CN112347970A - 一种基于图卷积神经网络的遥感影像地物识别方法 - Google Patents
一种基于图卷积神经网络的遥感影像地物识别方法 Download PDFInfo
- Publication number
- CN112347970A CN112347970A CN202011294356.2A CN202011294356A CN112347970A CN 112347970 A CN112347970 A CN 112347970A CN 202011294356 A CN202011294356 A CN 202011294356A CN 112347970 A CN112347970 A CN 112347970A
- Authority
- CN
- China
- Prior art keywords
- neural network
- remote sensing
- sensing image
- feature
- graph convolution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000013145 classification model Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000009472 formulation Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013526 transfer learning 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图卷积神经网络的遥感影像地物识别方法，对一景遥感影像进行分块处理，制作训练集和测试集；基于简单线性迭代聚类算法进行超像素分割；基于投票机制的结合策略进行超像素标签制定；基于深度卷积神经网络进行自动特征提取，制作图卷积神经网络的输入参数集；基于自适应注意力机制训练图卷积神经网络模型。本发明通过首先利用超像素分割和绝大多数投票机制来构造遥感影像地物类别特征描述集，获得关于遥感影像地物类别近似刻画，同时大规模约减了同一幅影像图谱构建的数据量，有利于处理大数据样本下的遥感影像地物分类问题；最后通过融合型特征图谱集训练图卷积神经网络，从而达到精确区分地物类型的目的。
Description
技术领域
本发明涉及基于遥感卫星成像技术的地物类型识别领域，具体为一种基于图卷积神经网络的遥感影像地物识别方法。
背景技术
随着人工智能相关技术飞速发展，深度学习在很多领域取得突破性成果。其中卷积神经网络依靠其局部特征提取、参数共享、全局池化等特点在图像识别中取得较为突出的成绩。在遥感影像处理领域，基于卷积神经网络的遥感影像分类是目前的研究热点之一。其分类精度较高，泛化能力较强。但同时也存在一些问题。在模型构建方面，用于分类的卷积神经网络模型的网络层次结构很少被直接调整，而是采用经典卷积神经网络模型对分类样本进行特征提取，再结合传统遥感影像分类模型进行分类工作，对卷积神经网络结构调整及迁移学习在遥感影像分类中的相关研究及应用较少。由于遥感影像包含信息量较多，而且数据应用情况远滞后于其数据获取能力，所以如何把这些海量的图像进行快速的分类是加快遥感图像利用率的关键所在。近来，越来越多的研究开始将深度学习方法应用到图数据领域。近年来，受到卷积神经网络在计算机视觉领域所获巨大成功的激励，涌现出很多基于谱图数据重新定义卷积概念的方法。基于图卷积神经网络聚集近邻节点的信息，直接在图结构上执行卷积。再通过采样策略，计算可以在一个批量的节点而不是整个图中执行，可以有效提高效率。然而，如何利用基于图卷积神经网络应用于遥感影像并构建高精度分类器还亟需进一步研究与发展。因此，本发明提供了一种基于图卷积神经网络的遥感影像地物分类识别，能够根据一部分的地物真实数据精确地识别出地物类型。
发明内容
本发明的目的在于依据遥感卫星成像技术提供一种基于图卷积神经网络的遥感影像地物识别方法，基于不同遥感影像训练数据集，首先提取训练数据集中地物类型特征图谱，形成各个地物类别特征描述集，进而采用深度卷积神经网络对遥感影像地物特征描述集中各个类别特征图谱进行学习与融合，获取该地物类型节点、边等特征描述，再采用图卷积神经网络对融合后的图特征进行节点分类模型训练，确定遥感影像分类模型参数，最终实现对未标记影像地物的精确识别。
为实现上述目的，本发明提供如下技术方案：一种基于图卷积神经网络的遥感影像地物识别方法，该方法包含以下步骤：
步骤1：取一景遥感影像分别进行相关预处理操作，包括几何校正、大气校正和图像增强，将彩色遥感影像转化为XY坐标下的灰度图像或者CIELAB颜色空间，对其进行简单线性迭代聚类，初始化种子点，生成紧凑、近似均匀的超像素；
步骤2：基于生成的超像素遥感影像图，创建图谱的节点和边，对影像进行提取纹理特征、颜色特征作为图谱输入特征矩阵；
步骤3：结合集成学习的绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，进而形成图谱的标签数据集；
步骤4：利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取，得到关于影像图的节点和边输入数据，形成关于遥感影像特征描述集；
步骤5：基于遥感影像特征描述集，训练图卷积神经网络模型，获得影像地物分类模型并对测试样本分类。
作为本发明的一种优选技术方案，所述步骤1-4中是对遥感影像提取其地物类别特征描述集，所述步骤5中提出的是基于图卷积神经网络的地物分类模型。
本发明的有益效果是：本发明通过首先利用超像素分割和绝大多数投票机制来构造遥感影像地物类别特征描述集，获得关于遥感影像地物类别近似刻画，同时大规模约减了同一幅影像图谱构建的数据量，有利于处理大数据样本下的遥感影像地物分类问题；最后通过融合型特征图谱集训练图卷积神经网络，从而达到精确区分地物类型的目的。本发明将非常有利于遥感自然灾害监测、土地覆盖类型判别、城市规划和生态环境变化监测等方面的研究。
附图说明
图1为本发明的流程简图；
