CN112084941A - 一种基于遥感图像的目标检测与识别方法 - Google Patents

一种基于遥感图像的目标检测与识别方法 Download PDF

Info

Publication number
CN112084941A
CN112084941A CN202010938676.0A CN202010938676A CN112084941A CN 112084941 A CN112084941 A CN 112084941A CN 202010938676 A CN202010938676 A CN 202010938676A CN 112084941 A CN112084941 A CN 112084941A
Authority
CN
China
Prior art keywords
remote sensing
convolution
layer
sensing image
convolution layer
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
Application number
CN202010938676.0A
Other languages
English (en)
Inventor
王和斌
滕大鹏
刘辛
汪飞育
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.)
Teemsun Beijing Technology Co ltd
Original Assignee
Teemsun Beijing Technology Co ltd
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 Teemsun Beijing Technology Co ltd filed Critical Teemsun Beijing Technology Co ltd
Priority to CN202010938676.0A priority Critical patent/CN112084941A/zh
Publication of CN112084941A publication Critical patent/CN112084941A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis

Landscapes

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

Abstract

本发明提供了一种基于遥感图像的目标检测与识别方法，筛选出多源高分辨率的遥感图像；对所述遥感图像进行预处理；提取目标样本；将目标样本划分成训练样本以及测试样本；利用所述训练样本训练目标识别模型，并利用所述测试样本对所述目标识别模型进行测试；根据所述最优目标识别模型检测和识别遥感图像中所有的同类目标，完成目标的检测与识别，本发明可以大范围快速、精确的检测和识别出目标。

