CN111914631B - 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法 - Google Patents

一种基于多源传感器数据的林地精细识别的多通道卷积网络方法 Download PDF

Info

Publication number
CN111914631B
CN111914631B CN202010566365.6A CN202010566365A CN111914631B CN 111914631 B CN111914631 B CN 111914631B CN 202010566365 A CN202010566365 A CN 202010566365A CN 111914631 B CN111914631 B CN 111914631B
Authority
CN
China
Prior art keywords
layer
branch
image
hsi
data
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
Application number
CN202010566365.6A
Other languages
English (en)
Other versions
CN111914631A (zh
Inventor
李伟
张蒙蒙
陶然
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010566365.6A priority Critical patent/CN111914631B/zh
Publication of CN111914631A publication Critical patent/CN111914631A/zh
Application granted granted Critical
Publication of CN111914631B publication Critical patent/CN111914631B/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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，首先通过逐波段归一化的方法对多源数据进行量纲归一化的操作，处理后的数据进行1D和2D图像块的切割；将高光谱的1D和2D图像块分批置入特定的HSI网络结构,充分训练并保存此部分的权重参数；将保存的参数导入MCNN网络中高光谱特征提取的分支中，训练完成后保存整体MCNN的权重参数；使用时将被测试的图像分为1D和2D图像块，输入训练完成后的MCNN网络，得到最终的类别划分。本发明的网络训练更具方向性，在特征提取阶段增强了信息的交织和互补性。基于不同复杂程序进行特定的连接方式，避免在整体融合过程中忽略小的区别以及避免来自不同来源的数据之间的过度干扰。