图2为本发明的具体流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例：请参阅图1-2，本发明提供一种技术方案：一种基于图卷积神经网络的遥感影像地物识别方法，该方法包含以下步骤：
步骤1：取一景遥感影像分别进行相关预处理操作，包括几何校正、大气校正和图像增强，将彩色遥感影像转化为XY坐标下的灰度图像或者CIELAB颜色空间，对其进行简单线性迭代聚类，初始化种子点，生成紧凑、近似均匀的超像素；
步骤2：基于生成的超像素遥感影像图，创建图谱的节点和边，对影像进行提取纹理特征、颜色特征作为图谱输入特征矩阵；
步骤3：结合集成学习的绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，进而形成图谱的标签数据集；
步骤4：利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取，得到关于影像图的节点和边输入数据，形成关于遥感影像特征描述集；
步骤5：基于遥感影像特征描述集，训练图卷积神经网络模型，获得影像地物分类模型并对测试样本分类。
步骤1-4中是对遥感影像提取其地物类别特征描述集，步骤5中提出的是基于图卷积神经网络的地物分类模型。
为方便描述，首先对本发明中特异名词作如下定义：
遥感影像地物类别特征描述集：
遥感影像地物类别特征描述集在本发明中指：基于深度卷积网络提取的图节点、边的特征图谱，从某被超像素分割后块影像中提取出不同地物类型的图特征图谱，形成基于图谱的遥感影像地物类型特征描述集，来近似描述该影像的类别信息。
该具体方法包含以下步骤：
步骤1：遥感影像图特征描述集的形成过程；
取一景遥感影像分别进行相关预处理操作，包括了几何校正，大气校正和图像增强等，假定将遥感影像分成M个块，逐块处理遥感影像，将对应的影像真实地物标签一同进行导入，将彩色图像转化为XY坐标下的灰度图像，对其进行简单线性迭代聚类，初始化种子点(聚类中心)，按照设定的超像素个数，在图像内均匀的分配种子点；然后对灰度图像构成的特征向量构造距离度量标准，对分块图像像素进行局部聚类过程，生成紧凑、近似均匀的N个超像素，接着对生成的超像素创建图谱的节点和边，对影像进行设置局部二值模式，将超像素与其邻近的超像素进行比较，并把结果保存为二进制数，形成纹理特征，作为图谱输入的特征；再结合绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，由此可见，该遥感影像地物识别问题被建模成一个分类问题；
步骤2：深度卷积神经网络自动提取遥感影像特征图谱集过程：假定共有K种地物类别卷积神经网络自动提取的特征图谱集形成可表示为
其中
其中1≤k≤M表示第k块分块遥感影像,n(1≤k≤N)表示第n个超像素,X＝CNN(·)表示执行深度卷积神经网络；
步骤3：基于图卷积神经网络的遥感影像地物识别分类过程：根据全连接卷积神经网络自动提取的特征图谱，假定地物类别总共有K种，则其地物识别过程可由以下几个步骤构成；
步骤3.1：由步骤2生成的遥感影像地物类别特征图谱集
1≤k≤M，联接生成融合的特征图谱，对图卷积神经网络进行训练，并采用留一法执行交叉验证流程，获取图卷积神经网络的地物分类模型训练参数Θ，其中图卷积神经网络层数为2层，并在其后加上自适应注意力机制层，使图中的每个节点可以根据相邻节点的特征，为其分配不同的权值，损失函数选用NLL_LOSS,对输入参数进行log_softmax函数激活，优化函数选用一种自适应学习率的优化方法Adam优化函数进行优化，利用梯度的一阶矩估计和二阶矩估计动态的调整学习率；
步骤3.2：将加上了注意力机制的图卷积神经网络提取的自适应特征描述集及其注意力特征权值进行一次不含注意力机制层的图卷积操作并进行归一化处理，最后依据分类模型确定各个节点所属类别，其公式化描述为Opre＝GCN(·),其中Opre表示输出所属类别，GCN(·)表示执行图卷积神经网络操作；
步骤3.3、将输出后的结果与真实地物类别进行精度运算，求出相应的Kappa系数，总体精度以及混淆矩阵等度量参数，进而判断模型分类效果。
本发明通过首先利用超像素分割和绝大多数投票机制来构造遥感影像地物类别特征描述集，获得关于遥感影像地物类别近似刻画，同时大规模约减了同一幅影像图谱构建的数据量，有利于处理大数据样本下的遥感影像地物分类问题；最后通过融合型特征图谱集训练图卷积神经网络，从而达到精确区分地物类型的目的。本发明将非常有利于遥感自然灾害监测、土地覆盖类型判别、城市规划和生态环境变化监测等方面的研究。
上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (5)
1.一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于，该方法包含以下步骤：
步骤1：取一景遥感影像分别进行相关预处理操作，包括几何校正、大气校正和图像增强，将彩色遥感影像转化为XY坐标下的灰度图像或者CIELAB颜色空间，对其进行简单线性迭代聚类，初始化种子点，生成紧凑、近似均匀的超像素；
步骤2：基于生成的超像素遥感影像图，创建图谱的节点和边，对影像进行提取纹理特征、颜色特征作为图谱输入特征矩阵；
步骤3：结合集成学习的绝大多数投票机制进行标签制作，若某地物标记得票超过一半，则将超像素预测为该地物类别，否则拒绝标记，进而形成图谱的标签数据集；
步骤4：利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取，得到关于影像图的节点和边输入数据，形成关于遥感影像特征描述集；
步骤5：基于遥感影像特征描述集，训练图卷积神经网络模型，获得影像地物分类模型并对测试样本分类。
2.根据权利要求1所述的一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于：所述步骤1-4中是对遥感影像提取其地物类别特征描述集。
3.根据权利要求1所述的一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于：所述步骤5中提出的是基于图卷积神经网络的地物分类模型。
