进行卷积层处理。
优选的,所述步骤S3中,不同比率的池化操作的并行数量为3个。
区别于现有技术的情况,本发明的有益效果是:通过将局部上下文信息和远距离上下文信息整合在特征图当中,整合不同范围的上下文信息可以提高目标分类的准确性,在一定程度上避免由目标类间差异小、类内差异大带来的错误分类,另一方面,通过在通道注意力机制上做出了改进,对各个通道间的关系进行了更为充分的建模,增强了网络的表现力,从而能够改善网络分割性能,提升地物分割准确度。
附图说明
图1是本发明实施例的基于深度神经网络的遥感图像地物分类方法的流程示意图;
图2是本发明实施例的遥感图像地物分类方法融合远距离上下文信息和局部上下文信息的过程示意图;
图3是本发明实施例的遥感图像地物分类方法融合通道权重和通道间关系的过程示意图。
图4是本发明实施例的遥感图像地物分类方法进行加和处理的过程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参阅图1,本发明实施例的基于深度神经网络的遥感图像地物分类方法包括以下步骤:
S1:对输入遥感图像进行多个层次的卷积层和池化层处理,得到低层特征图和高层特征图,其中,低层特征图包含细节信息,高层特征图包含分类信息。
其中,每经过一个层次的卷积层和池化层处理,就可以提取出特征图。通常,在层次数确定后,归属于低层特征图的数量以及归属于高层特征图的数量可以根据事先的定义确定,例如,层次数为5层,则前2层的特征图为低层特征图,后3层的特征图为高层特征图;层次数为10层,则前3层的特征图为低层特征图,后7层的特征图为高层特征图;层次数为100层,则前30层的特征图为低层特征图,后70层的特征图为高层特征图。在本实施例中,步骤S1具体为:
利用ResNet101特征提取网络对输入遥感图像进行多个层次的卷积层和池化层处理。
S2:将最低层特征图的特征矩阵与特征矩阵的转置矩阵相乘得到第一权重矩阵,并将第一权重矩阵与特征矩阵相乘得到像素间关系的包含局部上下文信息的特征图。
其中,如图2所示,最低层特征图的特征矩阵为C×H×W,将特征矩阵C×H×W进行reshape(维度变换)处理,则最低层特征图的特征矩阵变为C×N,N=H×W,特征矩阵的转置矩阵则为N×C,将转置矩阵N×C与特征矩阵C×N相乘得到第一权重矩阵N×N,再将第一权重矩阵N×N与最低层特征图的特征矩阵C×N相乘后进行reshape处理,得到包含局部上下文信息的特征图C×H×W。
S3:对最低层特征图进行多个并行的不同比率的池化操作并将所有池化操作结果进行加和处理,得到包含远距离上下文信息的特征图,其中,每个池化操作包含两次相同池化处理,从第二个池化操作开始,最低层特征图与上一个池化操作的第一次池化处理结果相加后再进行第一次池化处理,第一次池化处理结果与上一个池化操作的第二次池化处理结果相加后再进行第二次池化处理。
其中,不同比率的池化操作的并行数量可以根据实际需要确定,例如,为3个。如图2所示,最低层特征图进行3个并行的不同比率的池化操作得到远距离上下文信息。具体而言,最低层特征图进行第一个池化操作的第一次池化处理(以池化1-1表示)后,第一次池化处理结果与最低层特征图相加后进行第二个池化操作的第一次池化处理(以池化2-1表示),同样的,第二个池化操作的第一次池化处理结果与最低层特征图相加后进行第三个池化操作的第一次池化处理(以池化3-1表示);同时,最低层特征图进行第一个池化操作的第二次池化处理(以池化1-2表示)后,第一个池化操作的第二次池化处理结果与第二个池化操作的第一次池化处理结果相加后进行第二个池化操作的第二次池化处理(以池化2-2表示),同样的,第二个池化操作的第二次池化处理结果与第三个池化操作的第一次池化处理结果相加后进行第三个池化操作的第二次池化处理(以池化3-2表示)。3个池化操作并行处理结束后,池化结果进行加和处理,得到包含远距离上下文信息的特征图。
S4:将包含远距离上下文信息的特征图与包含局部上下文信息的特征图进行融合。
其中,通过并行池化再进行特征图的融合,可以实现多种大小的池化组合,提取到不同范围的上下文信息。通过远距离上下文信息和局部上下文信息的融合,使得网络可以结合目标周围相关信息对其进行分割,提高整体定位与分类的准确性。在本实施例中,步骤S3与步骤S2可以同时进行,或者先于步骤S2进行。
S5:将若干低层特征图的特征矩阵的转置矩阵与特征矩阵相乘得到第二权重矩阵,并将第二权重矩阵与特征矩阵相乘得到包含通道间关系的特征图,其中,第一权重矩阵与第二权重矩阵不同。
其中,如图3所示,第二权重矩阵的计算过程与图2中的计算过程相同,不同之处在于,图2中是转置矩阵N×C与特征矩阵C×N相乘得到第一权重矩阵N×N,而图3中是特征矩阵C×N与转置矩阵N×C相乘得到第二权重矩阵C×C。
S6:对若干低层特征图依次进行全局平均池化处理和激活函数层处理,将处理结果与低层特征图相乘得到包含通道权重的特征图。
其中,步骤S6中,在全局平均池化处理和激活函数层处理之间还进行卷积层处理。
如图3所示,对于每一层低层特征图,低层特征图进行全局平均池化处理、卷积层处理和激活函数层处理后得到处理结果,再将处理结果与低层特征图相乘得到包含通道权重的特征图。在本实施例中,激活函数层采用sigmoid激活函数。
S7:将包含通道权重的特征图与包含通道间关系的特征图进行融合。
其中,包含通道间关系的特征图相当于是对通道间关系进行建模,包含通道权重的特征图相当于是对通道整体关系进行建模。也就是说,本发明从从不同角度引入了通道注意力机制,从而可以提升网络的整体性能。在本实施例中,步骤S6与步骤S5可以同时进行,或者先于步骤S5进行。
S8:选取若干高层特征图,从最低层特征图开始,逐层将每一层得到的特征图进行加和处理,直到所选取的最高层特征图加和完成,得到加和结果。
其中,考虑到硬件资源对地物分类准确度的影响,并不需要将所有高层特征图都进行加和处理,而只需要选取若干高层特征图就可以得到比较满意的地物分类准确度。如图4所示,一共有5层特征图,前2层为低层特征图,后3层为高层特征图,首先,将步骤S4得到的融合结果与步骤S5得到的融合结果进行加和,然后第3层的特征图与加和结果进行加和,加和完成。
S9:对加和结果进行线性上采样直至逐步恢复至与输入遥感图像同样大小的分辨率,得到地物分类结果。
其中,如图4所示,加和结果需要进行上采样,直到图像恢复至与输入遥感图像同样大小的分辨率。
通过上述方式,本发明实施例的基于深度神经网络的遥感图像地物分类方法通过将局部上下文信息和远距离上下文信息整合在特征图当中,整合不同范围的上下文信息可以提高目标分类的准确性,在一定程度上避免由目标类间差异小、类内差异大带来的错误分类,另一方面,通过在通道注意力机制上做出了改进,对各个通道间的关系进行了更为充分的建模,增强了网络的表现力,从而能够改善网络分割性能,提升地物分割准确度。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于深度神经网络的遥感图像地物分类方法,其特征在于,包括:
S1:对输入遥感图像进行多个层次的卷积层和池化层处理,得到低层特征图和高层特征图,其中,低层特征图包含细节信息,高层特征图包含分类信息;
S2:将最低层特征图的特征矩阵与特征矩阵的转置矩阵相乘得到第一权重矩阵,并将第一权重矩阵与特征矩阵相乘得到像素间关系的包含局部上下文信息的特征图;
S3:对最低层特征图进行多个并行的不同比率的池化操作并将所有池化操作结果进行加和处理,得到包含远距离上下文信息的特征图,其中,每个池化操作包含两次相同池化处理,从第二个池化操作开始,最低层特征图与上一个池化操作的第一次池化处理结果相加后再进行第一次池化处理,第一次池化处理结果与上一个池化操作的第二次池化处理结果相加后再进行第二次池化处理;
S4:将包含远距离上下文信息的特征图与包含局部上下文信息的特征图进行融合;
S5:将若干低层特征图的特征矩阵的转置矩阵与特征矩阵相乘得到第二权重矩阵,并将第二权重矩阵与特征矩阵相乘得到包含通道间关系的特征图,其中,第一权重矩阵与第二权重矩阵不同;
S6:对若干低层特征图依次进行全局平均池化处理和激活函数层处理,将处理结果与低层特征图相乘得到包含通道权重的特征图;
S7:将包含通道权重的特征图与包含通道间关系的特征图进行融合;
S8:选取若干高层特征图,从最低层特征图开始,逐层将每一层得到的特征图进行加和处理,直到所选取的最高层特征图加和完成,得到加和结果;
S9:对加和结果进行线性上采样直至逐步恢复至与输入遥感图像同样大小的分辨率,得到地物分类结果。
2.根据权利要求1所述的遥感图像地物分类方法,其特征在于,所述步骤S1具体为:
利用ResNet101特征提取网络对输入遥感图像进行多个层次的卷积层和池化层处理。
3.根据权利要求1或2所述的遥感图像地物分类方法,其特征在于,所述激活函数层采用sigmoid激活函数。
4.根据权利要求1所述的遥感图像地物分类方法,其特征在于,所述步骤S3与步骤S2同时进行,或者先于步骤S2进行。
5.根据权利要求1所述的遥感图像地物分类方法,其特征在于,所述步骤S6与步骤S5同时进行,或者先于步骤S5进行。
6.根据权利要求1所述的遥感图像地物分类方法,其特征在于,所述步骤S6中,在全局平均池化处理和激活函数层处理之间还进行卷积层处理。
7.根据权利要求1所述的遥感图像地物分类方法,其特征在于,所述步骤S3中,不同比率的池化操作的并行数量为3个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666889.2A CN111680667B (zh) | 2020-07-13 | 2020-07-13 | 一种基于深度神经网络的遥感图像地物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010666889.2A CN111680667B (zh) | 2020-07-13 | 2020-07-13 | 一种基于深度神经网络的遥感图像地物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680667A true CN111680667A (zh) | 2020-09-18 |
CN111680667B CN111680667B (zh) | 2022-06-24 |
Family
ID=72437767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010666889.2A Active CN111680667B (zh) | 2020-07-13 | 2020-07-13 | 一种基于深度神经网络的遥感图像地物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680667B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343953A (zh) * | 2021-08-05 | 2021-09-03 | 南京信息工程大学 | 一种用于遥感场景识别的fgr-am方法和*** |
CN114937204A (zh) * | 2022-04-29 | 2022-08-23 | 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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160355A (zh) * | 2015-08-28 | 2015-12-16 | 北京理工大学 | 一种基于区域相关和视觉单词的遥感图像变化检测方法 |
CN105741267A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
CN106845417A (zh) * | 2017-01-20 | 2017-06-13 | 上海交通大学 | 基于特征池化与除归一化表示的高分辨率遥感图像分类方法 |
CN108681692A (zh) * | 2018-04-10 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
US20180336672A1 (en) * | 2017-05-22 | 2018-11-22 | L-3 Security & Detection Systems, Inc. | Systems and methods for image processing |
CN110136154A (zh) * | 2019-05-16 | 2019-08-16 | 西安电子科技大学 | 基于全卷积网络与形态学处理的遥感图像语义分割方法 |
CN110197182A (zh) * | 2019-06-11 | 2019-09-03 | 中国电子科技集团公司第五十四研究所 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
US20200143230A1 (en) * | 2018-07-27 | 2020-05-07 | Shenzhen Sensetime Technology Co., Ltd. | Image lighting methods and apparatuses, electronic devices, and storage media |
CN111191566A (zh) * | 2019-12-26 | 2020-05-22 | 西北工业大学 | 基于像素分类的光学遥感图像多目标检测方法 |
CN111325771A (zh) * | 2020-02-17 | 2020-06-23 | 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 |
-
2020
- 2020-07-13 CN CN202010666889.2A patent/CN111680667B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160355A (zh) * | 2015-08-28 | 2015-12-16 | 北京理工大学 | 一种基于区域相关和视觉单词的遥感图像变化检测方法 |
CN105741267A (zh) * | 2016-01-22 | 2016-07-06 | 西安电子科技大学 | 聚类引导深度神经网络分类的多源图像变化检测方法 |
CN106845417A (zh) * | 2017-01-20 | 2017-06-13 | 上海交通大学 | 基于特征池化与除归一化表示的高分辨率遥感图像分类方法 |
US20180336672A1 (en) * | 2017-05-22 | 2018-11-22 | L-3 Security & Detection Systems, Inc. | Systems and methods for image processing |
WO2018217738A1 (en) * | 2017-05-22 | 2018-11-29 | L3 Security & Detection Systems, Inc. | Systems and methods for image processing |
CN108681692A (zh) * | 2018-04-10 | 2018-10-19 | 华南理工大学 | 一种基于深度学习的遥感图像内新增建筑识别方法 |
US20200143230A1 (en) * | 2018-07-27 | 2020-05-07 | Shenzhen Sensetime Technology Co., Ltd. | Image lighting methods and apparatuses, electronic devices, and storage media |
CN110136154A (zh) * | 2019-05-16 | 2019-08-16 | 西安电子科技大学 | 基于全卷积网络与形态学处理的遥感图像语义分割方法 |
CN110197182A (zh) * | 2019-06-11 | 2019-09-03 | 中国电子科技集团公司第五十四研究所 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
CN111191566A (zh) * | 2019-12-26 | 2020-05-22 | 西北工业大学 | 基于像素分类的光学遥感图像多目标检测方法 |
CN111325771A (zh) * | 2020-02-17 | 2020-06-23 | 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 |
Non-Patent Citations (6)
Title |
---|
JIE YU等: "Multispectral remote sensing image classification based on PSO-BP considering texture", 《2008 7TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
YUAN XU等: "Robust VHR image change detection based on local features and multi-scale fusion", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 * |
李道纪等: "结合双视觉全卷积网络的遥感影像地物提取", 《中国图象图形学报》 * |
程林: "基于自适应空间多尺度深度网络的遥感图像融合分类与检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
耿杰: "基于深度学习的SAR遥感图像分类方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
董珊等: "语义分割网络在可见光遥感图像地物分类中的应用", 《第十三届全国信号和智能信息处理与应用学术会议论文集》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343953A (zh) * | 2021-08-05 | 2021-09-03 | 南京信息工程大学 | 一种用于遥感场景识别的fgr-am方法和*** |
CN114937204A (zh) * | 2022-04-29 | 2022-08-23 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN111680667B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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*** | |
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
Peng et al. | Detecting heads using feature refine net and cascaded multi-scale architecture | |
CN112861729B (zh) | 一种基于伪深度图引导的实时深度补全方法 | |
CN110659664B (zh) | 一种基于ssd的高精度识别小物体的方法 | |
CN109165660A (zh) | 一种基于卷积神经网络的显著物体检测方法 | |
CN110246148B (zh) | 多模态的深度信息融合和注意力学习的显著性检测方法 | |
CN110570363A (zh) | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 | |
CN111680667B (zh) | 一种基于深度神经网络的遥感图像地物分类方法 | |
CN108629287A (zh) | 一种遥感影像地物分类方法 | |
CN111191735B (zh) | 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 | |
CN113536925B (zh) | 一种基于引导注意力机制的人群计数方法 | |
CN113610905B (zh) | 基于子图像匹配的深度学习遥感图像配准方法及应用 | |
CN113705580A (zh) | 基于深度迁移学习的高光谱图像分类方法 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN114973011A (zh) | 一种基于深度学习的高分辨率遥感影像建筑物提取方法 | |
CN115331104A (zh) | 一种基于卷积神经网络的农作物种植信息提取方法 | |
CN115984701A (zh) | 一种基于编解码结构的多模态遥感图像语义分割方法 | |
CN114943893A (zh) | 一种土地覆盖分类的特征增强网络 | |
CN116863347A (zh) | 一种高效率和精度的遥感图像语义分割方法及应用 | |
CN114092824A (zh) | 结合密集注意力和并行上采样的遥感图像道路分割方法 | |
CN107358625B (zh) | 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法 | |
CN114463175B (zh) | 基于深度卷积神经网络的火星图像超分辨方法 | |
CN115100091A (zh) | 一种sar图像转光学图像的转换方法及装置 |
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 |