Description

一种基于遥感图像的目标检测与识别方法
技术领域
本发明属于图像识别技术领域，尤其涉及一种基于遥感图像的目标检测与识别方法。
背景技术
在利用遥感图像进行信息提取和分析时，很多任务特别是涉及到地理范围较大、时间周期跨度较长时都需要结合不同遥感卫星，不同载荷的图像数据，而当采用这些图像数据时必然会涉及到不同空间分辨率、不同光谱谱段、不同时间采集的情况，因此需要根据不同遥感卫星、不同载荷的具体空间分辨率、时间分辨率、光谱谱段等特点，按照任务需求进行合理评估后，筛选出能满足任务需求的遥感图像数据，并按照各自遥感图像数据特点进行专业化针对性的前期处理，将来自不同源的基础产品按照具体任务要求进行空间分辨率、投影等的统一组织，以满足综合利用遥感卫星多源图像数据特点完成具体任务目的。
在遥感图像上进行目标检测和识别是一项在高分辨遥感图像上进行目标提取和分析时常规、基础且应用广泛的任务，在很多环境下都有大量的运用，是很多领域的基本且重要的输入信息。
现有的方法主要：
(1)根据目标样本经过目视解译进行目标识别。利用行业专家收集、整理、总结的目标样本表述，专业解译人员根据目标所特有的特征在遥感图像上逐个寻找和被识别目标一致的目标，并进行详细的勾绘；由于在不同遥感图像上被识别目标的特征和图像条件可能会发生变化，因此其识别目标不准确。
该方法需要经过专业的培训和积累丰富的行业经验才能胜任具体的目标检测与识别工作，而且在进行地理范围较大、时间跨度较长的任务时需要大量的解译人员参与，完成工作的效率低下、耗时长，容易造成项目的延误和滞后；在完成工作时需要进行反复的检查和核对，以便能将多人协作的成果进行统一协调和汇总。
(2)根据专属算法和目标规则进行半自动的提取和识别。
该方法通过在遥感图像上选取一定数量的包含目标的样本，同时根据识别目标的特点定义详细规则并设定对应的判定条件，经过迭代训练优化专属算法或模型的参数，达到满足指定精度指标或收敛条件后，从整个遥感图像或同类遥感图像上识别出所有目标。
专属算法虽然能半自动的进行目标的检测和识别，但是该方法需要根据具体的任务进行针对性的设计，需要对识别目标样本有很高的认识和专业知识作为指导；选取样本的质量、定义的规则、所定义规则的充分性以及采用的算法或模型，会严重影响识别的结果和精度；容易受到图像数据的变化而变化，需要大量的人工干预和根据要求对规则的进行优化调整，应用范围受限制和普适性不高，存在误判，检测和识别效率不高。
发明内容
针对现有技术中的上述不足，本发明提供的一种遥感图像的目标检测与识别方法，可以大范围地、快速地、精确地检测和识别出目标。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种遥感图像的目标检测与识别方法，包括以下步骤：
S1、根据识别目标筛选出多源高分辨率的遥感图像；
S2、对所述遥感图像进行预处理；
S3、提取遥感图像的目标样本；
S4、将提取的目标样本划分成训练样本以及测试样本；
S5、利用所述训练样本训练目标识别模型，并利用所述测试样本对所述目标识别模型进行测试；
S6、利用经测试后的目标识别模型检测和识别出遥感图像中的目标，完成对目标的检测与识别。
进一步地，所述步骤S2包括以下步骤：
S201、对遥感图像进行几何变换；
S202、利用空域法对经几何变换后的遥感图像进行增强处理，完成对遥感图像的预处理。
再进一步地，所述步骤S203中增强处理的表达式如下：
g(x,y)＝f(x,y)*h(x,y)
其中，g(x,y)表示经增强处理后的遥感图像，f(x,y)表示原始遥感图像，h(x,y)表示空间转换函数，x,y均表示坐标。
再进一步地，所述步骤S3包括以下步骤：
S301、对经预处理后的遥感图像进行归一化处理；
S302、根据所述归一化处理后的遥感图像，计算得到遥感图像中每个像素的梯度方向值；
S303、将遥感图像划分若干个单元格，并对每个单元格进行权重投影处理；
S304、根据所述梯度方向值，统计每个单元格的梯度直方图；
S305、将若干个单元格组成一个区域块，并将区域块内重叠的单元格的梯度直方图进行归一化处理；
S306、将经归一化处理后的重叠的单元格的梯度直方图进行串联，完成对遥感图像的目标样本提取。
再进一步地，所述步骤S302中每个像素的梯度方向值的表达式如下：
Figure BDA0002672860200000041
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，a(x,y)表示每个像素的梯度方向值，Gx(x,y)、Gy(x,y)和H(x,y)分别表示遥感图像中像素点(x,y)处的水平方向梯度，垂直方向梯度和像素值。
再进一步地，所述步骤S5中目标识别模型包括依次连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第四最大池化层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第一全连接层、第二全连接层以及输出层。
再进一步地，所述第一卷积层的卷积核大小为7×7，其维度为64，步长为2；所述第一最大池化层的卷积核大小为2×2，步长为2；所述第二卷积层的卷积核大小为3×3，其维度为192；所述第二最大池化层的卷积核大小为2×2，步长为2；所述第三卷积层的卷积核大小为1×1，其维度为128；所述第四卷积层的卷积核大小为3×3，其维度为256；所述第五卷积层的卷积核大小为1×1，其维度为256；所述第六卷积层的卷积核大小为3×3，其维度为512；所述第三最大池化层的卷积核大小为2×2，步长为2；所述第七卷积层的卷积核大小为1×1，其维度为256；所述第八卷积层的卷积核大小为3×3，其维度为512；所述第九卷积层的卷积核大小为1×1，其维度为512；所述第十卷积层的卷积核大小为3×3，其维度为1024；所述第四最大池化层的卷积核大小为2×2，步长为2；所述第十一卷积层的卷积核大小为1×1，其维度为512；所述第十二卷积层的卷积核大小为3×3，其维度为1024；所述第十三卷积层的卷积核大小为3×3，其维度为1024；所述第十四卷积层的卷积核大小为3×3，其维度为1024，步长为2；所述第十五卷积层的卷积核大小为3×3，其维度为1024；所述第十六卷积层的卷积核大小为3×3，其维度为1024。
再进一步地，所述目标识别模型的损失函数的表达式如下：
Figure BDA0002672860200000051
其中，L表示目标识别模型的损失函数，λcoord表示预测数据与标定数据之间的坐标误差修正值，λnoobj表示误差修正值，classes表示分类误差，S和B均表示全连接层的输出维度，
Figure BDA0002672860200000052
表示落入区域i中的目标物体，
Figure BDA0002672860200000053
表示落入区域i的第j个边框中的目标物体，xi、yi、wi、Ci和pi均表示神经网络预测值，
Figure BDA0002672860200000054
和
Figure BDA0002672860200000055
均表示标注值，hi表示神经网络预测的图像边框高度，
Figure BDA0002672860200000056
表示遥感图像边框高度，c表示物体个数。
本发明的有益效果：
(1)本发明对涉及的高分辨遥感图像进行综合协调组织在选取少量样本后，经过对样本进行自动学习便可以快速、精确的检测和识别出目标，最终的成果能根据具体要求进行快速的导出(可以导出kml、geojson、shapefile、xlsx、csv等格式)。
(2)本发明将优化后目标识别模型应用到筛选出遥感图像上的目标识别任务，有效地减少计算难度。
(3)本发明不需要培训和协调大量的参与人员，避免时间和资源的浪费。无需过多的专业知识和先导经验，操作简单且容易掌握。特征提取和识别过程都是自动化的，无需人工设计和干预，其中，抽取出的特征特别是基础特征，具有良好的迁移性和普适性。能应用到空间分辨率相近的遥感图像上同类和类似目标识别任务，不用重新设计和节省大量的训练时间。
(4)本发明通过收集更多的有效和优质的样本数据，通过对目标识别模型自动反复的迭代升级，能进一步地提高识别的精度高，同时能应用到更多的目标识别任务。
(5)本发明利用各卷积层用来提取图像特征，以及利用各全连接层用来预测图像位置和类别概率值，防止过拟合，以及利用损失函数提高模型识别精度，降低误差。
附图说明
图1为本发明的方法流程图。
图2为本实施例中目标识别模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示，本发明提供了基于遥感图像的目标检测与识别方法，其实现方法如下：
S1、根据识别目标筛选出多源高分辨率的遥感图像；
S2、对遥感图像进行预处理，其实现方法如下：
S201、对遥感图像进行几何变换；
S202、利用空域法对经几何变换后的遥感图像进行增强处理，完成对遥感图像的预处理：
g(x,y)＝f(x,y)*h(x,y)
其中，g(x,y)表示经增强处理后的遥感图像，f(x,y)表示原始遥感图像，h(x,y)表示空间转换函数，x,y均表示坐标；
S3、提取遥感图像的目标样本，其实现方法如下：
S301、对经预处理后的遥感图像进行归一化处理；
S302、根据归一化处理后的遥感图像，计算得到遥感图像中每个像素的梯度方向值；
其中，每个像素的梯度方向值的表达式如下：