4.根据权利要求1所述的一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于：所述步骤2中对影像进行提取纹理特征和颜色特征：深度卷积神经网络自动提取遥感影像特征图谱集过程：假定共有K种地物类别卷积神经网络自动提取的特征图谱集形成可表示为
其中
其中1≤k≤M表示第k块分块遥感影像，n(1≤k≤N)表示第n个超像素，X＝CNN(·)表示执行深度卷积神经网络。
5.根据权利要求1所述的一种基于图卷积神经网络的遥感影像地物识别方法，其特征在于：所述步骤4中利用深度卷积神经网络对高分辨率遥感影像特征图谱自动提取：基于图卷积神经网络的遥感影像地物识别分类过程；根据全连接卷积神经网络自动提取的特征图谱，假定地物类别总共有K种，则其地物识别过程可由以下几个步骤构成；
步骤4.1：由步骤2生成的遥感影像地物类别特征图谱集
1≤k≤M，联接生成融合的特征图谱，对图卷积神经网络进行训练，并采用留一法执行交叉验证流程，获取图卷积神经网络的地物分类模型训练参数Θ，其中图卷积神经网络层数为2层，并在其后加上自适应注意力机制层，使图中的每个节点可以根据相邻节点的特征，为其分配不同的权值，损失函数选用NLL_LOSS，对输入参数进行log_softmax函数激活，优化函数选用一种自适应学习率的优化方法Adam优化函数进行优化，利用梯度的一阶矩估计和二阶矩估计动态的调整学习率；
步骤4.2：将加上了注意力机制的图卷积神经网络提取的自适应特征描述集及其注意力特征权值进行一次不含注意力机制层的图卷积操作并进行归一化处理，最后依据分类模型确定各个节点所属类别，其公式化描述为Opre＝GCN(·)，其中Opre表示输出所属类别，GCN(·)表示执行图卷积神经网络操作；
步骤4.3、将输出后的结果与真实地物类别进行精度运算，求出相应的Kappa系数，总体精度以及混淆矩阵等度量参数，进而判断模型分类效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294356.2A CN112347970B (zh) | 2020-11-18 | 2020-11-18 | 一种基于图卷积神经网络的遥感影像地物识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011294356.2A CN112347970B (zh) | 2020-11-18 | 2020-11-18 | 一种基于图卷积神经网络的遥感影像地物识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112347970A true CN112347970A (zh) | 2021-02-09 |
| CN112347970B CN112347970B (zh) | 2024-04-05 |
Family
ID=74362836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011294356.2A Active CN112347970B (zh) | 2020-11-18 | 2020-11-18 | 一种基于图卷积神经网络的遥感影像地物识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347970B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298129A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 基于超像素和图卷积网络的极化sar图像分类方法 |
| CN113435268A (zh) * | 2021-06-09 | 2021-09-24 | 武汉理工大学 | 基于图变换知识嵌入算法的地震灾区遥感影像解译方法 |
| CN113469226A (zh) * | 2021-06-16 | 2021-10-01 | 中国地质大学（武汉） | 一种基于街景图像的土地利用分类方法及*** |
| CN113780188A (zh) * | 2021-09-14 | 2021-12-10 | 福州大学 | 一种基于外业图片的地表火模型的可燃物自动识别方法 |
| CN116030355A (zh) * | 2023-03-30 | 2023-04-28 | 武汉城市职业学院 | 一种地物分类方法及*** |
| CN116703744A (zh) * | 2023-04-18 | 2023-09-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 |
| CN116934754A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550709A (zh) * | 2015-12-14 | 2016-05-04 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
| CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
| CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
| WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
-
2020
- 2020-11-18 CN CN202011294356.2A patent/CN112347970B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550709A (zh) * | 2015-12-14 | 2016-05-04 | 武汉大学 | 一种遥感影像输电线路走廊森林区域提取方法 |
| CN110084294A (zh) * | 2019-04-18 | 2019-08-02 | 北京师范大学 | 一种基于多尺度深度特征的遥感影像分类方法 |
| WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技（深圳）有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