Description

一种基于多源传感器数据的林地精细识别的多通道卷积网络 方法
技术领域
本发明涉及多源遥感数据的协同分析及分类技术领域，主要是一种基于多源传感器数据完成精细地类识别的多通道卷积网络方法，特别适合于在样本标注小、包含复杂树种类别的遥感数据中进行分类。
背景技术
林业是最早应用遥感技术并形成应用规模的行业之一，林业遥感的应用广泛，主要包括监测与信息获取两方面。遥感技术可实现动态、大面积的森林信息获取，如森林蓄积量估算、树种识别、郁闭度估测等信息，避免森林调查耗费大量的人力和时间。由于遥感技术快速、准确、准时的优点，在森林火灾监测、森林病虫灾害监测及林业资源遥感动态监测等基础研究上具有明显优势，有利于我国林业重点工程的建设，推进“数字林业”管理、生态环境保护智能化管理工作。在2010年的高分专项计划中，综合利用高分一号、高分二号和高分四号等卫星的高空间与高时间分辨率优势，发展了以一类清查固定样地数据构建CART决策树分类器的森林类型自动化分类方法；在黑龙江省森林类型分类中，该方法分类精度达到88％。多种应用技术如湿地和湿地植被群落细分、林火燃烧强度遥感定量反演以及光合和非光合植被覆盖度的定量精确估测等都取得了不错的进展。
在面向林地信息的遥感影像分类方面，寇文正等人基于TM遥感影像，采用监督分类方法，将吉林省抚松县江河森林试验区的植被类型分为包括针叶林、针阔混交林、阔叶幼林、阔叶成林等在内的共十类，总体分类精度达到85％(寇文正等，1990)。1998年，张晓丽和游先祥以北京地区森林植被为研究区，综合利用了3S(RS、GIS、GPS)技术，综合评价影像森林植被生长的地理因子和环境因子，并在此基础上绘制北京地区森林植被分类图(张晓丽，1998)。二十一世纪以来，随着遥感卫星技术的发展，面向林地信息的遥感影像分类技术也获得了长足的进步，许多交叉学科技术在森林遥感分类中获得应用，形成了神经网络、决策树、专家知识分类库等更智能的分类方法。刘健等人结合福建省第五次森林资源清查数据建立专家知识分类库，对闽江流域遥感影像进行分类得到该区域的林地分类图(刘健等，2006)。潘踩等人利用决策树的分类方法，选取归一化植被指数(NDVI)、比值植被指数(RVI)、绿度植被指数(GVI)等十种植被指数作为分类特征进行分类，得到了研究区的景观格局分布图(潘琢等，2009)。随着高分辨率遥感影像应用不断增加，面向对象分类方法的研究也成为一大热点。韩凝等采用面向对象的分类方法，结合IKONOS影像数据对特定条件下的香框树进行提取，证明了其分类方法的可行性(韩凝等，2009)。林先成等人基于QiuckBird高分辨率遥感影像对成都平原地区进行面向对象分类，并讨论了不同分割尺度的不同效果，对比传统分类方法结果表明使用面向对象分类方法总体精度更高为93％(林先成等，2010)。传统分类方法仅利用像元光谱特征进行分类，不容易解决同物异谱、异物同谱以及混合像元等问题，且分类结果中的图斑零乱，常常出现错分、漏分现象，从而造成分类精度不高。在光谱特征基础上加入纹理特征进行分类，精度有所提高，但对于中低分辨率影像的地表覆盖分类，纹理特征对分类精度的提高作用有限，分类结果很难达到满意的效果。
近年来深度学***移、扭曲和缩放具有一定程度的不变性。与传统机器学习方法相比具有更强大的特征学习和特征表达能力，以及更强的强鲁棒性和容错能力。传统分类方法如最大似然估计(MLE)、支持向量机(SVM)、K均值算法(K-MEANS)等不易解决同物异谱、异物同谱等问题，新兴的深度学习等方法有更强大的特征学习能力，可进行更好的特征表示。但目前的深度学习研究存在许多问题：(1)深度学习的数据驱动属性使其需要大量训练样本来调节参数且网络越深需要的数据量越大，而遥感图像尤其多源遥感图像获取困难；(2)深度学习方法的训练过程需要大量的标记样本，而遥感图像的标记工作复杂而耗时耗力，有标签样本数量较少。(3)空间信息与光谱信息复杂，类内光谱的多样性与混合像元引起的混合光谱特征表达困难。
发明内容
针对以上问题，本发明设计了旨在全面学习并合理区分多源数据光谱和空间特征上差异的多通道网络模型，称为MCNN。
本发明采用的技术方案为一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，该方法的实现步骤如下：首先通过逐波段归一化的方法对多源数据进行量纲归一化的操作，处理后的数据进行1D和2D图像块的切割；接着将高光谱的1D和2D图像块分批置入特定的HSI网络结构,充分训练并保存此部分的权重参数；将保存的参数导入MCNN网络中高光谱特征提取的分支中，此时将多源数据中高光谱与雷达的1D和2D图像块分别输入到MCNN中，重新进行训练，训练完成后保存整体MCNN的权重参数；使用时将被测试的图像分为1D和2D图像块，输入训练完成后的MCNN网络，得到最终的类别划分。
S1，对于波段差异过大的数据集，采用如逐波段归一化，最大最小归一化等操作来消除量纲差异，波段间差异小于5倍的数据集可不采取此步骤。
S2,将经过S1步骤的图像分为专注于空间特征的2D图像块和专注于光谱的1D图像块，所获取HSI-LIDAR的每个块均对应相同场景区域。具体包括：
S201，2D图像块以5×5尺寸的移动窗口在原始图像上获取，不同数据集的最优窗口大小略有差异；
S202，1D图像块则集中在对应2D图像块的中心，但仅取中心像素p(c)，将对所有训练的图像块进行角度变换以增加数据。
S3，将S2步骤中获得的高光谱数据的两种图像块输入到HSI的双集中CNN分支进行网络的初步训练，在训练完成后保存此分支的权重。图2详细介绍了双浓缩分支框架的结构，针对光谱特征的一维处理通道，包括两个一维卷积层，批归一化，两个激活，最大池化和平坦层。一维处理通道集中在中心像素p(c)上，通过批处理归一化设置高学***坦层求解输出频谱特征
Figure BDA0002547773500000041
为了确保HSI的光谱和空间特性能够很好地结合，二维处理通道的主要结构与一维相似，只是将一些设置更改为适合于2D图像块的参数。输入数据是围绕中心像素p(c)包含窗口大小周边域的图像块，输出的特征更专注于空间特征
Figure BDA0002547773500000042
随后空间和光谱特征串联并进入全连接层中，输出可以表示为：
Figure BDA0002547773500000043
其中Lout指全连接层的输出，W和b是网络中训练的权重和偏差，
Figure BDA0002547773500000044
的上标表示此为波段支路提取的波段间特征，下标指更关注于图像块的中心像素p(c)，
Figure BDA0002547773500000045
的上标表示此为另一支路提取的空间特征，下标指图像块的各个像素点都有被考虑，||表示简单将空间和光谱特征向量相叠加的叠加方法。这是第一阶段HSI的单独训练框架，训练后将保存该阶段中两个通道的权重，以用于下一阶段的调整。
S4，将S3步骤中保存的HSI网络的权重参数导入MCNN的HSI特征提取支路中，这一部分的权重参数在之后的训练中都是固定的。MCNN整体上包含三部分，一是提取高光谱特征的HSI支路，二是提取雷达图像特征的LIDAR支路，三是两者间的联结。HSI支路即固定权重后的HSI的双集中CNN分支，LIDAR支路主体和双集中CNN分支结构一样，只不过专注于提取雷达图像特征，并在不同的节点上与HSI的双支进行结合。两者间的联结也针对提取的波段特征和空间特征有不同的方式。
S401，波段特征的提取和分析着重于中心像素，仅在两种支路波段信息提取的最后使用简单的叠加方法，进行计算并通过额外的四层网络结构进行细微的调整，四层结构为Droupout层,批量归一化层，激活层与全连接层。
S402，空间特征关注整个图像块，信息量更大，两种支路联结方式更紧密。将HSI空间支路的第二层输出与LIDAR空间支路的第二层输出进行叠加连接并送到下一层进行训练，同时在这样联结支路的第5层和第7层输出，同样加入HSI支路第5层与第7层的输出，第7层联结后，同样有和波段特征一样的四层网络结构进行细微调整。
S5，将S401和S402经过四层网络后的输出进行连接并输送到特定的L2-SVM分类器来做出最终决策,优化函数如下：
Figure BDA0002547773500000051
最终使用的分类器是SVM，其松弛变量的平方和称为L2-SVM，它对小样本具有优势且特定的正则化使它对异常值的敏感度降低，并提高了分类器的泛化能力。现有的技术更多是单个特征的提取和叠加，当数据具有异构的空间分布时，特征重合复杂，多源数据的单向特征分析无法更好地提取区分特征，在整体融合过程中忽略小的差异，容易因为不同来源数据之间的过度干扰而导致多源学习判断中的混淆。所提出的网络可以基于特定的分支和特征角度学习每个源数据的不同信息，特征重叠时，对不同特征的这种单独处理进一步避免了信息混乱。与传统方法相比，网络的训练更具方向性，在特征提取阶段增强了信息的交织和互补性。基于不同的复杂程序进行特定的连接方式，避免了在整体融合过程中忽略小的区别以及避免来自不同来源的数据之间的过度干扰。
附图说明
图1.整体方法结构图。
图2.HSI的双集中CNN分支。
图3.详细的参数配置。
具体实施方式
以下结合附图和实施例对本发明进行详细说明。
一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，该方法的实现过程如下，以林地数据为例，首先是训练阶段，在S1步骤，对于波段差异过大的数据集，采用如逐波段归一化，最大最小归一化等操作来消除量纲差异，波段间差异小于5倍的数据集可不采取此步骤。
S2,将经过S1步骤的图像以5×5尺寸的移动窗口在原始图像上获取2D图像块和1D图像块，不同数据集的最优窗口大小略有差异，获取HSI-LIDAR的每个块均对应相同场景区域，1D图像块则集中在对应2D图像块的中心，但仅取中心像素p(c)，将对所有训练的图像块进行角度变换以增加数据。
S3，将S2步骤中获得的高光谱数据的两种图像块输入到图2所对应的网络中，优化器选用Adam优化器，学习率设为0.01，在训练完成后保存此分支的权重参数,记为H1.
S4，将S3步骤中保存的HSI网络的权重参数H1导入MCNN的HSI特征提取支路中，这一部分的权重参数在之后的训练中都是固定的。如图3中所示，MCNN整体上包含三部分，一是提取高光谱特征的HSI支路，二是提取雷达图像特征的LIDAR支路，三是两者间的联结。此时将高光谱的两种图像块和雷达图像的两种图像块都输入到MCNN网络中进行训练，整体结构如图1，具体的参数如图3，优化器选用Adam优化器，学习率设为0.0001，训练完成后，保存MCNN整体的权重参数，记为HL1。
接下来是测试与使用阶段，将训练完成的HL1导入到MCNN网络中，将需要被测试使用的图像重复步骤S1-S2,将得到的图像块作为MCNN网络的输入，在最后的输出中将给出图像对应的类别。
网络目前在比利时数据和密西西比数据达到的精度对比结果如下,表中(N)指经过预处理后的数据：
表1：网络在比利时数据上的分类表现(％)
Figure BDA0002547773500000071
Figure BDA0002547773500000081
表2：网络在密西西比数据上的分类表现(％)
Figure BDA0002547773500000082

Claims (5)

1.一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，其特征在于：该方法的实现步骤如下：首先通过逐波段归一化的方法对多源数据进行量纲归一化的操作，处理后的数据进行1D和2D图像块的切割；接着将高光谱的1D和2D图像块分批置入HSI网络结构，训练并保存权重参数；将保存的参数导入MCNN网络中高光谱特征提取的分支中，此时将多源数据中高光谱与雷达的1D和2D图像块分别输入到MCNN中，重新进行训练，训练完成后保存整体MCNN的权重参数；使用时，将被测试的图像分为1D和2D图像块，输入训练完成后的MCNN网络，得到最终类别划分；将图像分为专注于空间特征的2D图像块和专注于光谱的1D图像块，所获取HSI-LIDAR的每个块均对应相同场景区域；具体包括：
S201，2D图像块以5×5尺寸的移动窗口在原始图像上获取；
S202，1D图像块则集中在对应2D图像块的中心，但仅取中心像素p(c)，将对所有训练的图像块进行角度变换以增加数据；
MCNN整体上包含三部分，一是提取高光谱特征的HSI支路，二是提取雷达图像特征的LIDAR支路，三是两者间的联结。
2.根据权利要求1所述的一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，其特征在于：对于波段差异过大的数据集，采用逐波段归一化或最大最小归一化操作来消除量纲差异，波段间差异小于5倍的数据集能够不采取此步骤。
3.根据权利要求1所述的一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，其特征在于：将获得的高光谱数据的两种图像块输入到HSI的双集中CNN分支进行网络的初步训练，在训练完成后保存此分支的权重；光谱特征的一维处理通道，包括两个一维卷积层，批归一化，两个激活，最大池化和平坦层；一维处理通道集中在中心像素p(c)上，通过批处理归一化设置高学***坦层求解输出频谱特征
Figure FDA0003851913140000021
输入数据是围绕中心像素p(c)包含窗口大小周边域的图像块，输出的特征更专注于空间特征
Figure FDA0003851913140000022
随后空间和光谱特征串联并进入全连接层中。
4.根据权利要求3所述的一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，其特征在于：将保存的HSI网络的权重参数导入MCNN的HSI特征提取支路中；HSI支路即固定权重后的HSI的双集中CNN分支，LIDAR支路主体和双集中CNN分支结构一样。
5.根据权利要求4所述的一种基于多源传感器数据的林地精细识别的多通道卷积网络方法，其特征在于：波段特征的提取和分析着重于中心像素，仅在两种支路波段信息提取的最后使用简单的叠加方法，进行计算并通过额外的四层网络结构进行细微的调整，四层结构为Droupout层,批量归一化层，激活层与全连接层；
空间特征关注整个图像块，信息量更大，两种支路联结方式更紧密；将HSI空间支路的第二层输出与LIDAR空间支路的第二层输出进行叠加连接并送到下一层进行训练，同时在这样联结支路的第5层和第7层输出，同样加入HSI支路第5层与第7层的输出，第7层联结后，同样有和波段特征一样的四层网络结构进行细微调整。
CN202010566365.6A 2020-06-19 2020-06-19 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法 Active CN111914631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010566365.6A CN111914631B (zh) 2020-06-19 2020-06-19 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010566365.6A CN111914631B (zh) 2020-06-19 2020-06-19 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法

