CN113191374B - 基于金字塔注意力网络的PolSAR图像山脊线提取方法 - Google Patents
基于金字塔注意力网络的PolSAR图像山脊线提取方法 Download PDFInfo
- Publication number
- CN113191374B CN113191374B CN202110547251.1A CN202110547251A CN113191374B CN 113191374 B CN113191374 B CN 113191374B CN 202110547251 A CN202110547251 A CN 202110547251A CN 113191374 B CN113191374 B CN 113191374B
- Authority
- CN
- China
- Prior art keywords
- image
- ridge line
- characteristic
- polsar
- pyramid attention
- 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
Links
Images
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于金字塔注意力网络的PolSAR图像山脊线提取方法,包括如下步骤:S101,对PolSAR图像进行预处理和极化分解,得到Yamaguchi分解的体散射分量特征和Lambda特征,两特征相结合获得极化组合特征;S102,对极化组合特征进行建筑物和山脊的标注,得到标注图像,对标注图像进行分割,获得训练集;S103,将所述训练集输入PAN模型,首先经7×7的卷积运算,由编码器进行训练处理,提取输入图像特征;之后利用特征金字塔注意力模块和全局注意力上采样模块分层逐步进行图像的编码与解码,实现多尺度像素级信息的提取和低级与高级特征的有机结合,完成山脊线的提取。本发明显著提高了山脊线的提取精度,同时在模型的自动化、鲁棒性以及普适性上都有所改善。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种基于金字塔注意力网络的PolSAR图像山脊线提取方法。
背景技术
地震引发的次生地质灾害滑坡、崩塌、泥石流等对人类生命具有极大的威胁性,而这些由地震触发的山地灾害往往始于山脊线附近,准确地获取山脊信息有利于了解由地震触发的山地灾害情况,对地震发生后的潜在危险做出合理判断,从而为救援人员、物资运输提供帮助。在包含建筑物的极化合成孔径雷达(Polarimetric Synthetic ApertureRadar, PolSAR)图像复杂场景中,由于建筑物的存在,山脊识别过程常常产生错误判断。目前关于PolSAR图像山脊准确有效识别的研究较少。遥感卫星能够快速、准确地绘制感兴趣区域,可以提供灾区的重要信息。但地震发生后,受阴雨天气的影响,光学遥感影像在救灾决策中的作用受到了很大限制。而雷达遥感具有不依赖于太阳光,穿透力强,能全天候工作等特点,这些优势使得雷达遥感技术在地震研究中得到广泛深入的应用,是国家和地区各级防灾减灾不可或缺的重要手段。
随着科技的发展与进步,机器学习与深度学习技术逐渐成熟,在图像识别,语音识别和自然语言处理等领域为诸多问题提供了最佳解决方案。对于遥感图像解译而言,从最初的人工目视解译发展到现在的计算机自动解译,其中应用到机器学习与深度学习技术的现象也是较为常见,例如利用极化SAR数据的性质,设计多种专门处理极化SAR数据的深度学习网络模型,用以完成极化SAR图像的分类和变化检测任务。虽然机器学习和深度学习在图像分割领域应用较为广泛,但用于山脊线提取的研究比较匮乏。因此,本申请基于机器学习和深度学习技术,从全卷积神经网络的角度出发,结合极化分解的结果,利用PAN网络对山脊线进行提取,真正实现全自动提取的目的,并且显著提高山脊线的提取精度。
发明内容
针对上述背景技术中指出的不足,本发明提供了一种基于金字塔注意力网络的PolSAR图像山脊线提取方法,旨在解决上述背景技术中现有技术存在的问题。
为实现上述目的,本发明采用的技术方案是:
基于金字塔注意力网络的PolSAR图像山脊线提取方法,包括如下步骤:
S101,对PolSAR图像进行预处理和极化分解,得到Yamaguchi分解的体散射分量特征和Lambda特征,将所述体散射分量特征与Lambda特征相结合,获得极化组合特征,以便于后续对建筑物和山脊进行标注,从而获得训练样本和测试样本;
S102,对极化组合特征图进行建筑物和山脊的标注,得到标注图像,对标注图像进行分割,获得训练集和测试集;
S103,将所述训练集输入金字塔注意力网络(PAN)模型,首先经大小为7×7的卷积运算,由编码器进行训练处理,提取输入图像特征;然后将输入图像特征输入到特征金字塔注意力(FPA)模块中,提取出不同尺度像素级特征信息;最后利用全局注意力上采样(GAU)模块,通过全局池化操作,分层逐步进行图像的解码,将底层和高层特征信息准确地结合在一起,完成对山脊线的提取。
优选地,所述建筑物和山脊标记时,采用的标注工具为LabelMe。
优选地,所述标注图像分割方法为:设步长为1,将标注图像分割成1406个大小为256×256的样本,所述1406个样本下标依次从0递增到1405,之后输出了两个集合,其中一个集合为训练集,训练集是由总样本中随机筛选出的983个样本组成,剩下的样本则自动归到另一个集合中,即测试集,共423个。
优选地,所述编码器采用ResNet-101网络模型。
优选地,所述FPA模块采用u型网络结构。
优选地,所述不同尺度像素级特征信息的提取方法为:将特征金字塔注意力模块FPA输出的映射特征与进行1×1卷积操作后获得的特征信息相乘,得到的结果再与GAU模块的输入特征联合。