| CN111461258A (zh) * | 2020-04-26 | 2020-07-28 | 武汉大学 | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘万军;梁雪剑;曲海成;: "自适应增强卷积神经网络图像识别", 中国图象图形学报, no. 12, 16 December 2017 (2017-12-16) * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113298129A (zh) * | 2021-05-14 | 2021-08-24 | 西安理工大学 | 基于超像素和图卷积网络的极化sar图像分类方法 |
| CN113298129B (zh) * | 2021-05-14 | 2024-02-02 | 西安理工大学 | 基于超像素和图卷积网络的极化sar图像分类方法 |
| CN113435268A (zh) * | 2021-06-09 | 2021-09-24 | 武汉理工大学 | 基于图变换知识嵌入算法的地震灾区遥感影像解译方法 |
| CN113469226A (zh) * | 2021-06-16 | 2021-10-01 | 中国地质大学（武汉） | 一种基于街景图像的土地利用分类方法及*** |
| CN113780188A (zh) * | 2021-09-14 | 2021-12-10 | 福州大学 | 一种基于外业图片的地表火模型的可燃物自动识别方法 |
| CN113780188B (zh) * | 2021-09-14 | 2023-08-08 | 福州大学 | 一种基于外业图片的地表火模型的可燃物自动识别方法 |
| CN116030355A (zh) * | 2023-03-30 | 2023-04-28 | 武汉城市职业学院 | 一种地物分类方法及*** |
| CN116703744A (zh) * | 2023-04-18 | 2023-09-05 | 二十一世纪空间技术应用股份有限公司 | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 |
| CN116703744B (zh) * | 2023-04-18 | 2024-05-28 | 二十一世纪空间技术应用股份有限公司 | 一种基于卷积神经网络的遥感影像匀光匀色方法和装置 |
| CN116934754A (zh) * | 2023-09-18 | 2023-10-24 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
| CN116934754B (zh) * | 2023-09-18 | 2023-12-01 | 四川大学华西第二医院 | 基于图神经网络的肝脏影像识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112347970B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| CN111695467B (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN111368896A (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
| CN112052783B (zh) | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 | |
| 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 | |
| CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
| CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
| CN110807485B (zh) | 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法 | |
| CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及*** | |
| CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
| CN107516103A (zh) | 一种影像分类方法和*** | |
| CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
| CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| CN113032613B (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
| CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
| CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
| CN113052121B (zh) | 一种基于遥感影像的多层级网络地图智能生成方法 | |
| CN112381730B (zh) | 一种遥感影像数据扩增方法 | |
| CN115359304B (zh) | 一种面向单幅图像特征分组的因果不变性学习方法及*** | |
| CN109934292B (zh) | 基于代价敏感性辅助学***衡极化sar地物分类方法 | |
| CN116052018B (zh) | 基于终身学习的遥感影像解译方法 | |
| CN114708513B (zh) | 一种顾及角点特征的边缘建筑物提取方法及*** | |
| CN114882224B (zh) | 模型结构、模型训练方法、单体化方法、设备及介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |