CN112990088A - 一种基于cnn模型嵌入的遥感图像小样本分类方法 - Google Patents
一种基于cnn模型嵌入的遥感图像小样本分类方法 Download PDFInfo
- Publication number
- CN112990088A CN112990088A CN202110377716.3A CN202110377716A CN112990088A CN 112990088 A CN112990088 A CN 112990088A CN 202110377716 A CN202110377716 A CN 202110377716A CN 112990088 A CN112990088 A CN 112990088A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- small sample
- embedding
- sample classification
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 238000002474 experimental method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000003254 palate Anatomy 0.000 description 1
- 230000002265 prevention Effects 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
- 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
- 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
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)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (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CNN模型嵌入的遥感图像小样本分类方法,包括如下设计:1、选用公开的遥感图像数据集,设计合适的训练测试比;2、删除深度卷积神经网络最后的分类部分;3、将微调后的深度卷积神经网络作为特征提取器,提取输入遥感图像的深度特征;4、引入孪生网络的思想,构建两个权值共享的特征提取子网络;5、利用SoftmaxLoss优化特征提取结果;6、嵌入SVMLoss完成遥感图像小样本分类任务,并对实验结果进行评估。本发明采用孪生网络结构,提取遥感图像的特征,利用SoftmaxLoss优化特征提取结果,并嵌入SVMLoss实现最终的分类。该方法增强了分类模型的特征表现能力,SVMLoss的嵌入进一步提高了其泛化性能,遥感图像小样本分类准确率也得到显著提高。
Description
技术领域
本发明涉及一种基于CNN模型嵌入的遥感图像小样本分类方法,是一种遥感图像处理技术。
背景技术
遥感图像的分类一直是遥感领域的重要研究课题之一。在自然灾害预防,土地覆盖检测和城乡规划等领域,遥感图像的分类方法起着重要的作用。遥感图像的传统分类方法是基于特征的人工提取,容易引起分类混乱,无法获得理想的分类精度。
为了避免人工特征提取导致分类不准确的问题,Hinton等人在2006年提出了一种深度学习方法。采用深度卷积神经网络自动提取图像特征,大大减少了网络的参数,提高了分类精度,降低了网络的计算量。在遥感图像分类中有着广泛的应用。
然而,深度卷积神经网络需要大规模数据集才能取得显著效果。在实际应用中,获取大规模遥感图像也需要耗费昂贵的人力和物力。特别是在一些特定的场景中,有效的遥感图像往往很少。利用少量遥感图像数据集训练复杂的深度卷积神经网络模型必然会导致过拟合,影响遥感图像小样本分类的准确性。
同时由于遥感图像数据集的特殊性,也给遥感图像小样本分类带来了困难:
(1)遥感图像具有多角度、多方向的特点,同一类别的遥感图像在角度和位置上差异很大;
(2)在某些场景下,不同类别的遥感图像相似度极高,如密集住宅区、中型住宅区和稀疏住宅区,仅密集程度不同。
目前,对于遥感图像小样本分类方法的研究还在探索阶段,如何将小样本的遥感图像应用到依赖大量样本但分类效果理想的卷积神经网络中是一个具有挑战性的课题。
值得注意的是,将SVM损失嵌入到卷积神经网络模型中,对训练样本数目的依赖大大减少,而且提高了训练效率。既保证了网络模型的简单性,又增强了其泛化能力。
发明内容
本发明的目的在于提供一种基于CNN模型嵌入的遥感图像小样本分类方法,在ResNet-50网络的结构基础上,构建两个权值共享的特征提取子网络,采用Softmax Loss函数优化特征提取结果,并嵌入SVM Loss函数完成最终的分类任务。该方法具有较强的泛化性能,提高了遥感图像小样本分类准确率,更具鲁棒性。
本发明通过下述技术方案实现:一种基于CNN模型嵌入的遥感图像小样本分类方法,包括以下步骤:
1)选用公开的遥感图像数据集,设计合适的训练测试比;
2)删除卷积神经网络ResNet-50模型最后的分类部分;
3)将微调后的卷积神经网络ResNet-50作为特征提取器,提取遥感图像的深度特征;
4)引入孪生网络的结构思想,构建两个权值共享的特征提取子网络;
5)利用Softmax Loss函数优化特征提取结果;