Figure BDA0002672860200000071
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，a(x,y)表示每个像素的梯度方向值，Gx(x,y)、Gy(x,y)和H(x,y)分别表示遥感图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值；
S303、将遥感图像划分若干个单元格，并对每个单元格进行权重投影处理；
S304、根据梯度方向值，统计每个单元格的梯度直方图；
S305、将若干个单元格组成一个区域块，并将区域块内重叠的单元格的梯度直方图进行归一化处理；
S306、将经归一化处理后的重叠的单元格的梯度直方图进行串联，完成对遥感图像的目标样本提取；
S4、将提取的目标样本划分成训练样本以及测试样本；
S5、利用所述训练样本训练目标识别模型，并利用所述测试样本对所述目标识别模型进行测试；
如图2所示，目标识别模型包括依次连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第四最大池化层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第一全连接层、第二全连接层以及输出层，其中，第一卷积层的卷积核大小为7×7，其维度为64，步长为2；第一最大池化层的卷积核大小为2×2，步长为2；第二卷积层的卷积核大小为3×3，其维度为192；第二最大池化层的卷积核大小为2×2，步长为2；第三卷积层的卷积核大小为1×1，其维度为128；第四卷积层的卷积核大小为3×3，其维度为256；第五卷积层的卷积核大小为1×1，其维度为256；第六卷积层的卷积核大小为3×3，其维度为512；第三最大池化层的卷积核大小为2×2，步长为2；第七卷积层的卷积核大小为1×1，其维度为256；第八卷积层的卷积核大小为3×3，其维度为512；第九卷积层的卷积核大小为1×1，其维度为512；第十卷积层的卷积核大小为3×3，其维度为1024；第四最大池化层的卷积核大小为2×2，步长为2；第十一卷积层的卷积核大小为1×1，其维度为512；第十二卷积层的卷积核大小为3×3，其维度为1024；第十三卷积层的卷积核大小为3×3，其维度为1024；第十四卷积层的卷积核大小为3×3，其维度为1024，步长为2；第十五卷积层的卷积核大小为3×3，其维度为1024；第十六卷积层的卷积核大小为3×3，其维度为1024。
S6、利用经测试后的目标识别模型检测和识别出遥感图像中的目标，完成对目标的检测与识别，其中，目标识别模型的损失函数的表达式如下：
Figure BDA0002672860200000091
其中，L表示目标识别模型的损失函数，λcoord表示预测数据与标定数据之间的坐标误差修正值，λnoobj表示误差修正值，classes表示分类误差，S和B均表示全连接层的输出维度，
Figure BDA0002672860200000092
表示落入区域i中的目标物体，
Figure BDA0002672860200000093
表示落入区域i的第j个边框中的目标物体，xi、yi、wi、Ci和pi均表示神经网络预测值，
Figure BDA0002672860200000094
和
Figure BDA0002672860200000095
均表示标注值，hi表示神经网络预测的图像边框高度，
Figure BDA0002672860200000096
表示遥感图像边框高度，c表示物体个数。
本实施例中，根据具体识别的目标筛选出符合要求的多源高分辨率遥感图像，由于各自遥感卫星载荷的设计，选取的高分辨率图像具有针对每种高分辨遥感图像按照自身的特点进行预处理，主要包括几何变换以及图像增强处理。再提取目标样本，根据提取的目标样本从该图像上选取具有代表性的目标样本，选取满足一定数量样本并形成具有规范的样本。将选取的样本分成训练样本和测试样本，且每类样本都是随机选择和多组组合分配。选择深度学习模型，并设定模型结构及参数。参数主要包括卷积层数、卷积核大小、池化层数等。利用训练样本训练模型，深度学习模型中的不同的卷积层和池化层能自动的获取各尺度上不同的特征，利用测试样本对训练模型进行测试，通过准确率、精确率、召回率、ROC曲线等对模型进行评估，得到满足各项精度要求的最优的目标识别模型。利用该优化的深度学习模型检测和识别出遥感图像上所有的目标。本实施例中通过对优化后深度学习模型经过参数的微调和简单训练，而不用从头开始选择样本和重新训练模型，就可以直接将其应用到筛选出遥感图像上的目标识别任务。
本发明通过以上设计，可以快速、精确的检测和识别出目标。

Claims (8)

1.一种基于遥感图像的目标检测与识别方法，其特征在于，包括以下步骤：
S1、根据识别目标筛选出多源高分辨率的遥感图像；
S2、对所述遥感图像进行预处理；
S3、提取遥感图像的目标样本；
S4、将提取的目标样本划分成训练样本以及测试样本；
S5、利用所述训练样本训练目标识别模型，并利用所述测试样本对所述目标识别模型进行测试；
S6、利用经测试后的目标识别模型检测和识别出遥感图像中的目标，完成对目标的检测与识别。
2.根据权利要求1所述的基于遥感图像的目标检测与识别方法，其特征在于，所述步骤S2包括以下步骤：
S201、对遥感图像进行几何变换；
S202、利用空域法对经几何变换后的遥感图像进行增强处理，完成对遥感图像的预处理。
3.根据权利要求2所述的基于遥感图像的目标检测与识别方法，其特征在于，所述步骤S202中增强处理的表达式如下：
g(x,y)＝f(x,y)*h(x,y)
其中，g(x,y)表示经增强处理后的遥感图像，f(x,y)表示原始遥感图像，h(x,y)表示空间转换函数，x,y均表示坐标。
4.根据权利要求1所述的基于遥感图像的目标检测与识别方法，其特征在于，所述步骤S3包括以下步骤：
S301、对经预处理后的遥感图像进行归一化处理；
S302、根据所述归一化处理后的遥感图像，计算得到遥感图像中每个像素的梯度方向值；
S303、将遥感图像划分若干个单元格，并对每个单元格进行权重投影处理；
S304、根据所述梯度方向值，统计每个单元格的梯度直方图；
S305、将若干个单元格组成一个区域块，并将区域块内重叠的单元格的梯度直方图进行归一化处理；
S306、将经归一化处理后的重叠的单元格的梯度直方图进行串联，完成对遥感图像的目标样本提取。
5.根据权利要求4所述的基于遥感图像的目标检测与识别方法，其特征在于，所述步骤S302中每个像素的梯度方向值的表达式如下：
Figure FDA0002672860190000021
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
其中，a(x,y)表示每个像素的梯度方向值，Gx(x,y)、Gy(x,y)和H(x,y)分别表示遥感图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。
6.根据权利要求5所述的基于遥感图像的目标检测与识别方法，其特征在于，所述步骤S5中目标识别模型包括依次连接的输入层、第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第四最大池化层、第十一卷积层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第一全连接层、第二全连接层以及输出层。
7.根据权利要求6所述的基于遥感图像的目标检测与识别方法，其特征在于，所述第一卷积层的卷积核大小为7×7，其维度为64，步长为2；所述第一最大池化层的卷积核大小为2×2，步长为2；所述第二卷积层的卷积核大小为3×3，其维度为192；所述第二最大池化层的卷积核大小为2×2，步长为2；所述第三卷积层的卷积核大小为1×1，其维度为128；所述第四卷积层的卷积核大小为3×3，其维度为256；所述第五卷积层的卷积核大小为1×1，其维度为256；所述第六卷积层的卷积核大小为3×3，其维度为512；所述第三最大池化层的卷积核大小为2×2，步长为2；所述第七卷积层的卷积核大小为1×1，其维度为256；所述第八卷积层的卷积核大小为3×3，其维度为512；所述第九卷积层的卷积核大小为1×1，其维度为512；所述第十卷积层的卷积核大小为3×3，其维度为1024；所述第四最大池化层的卷积核大小为2×2，步长为2；所述第十一卷积层的卷积核大小为1×1，其维度为512；所述第十二卷积层的卷积核大小为3×3，其维度为1024；所述第十三卷积层的卷积核大小为3×3，其维度为1024；所述第十四卷积层的卷积核大小为3×3，其维度为1024，步长为2；所述第十五卷积层的卷积核大小为3×3，其维度为1024；所述第十六卷积层的卷积核大小为3×3，其维度为1024。
8.根据权利要求7所述的基于遥感图像的目标检测与识别方法，其特征在于，所述目标识别模型的损失函数的表达式如下：
Figure FDA0002672860190000031
其中，L表示目标识别模型的损失函数，λcoord表示预测数据与标定数据之间的坐标误差修正值，λnoobj表示误差修正值，classes表示分类误差，S和B均表示全连接层的输出维度，
Figure FDA0002672860190000041
表示落入区域i中的目标物体，
Figure FDA0002672860190000042
表示落入区域i的第j个边框中的目标物体，xi、yi、wi、Ci和pi均表示神经网络预测值，
Figure FDA0002672860190000043
和
Figure FDA0002672860190000044
均表示标注值，hi表示神经网络预测的图像边框高度，
Figure FDA0002672860190000045
表示遥感图像边框高度，c表示物体个数。
CN202010938676.0A 2020-09-09 2020-09-09 一种基于遥感图像的目标检测与识别方法 Pending CN112084941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010938676.0A CN112084941A (zh) 2020-09-09 2020-09-09 一种基于遥感图像的目标检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010938676.0A CN112084941A (zh) 2020-09-09 2020-09-09 一种基于遥感图像的目标检测与识别方法

Publications (1)

Publication Number Publication Date
CN112084941A true CN112084941A (zh) 2020-12-15

Family

ID=73733102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010938676.0A Pending CN112084941A (zh) 2020-09-09 2020-09-09 一种基于遥感图像的目标检测与识别方法

Country Status (1)

Country Link
CN (1) CN112084941A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657166A (zh) * 2021-07-17 2021-11-16 北京清华同衡规划设计研究院有限公司 一种城乡聚落传统肌理智能辅助识别方法、***、终端及存储介质
CN116434076A (zh) * 2023-03-21 2023-07-14 北京市遥感信息研究所 一种融合先验知识的遥感图像目标识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096803A (zh) * 2010-11-29 2011-06-15 吉林大学 基于机器视觉的行人安全状态识别***
CN110147807A (zh) * 2019-01-04 2019-08-20 上海海事大学 一种船舶智能识别跟踪方法
KR20190118387A (ko) * 2018-04-10 2019-10-18 배재대학교 산학협력단 합성곱 신경망 기반 이미지 처리 시스템 및 방법
CN110874593A (zh) * 2019-11-06 2020-03-10 西安电子科技大学 基于掩膜的遥感图像旋转目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096803A (zh) * 2010-11-29 2011-06-15 吉林大学 基于机器视觉的行人安全状态识别***
KR20190118387A (ko) * 2018-04-10 2019-10-18 배재대학교 산학협력단 합성곱 신경망 기반 이미지 처리 시스템 및 방법
CN110147807A (zh) * 2019-01-04 2019-08-20 上海海事大学 一种船舶智能识别跟踪方法
CN110874593A (zh) * 2019-11-06 2020-03-10 西安电子科技大学 基于掩膜的遥感图像旋转目标检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657166A (zh) * 2021-07-17 2021-11-16 北京清华同衡规划设计研究院有限公司 一种城乡聚落传统肌理智能辅助识别方法、***、终端及存储介质
CN116434076A (zh) * 2023-03-21 2023-07-14 北京市遥感信息研究所 一种融合先验知识的遥感图像目标识别方法

Similar Documents

Publication Publication Date Title
CN109446992B (zh) 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备
CN110660052B (zh) 一种基于深度学习的热轧带钢表面缺陷检测方法
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和***
CN113887459B (zh) 一种基于改进Unet++的露天矿区采场变化区域检测方法
CN110770752A (zh) 多尺度特征融合网络结合定位模型的害虫自动计数方法
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN112836713A (zh) 基于图像无锚框检测的中尺度对流***识别与追踪方法
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
CN110751644B (zh) 道路表面裂纹检测方法
Li et al. SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN111985325A (zh) 特高压环境评价中的航拍小目标快速识别方法
CN116883393B (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN115439654A (zh) 动态约束下的弱监督农田地块精细化分割方法及***
CN115049640A (zh) 一种基于深度学习的道路裂缝检测方法
CN109145770B (zh) 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法
CN116503677B (zh) 一种湿地分类信息提取方法、***、电子设备及存储介质
CN112613354A (zh) 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN115953371A (zh) 一种绝缘子缺陷检测方法、装置、设备和存储介质
CN114882375A (zh) 一种尾矿库智能识别方法和装置
CN114359300A (zh) 一种图像分割模型的优化方法、装置、***及存储介质

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
CB02 Change of applicant information

Address after: 100094 room 901, 9 / F, building 4, zone 1, 81 Beiqing Road, Haidian District, Beijing

Applicant after: Guoke Tiancheng Technology Co.,Ltd.

Address before: 100094 room 901, 9 / F, building 4, zone 1, 81 Beiqing Road, Haidian District, Beijing

Applicant before: TEEMSUN (BEIJING) TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215

RJ01 Rejection of invention patent application after publication