Publications (2)

Publication Number Publication Date
CN111914631A CN111914631A (zh) 2020-11-10
CN111914631B true CN111914631B (zh) 2022-10-25

Family

ID=73238132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010566365.6A Active CN111914631B (zh) 2020-06-19 2020-06-19 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法

Country Status (1)

Country Link
CN (1) CN111914631B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560706B (zh) * 2020-12-18 2022-03-29 广东电网有限责任公司电力科学研究院 一种多源卫星图像水体目标识别方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN109034224A (zh) * 2018-07-16 2018-12-18 西安电子科技大学 基于双分支网络的高光谱分类方法
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN109034224A (zh) * 2018-07-16 2018-12-18 西安电子科技大学 基于双分支网络的高光谱分类方法
CN110298396A (zh) * 2019-06-25 2019-10-01 北京工业大学 基于深度学习多特征融合的高光谱图像分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CNN和三维Gabor滤波器的高光谱图像分类;魏祥坡 等;《计算机辅助设计与图形学学报》;20200131;全文 *
Collaborative Classification for Woodland Data Using Similar Multi-concentrated Network;yixuan zhu等;《PRCV 2020：Pattern Recognition and Computer Vision》;20201015;全文 *

Also Published As

Publication number Publication date
CN111914631A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
Zhang et al. Three-dimensional convolutional neural network model for tree species classification using airborne hyperspectral images
CN105046276B (zh) 基于低秩表示的高光谱图像波段选择方法
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN109961096B (zh) 一种多模高光谱图像迁移分类方法
Chen et al. Rdp-net: Region detail preserving network for change detection
CN109766805A (zh) 一种基于深度学习的双层车牌字符识别方法
Qi et al. Global–local 3-D convolutional transformer network for hyperspectral image classification
CN111914631B (zh) 一种基于多源传感器数据的林地精细识别的多通道卷积网络方法
CN117274627A (zh) 一种基于图像转换的多时相积雪遥感图像匹配方法及***
CN117576473A (zh) 基于混合协方差注意力和跨层融合Transformer的高光谱图像分类方法
Zhang et al. Deep learning based rapid diagnosis system for identifying tomato nutrition disorders
Zhang et al. Two-step ResUp&Down generative adversarial network to reconstruct multispectral image from aerial RGB image
Farooque et al. Red-green-blue to normalized difference vegetation index translation: a robust and inexpensive approach for vegetation monitoring using machine vision and generative adversarial networks
Zhou et al. ASSD-YOLO: a small object detection method based on improved YOLOv7 for airport surface surveillance
Wang et al. ResNeXt-SVM: a novel strawberry appearance quality identification method based on ResNeXt network and support vector machine
CN116863327B (zh) 一种基于双域分类器协同对抗的跨域小样本分类方法
Liu et al. Integration transformer for ground-based cloud image segmentation
CN111881797A (zh) 滨海湿地植被精细分类方法、装置、设备和存储介质
CN116597287A (zh) 一种基于深度学习方法的遥感影像滑坡识别方法
Xu et al. A 3D-2DCNN-CA approach for enhanced classification of hickory tree species using UAV-based hyperspectral imaging
CN115861836A (zh) 基于多时相Sentinel-2数据的大豆种植区提取方法
CN116206210A (zh) 一种基于NAS-Swin的遥感影像农业大棚提取方法
CN115861788A (zh) 一种基于高分辨率卫星遥感影像的耕地地块提取方法
CN113705454A (zh) 一种包含红外光谱遥感影像的有林地提取方法
He et al. Pyramid feature fusion through shifted window self-attention for tobacco leaf classification

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