6)嵌入SVM Loss函数完成遥感图像小样本分类任务,并对实验结果进行评估。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤1)包括:
选用公开的遥感图像数据集,分别设计1:9和2:8的训练测试比,达到小样本分类的目的。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤2)的ResNet-50网络模型包括1个卷积层、16个building block结构及1个全连接层,并将全连接层的分类部分删除。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤3)利用卷积层和building block结构自动提取遥感图像深度特征,为了更好地提取特征,在遥感图像上进行微调。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤4)包括:
引入孪生网络的结构思想,构建两个权值共享的特征提取子网络。其中一个子网络与Softmax Loss连接,用于优化特征提取;另一个子网络共享其权值,与SVM Loss连接,输出最终分类结果。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤5)SoftmaxLoss函数I(C(xi))可通过下式计算:
zi=Wi Tf+bi
I(f)=-logPc
其中:W是softmax权值矩阵,b是偏差矩阵,c是目标类别,Pc是预测概率,f是提取的遥感图像特征向量,fi=C(xi)。
进一步的为更好地实现本发明,特别采用下述设置方式:所述步骤6)SVM Loss函数V(fi)可通过下式计算:
V(fi)=∑j≠yi[max(0,fiwj-fiwyi+Δ)]
其中:fi是提取得到的遥感图像特征,j是遥感图像类别,wj是类别j的计算权重,yi是遥感图像xi的正确分类,Δ是分类间隔参数。
进一步的为更好地实现本发明,特别采用下述设置方式:所述遥感图像小样本分类模型的训练目标是最小化损失函数L(xi)和L(xi1);其中L(xi)=V(C(xi)),L(xi1)=V(C(xi1))。
进一步的为更好地实现本发明,特别采用下述设置方式:该算法的最终分类准确度是SVM Loss后的分类准确度进行表示。
进一步的为更好地实现本发明,特别采用下述设置方式:所述的公开遥感图像数据集分别是WHU-RS19、UC Merced Land-Use和NWPU-RESISC45。
本发明在三个公开的遥感图像数据集上进行小样本的训练,并测试模型的分类准确率,泛化性能较强,在遥感图像小样本分类任务中效果显著。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明基于ResNet-50网络模型,采用更深的网络,利用卷积层和buildingblock结构自动提取遥感图像更深层次的特征信息;在遥感图像上进行微调,以便更好地提取遥感图像特征。
(2)本发明采用孪生网络结构,具有两个权值共享子网络,其中一个子网络利用Softmax Loss函数优化特征提取结果;另一个子网络共享其权值,与SVM Loss连接,输出最终分类结果。
(3)本发明嵌入SVM Loss,在分类模型的训练阶段,对大量样本的依赖大大减轻,分类模型的泛化能力得到增强,遥感图像小样本分类准确率得到提高,鲁棒性强。
附图说明
图1为本发明的实现流程图;
图2为本发明的实验结果图。
具体实施方式
下面结合实施例对本发明做出进一步的说明,但本发明的实施方式不限于此。
为使本发明实施方式的技术方案和效果更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
如图1所示为一种基于CNN模型嵌入的遥感图像小样本分类方法,包括以下步骤:
1)选用公开的遥感图像数据集,设计合适的训练测试比;
2)删除卷积神经网络ResNet-50模型最后的分类部分;
3)将微调后的卷积神经网络ResNet-50作为特征提取器,提取遥感图像的深度特征;
4)引入孪生网络的结构思想,构建两个权值共享的特征提取子网络;
5)利用Softmax Loss函数优化特征提取结果;
6)嵌入SVM Loss函数完成遥感图像小样本分类任务,并对实验结果进行评估。
所述步骤1)包括:选用公开的遥感图像数据集,分别设计1:9和2:8的训练测试比,达到小样本分类的目的。同时对原始遥感图像数据进行中心化处理,增加基向量的正交性,有利于后续的收敛。
随着网络深度增加,网络的准确度也会同步增加,但是网络深度增加会带来两个问题:第一个是梯度消失问题,梯度反向传播过程中,靠前的层梯度会很小,这意味着学习基本上停滞了;第二个问题是参数空间增大,优化难度增加,反而造成更高的训练误差。
本发明中采用的ResNet-50网络模型设计了一种残差模块,可以解决训练更深的网络带来的问题。通过在网络基础上叠加y=x的identity层,实现恒等映射,不让网络随深度增加而退化。残差模块学习的是残差函数F(x)=H(x)-x,当F(x)=0时,就是上面提到的恒等映射。优化目标函数对恒等映射的逼近比重新学习一个映射函数要容易。
所述步骤2)中ResNet-50网络模型包括1个卷积层、16个building block结构,每一个building block结构为3层,及1个全连接层。本发明中将全连接层的分类部分删除,仅作为特征提取网络。
所述步骤3)利用卷积层和building block结构的高学习效率,自动提取遥感图像深度特征;同时为了更好地提取特征,在遥感图像上进行微调。
所述步骤4)引入孪生网络的结构思想,构建两个权值共享的特征提取子网络。其中一个子网络与Softmax Loss连接,用于优化特征提取;另一个子网络共享其权值,与SVMLoss连接,输出最终分类结果。
针对Softmax Loss函数I(C(xi))可通过下式计算:
zi=Wi Tf+bi
I(f)=-logPc
其中:W是softmax权值矩阵,b是偏差矩阵,c是目标类别,Pc是预测概率,f是提取的遥感图像特征向量,fi=C(xi)。
针对SVM Loss函数V(fi)可通过下式计算:
V(fi)=∑j≠yi[max(0,fiwj-fiwyi+Δ)]
其中:fi是提取得到的遥感图像特征,j是遥感图像类别,wj是类别j的计算权重,yi是遥感图像xi的正确分类,Δ是分类间隔参数。
所述遥感图像小样本分类模型的训练目标是最小化损失函数L(xi)和L(xi1);其中L(xi)=V(C(xi)),L(xi1)=V(C(xi1))。梯度下降法选用Adam优化方法,这是一种自适应学***稳。
该算法的最终分类准确度是SVM Loss后的分类准确度进行表示。
所述的公开遥感图像数据集分别是WHU-RS19、UC Merced Land-Use和NWPU-RESISC45。
基于上述设置,进行以下实验。图2是本发明实际实验结果图,形象地展示本发明实施方式在解决遥感图像小样本分类任务的效果。
1、实验条件:
本发明的实验在具有大于6G显存的GPU和linux***上实现。
本发明的实验使用了三个遥感数据集WHU-RS19、UC Merced Land-Use和NWPU-RESISC45。
WHU-RS19包含1005幅600*600像素的高空间分辨率图像,分为19类,每类约有50张图像。这19类分别为机场、沙滩、桥梁、商业区、沙漠、农田、足球场、森林、工业区、草场、山地、公园、停车场、池塘、港口、火车站、住宅区、河道和高架桥。
UC Merced Land-Use数据集是首批公开可用的高分辨率遥感图像数据集之一。该数据集包含2100个航空场景图像,其大小为256*256像素,平均分为21个土地利用类别。这21类分别为农田、飞机、棒球场、海滩、楼房、灌木丛、密集住宅区、森林、高速公路、海港、高尔夫球场、交叉路口、活动房、中型住宅区、立交桥、停车场、河、跑道、稀疏住宅区、储存罐和网球场。
NWPU-RESISC45数据集包含31500张图像,涵盖45个场景类别。每个类别包含700个图像,大小为256*256像素。这45个场景类包括飞机、机场、棒球场、篮球场、海滩、桥梁、灌木林、教堂、环形农田、云、商业区、密集住宅区、沙漠、森林、高速公路、高尔夫球场、地面田径场、港口、工业区、十字路口、岛屿,湖,草地,中型住宅,移动房屋公园,山,立交桥,宫殿,停车场,铁路,火车站,矩形农田,河,环状交叉路口,跑道,海冰,船,雪山,稀疏住宅,体育场,储罐,网球场,露台,热电站,湿地。
2、实验结果分析:
本发明的实验采用本发明的方法与未做任何改变的卷积神经网络(ResNet-50)对三个数据集进行分类,并将分类效果进行对比分析,表1和表2分别是训练比为1:9和2:8的实验对比结果。从表1和表2中可以看出,本发明方法在三个数据集上分类的正确率都高于未做出改变的卷积神经网络方法。
表1:训练比为1:9时实验对比结果
表2:训练比为2:8时实验对比结果
注:“DataSet”表示的是实验的遥感图像数据集。
“Method”表示实验的遥感图像分类方法。
“Accuracy”表示遥感图像分类的准确率。
本发明利用孪生网络结构提取遥感图像特征信息,再利用Softmax Loss函数优化特征提取结果,最后嵌入SVM Loss函数输出分类结果,增强了卷积神经网络的特征提取能力和学习的泛化能力,提高了遥感图像分类准确率和鲁棒性。虽然本发明主要针对遥感图像数据集小样本分类的情况,但也适用于一般情况。
以上所述仅是本发明的优选实施方式,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:包括以下步骤:
1)选用公开的遥感图像数据集,设计合适的训练测试比;
2)删除卷积神经网络ResNet-50模型最后的分类部分;
3)将微调后的卷积神经网络ResNet-50作为特征提取器,提取遥感图像的深度特征;
4)引入孪生网络的结构思想,构建两个权值共享的特征提取子网络;
5)利用Softmax Loss函数优化特征提取结果;
6)嵌入SVM Loss函数完成遥感图像小样本分类任务,并对实验结果进行评估。
2.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述步骤1)包括:选用公开的遥感图像数据集,分别设计1:9和2:8的训练测试比,达到小样本分类的目的。
3.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述步骤2)中ResNet-50网络模型包括1个卷积层、16个building block结构及1个全连接层,并将全连接层的分类部分删除。
4.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述步骤3)利用卷积层和building block结构自动提取遥感图像深度特征,为了更好地提取特征,在遥感图像上进行微调。
5.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述步骤4)引入孪生网络的结构思想,构建两个权值共享的特征提取子网络。其中一个子网络与Softmax Loss连接,用于优化特征提取;另一个子网络共享其权值,与SVM Loss连接,输出最终分类结果。
7.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述步骤6)SVM Loss函数V(fi)可通过下式计算:
V(fi)=∑j≠yi[max(0,fiwj-fiwyi+Δ)]
其中:fi是提取得到的遥感图像特征,j是遥感图像类别,wj是类别j的计算权重,yi是遥感图像xi的正确分类,Δ是分类间隔参数。
8.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述遥感图像小样本分类模型的训练目标是最小化损失函数L(xi)和L(xi1);其中L(xi)=V(C(xi)),L(xi1)=V(C(xi1))。
9.根据权利要求1所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:该算法的最终分类准确度是SVM Loss后的最终分类准确度进行表示。
10.根据权利要求1-9任一项所述的一种基于CNN模型嵌入的遥感图像小样本分类方法,其特征在于:所述的公开遥感图像数据集分别是WHU-RS19、UC Merced Land-Use和NWPU-RESISC45。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377716.3A CN112990088A (zh) | 2021-04-08 | 2021-04-08 | 一种基于cnn模型嵌入的遥感图像小样本分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377716.3A CN112990088A (zh) | 2021-04-08 | 2021-04-08 | 一种基于cnn模型嵌入的遥感图像小样本分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990088A true CN112990088A (zh) | 2021-06-18 |
Family
ID=76339458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110377716.3A Pending CN112990088A (zh) | 2021-04-08 | 2021-04-08 | 一种基于cnn模型嵌入的遥感图像小样本分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990088A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838058A (zh) * | 2021-10-11 | 2021-12-24 | 重庆邮电大学 | 一种基于小样本分割的医学图像自动标注方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017203262A2 (en) * | 2016-05-25 | 2017-11-30 | Metail Limited | Method and system for predicting garment attributes using deep learning |
CN109492666A (zh) * | 2018-09-30 | 2019-03-19 | 北京百卓网络技术有限公司 | 图像识别模型训练方法、装置及存储介质 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
CN111354017A (zh) * | 2020-03-04 | 2020-06-30 | 江南大学 | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 |
CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
-
2021
- 2021-04-08 CN CN202110377716.3A patent/CN112990088A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017203262A2 (en) * | 2016-05-25 | 2017-11-30 | Metail Limited | Method and system for predicting garment attributes using deep learning |
CN109492666A (zh) * | 2018-09-30 | 2019-03-19 | 北京百卓网络技术有限公司 | 图像识别模型训练方法、装置及存储介质 |
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
CN111354017A (zh) * | 2020-03-04 | 2020-06-30 | 江南大学 | 一种基于孪生神经网络及平行注意力模块的目标跟踪方法 |
CN111652038A (zh) * | 2020-04-13 | 2020-09-11 | 上海海洋大学 | 基于卷积神经网络的遥感的海冰图像分类方法 |
Non-Patent Citations (4)
Title |
---|
JIN CHEN等: "Wireless capsule endoscopy video summarization: A learning approach based on Siamese neural network and support vector machine", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
YU-AN CHUNG等: "Learning Deep Representations of Medical Images using Siamese CNNs with Application to Content-Based Image Retrieval", 《HTTPS://ARXIV.ORG/PDF/1711.08490.PDF》 * |
罗善威等: "基于双重相似度孪生网络的小样本实例分割", 《武汉科技大学学报》 * |
赵明: "基于深度迁移学习的遥感图像分类问题研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113838058A (zh) * | 2021-10-11 | 2021-12-24 | 重庆邮电大学 | 一种基于小样本分割的医学图像自动标注方法及*** |
CN113838058B (zh) * | 2021-10-11 | 2024-03-19 | 重庆邮电大学 | 一种基于小样本分割的医学图像自动标注方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | RSI-CB: A large scale remote sensing image classification benchmark via crowdsource data | |
Shi et al. | Domain adaption for fine-grained urban village extraction from satellite images | |
CN108805200B (zh) | 基于深度孪生残差网络的光学遥感场景分类方法及装置 | |
Xue et al. | Remote sensing scene classification based on multi-structure deep features fusion | |
Lu et al. | Dual-branch network for cloud and cloud shadow segmentation | |
CN113033460A (zh) | 一种基于孪生网络的联合损失遥感图像分类方法 | |
CN108846334A (zh) | 一种云类别自动识别方法及*** | |
CN111985274A (zh) | 一种基于卷积神经网络的遥感图像分割算法 | |
Wang et al. | Vehicle detection based on drone images with the improved faster R-CNN | |
CN112784779A (zh) | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 | |
CN114067177A (zh) | 一种基于自监督学习的遥感图像分类网络鲁棒性提升方法 | |
CN111599007B (zh) | 一种基于无人机航拍的智慧城市cim道路贴图方法 | |
CN112633140A (zh) | 多光谱遥感图像城中村多类别建筑物语义分割方法及*** | |
CN110555461A (zh) | 基于多结构卷积神经网络特征融合的场景分类方法及*** | |
CN113505842A (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN112990088A (zh) | 一种基于cnn模型嵌入的遥感图像小样本分类方法 | |
Fan et al. | Multilevel spatial-channel feature fusion network for urban village classification by fusing satellite and streetview images | |
CN114186889A (zh) | 一种基于层次分析的城市绿地景观评价方法 | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及*** | |
CN113468982A (zh) | 一种城市功能区分类方法、装置及存储介质 | |
CN113052084A (zh) | 一种基于手机定位数据的社区级矢量道路网提取方法 | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及*** | |
CN115272749A (zh) | 一种基于XGBoost的多尺度特征融合遥感图像分类模型 | |
Wen | Based on the improved depth residual Unet high-resolution remote sensing road extraction method |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210618 |