优选地,所述GAU模块的全局池化操作过程为:首先对低层特征进行3×3的卷积运算,对高层特征进行全局池化和1×1的卷积运算,然后将两个卷积运算得到的特征相乘,再与高层特征进行连接,以指导低层特征的分类。
相比于现有技术的缺点和不足,本发明具有以下有益效果:
本发明在全卷积神经网络的基础上嵌入了不同尺度的上下文信息,提升了感受野,可以高效地恢复出图像像素定位细节。从全卷积神经网络的角度出发,结合极化分解的结果,利用PAN网络对山脊线进行提取。该方法去除了人工选样、计算等可能造成误差的操作,达到了真正全自动提取的目的,最终的提取精度达到了98%以上,实现山脊线提取精度的显著提升,同时在模型的自动化、鲁棒性以及普适性上也有所改善。
附图说明
图1是本发明实施例提供的PolSAR极化分解得到的不同极化特征图。
图2是本发明实施例提供的标注图像。
图3是本发明实施例提供的部分训练集。
图4是本发明实施例提供的部分测试集。
图5是本发明山脊和建筑物分类结果图。
图6是本发明实施例提供的不同类型评测函数图。
实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
1、对于数据源进行处理,首先将实验区的PolSAR数据进行校正、滤噪、配准、裁剪等处理,滤噪处理采用的是窗口大小为11×11的refined lee滤波,之后对其进行极化分解和纹理分解,得到如图1所示的9种极化特征,分别为:图1(a)和(c)为Yamaguchi四分量分解特征、图1(b)、(f)和(i)为HA组合特征、图1(d)为Anisotropy特征、图1(e)为Lambda特征,图1(g)为Alpha特征、图1(h)为Entropy特征,从众多特征中选择符合实验要求的特征,本发明选用Lambda特征和Yamaguchi分解的体散射分量特征(Yamaguchi_vol)。
由图1可知,图1(a)所代表的Yamaguchi分解的体散射分量特征图中建筑物区域灰度值较低,而图1(e)所代表的Lambda特征图中山脊更亮,灰度值更高,除了这两种特征以外的特征图像中,均存在待提取区域特征像素分布规律不清晰、图斑散乱现象严重等问题。因此,本发明最终选取了Yamaguchi分解的体散射分量特征以及Lambda特征最为研究对象。将体散射分量特征与Lambda特征相结合,以便于后续对建筑物和山脊进行标注,从而获得训练样本和测试样本。
2、对极化组合特征图进行标注,从图中标注出建筑物和山脊,得到标注图像,本发明使用的标注工具为LabelMe,它是一个开源的深度学习标注工具,将其加载到Python开发环境中之后,就可以直接使用了,经过标注得到如图2所示的结果,图中深灰色部分为建筑物,浅灰色部分为山脊,黑色部分为背景。对标注图像进行分割,获得训练集和测试集。
对标注图像进行分割,获得训练集和测试集。为了尽可能多的获得训练集和测试集,设步长为1,将标注图像分割成1406个大小为256×256的样本,1406个样本下标依次从0递增到1405,之后输出了两个集合,其中一个集合为训练集,训练集是由总样本中随机筛选出的983个样本组成,而剩下的样本则自动归到另一个集合中,即测试集,共423个。图3和图4分别展示了部分训练集和测试集。
3、获得训练集之后,接下来就需要进行山脊和建筑物提取,将训练集输入金字塔注意力网络(PAN)模型,其输入与输出可以保持一致,可以直接得到结果图。根据该模型的金字塔结构,首先经过一个大小为7×7的卷积运算,然后由编码器进行处理,从而提取输入图像的特征,其主要用到了ResNet-101网络模型,选择ResNet-101网络是因为该模型既保持了模型的复杂度,又保证了分割的精度。其次将输入图像特征输入到特征金字塔注意力(FPA)模块中,这样做的目的是为了提取出不同尺度的特征信息并增加像素级的感受野,FPA模块具有特征金字塔网络的u型网络结构,FPA模块输出的映射特征与进行1×1卷积操作后获得的特征信息相乘,得到的结果再与全局注意力上采样(GAU)模块的输入特征联合。GAU模块进行全局池化操作:首先对低层特征进行3×3的卷积运算,对高层特征进行全局池化和1×1的卷积运算,然后将两个卷积运算得到的特征相乘,再与高层特征进行连接,以指导低层特征的分类,从而完成不同类别像素的定位,提高模型在细节分割上的精确度。由PAN网络经过50次训练后得到如图5所示的识别结果。
4、使用测试集验证结果的识别精度,本发明从四个方面验证提取的精度,分别为损失函数(loss),像素精确度(pixel accuracy,PA),平均像素精确度(Mean pixelAccuracy,MPA),平均交并比(Mean Intersection over Union,MIoU)。其中,损失函数是便于观察模型每一次迭代,其损失值和准确率的变化。像素精确度是最简单的指标,用来计算被正确分类的像素个数和总像素之间的比例。平均像素精确度顾名思义是在像素精确度的基础上做了改变,为类别内像素正确分类概率的平均值。平均交并比是计算两个集合之间交集和并集的比例,在图像分割中,就是真实值和预测值两个集合。具体结果如图6所示,图6中横坐标均代表了epoch,即训练的次数,共有50次;纵坐标分别代表了不同指标对应的值,图中波动幅度较小的曲线代表了训练集,波动幅度较大的曲线代表了测试集。首先从图6中loss图中可以发现第6次训练,第17次训练得到的loss值与其他值之间的偏差较大,对应的loss值分别为3.6189和2.7775,第49训练得到loss值与其他值之间存在较小的偏差,对应的loss值为1.3281。其次从图6中pa图中可以发现整体像素精度都处于98%以上,只有第17次训练得到的像素精度为96.63%,低于整体水平,但是几乎可以忽略不计。接着从图6中mpa图中可以看出整体精度均在75%以上,只有第17次训练得到的平均像素精确度为57.11%,其结果不太理想,从图中可以发现平均像素精确度要整体低于像素精确度,这是由于在训练过程中,会存在图像平移、旋转以及复原等操作,这些操作对于平均像素精确度会造成影响,对于本研究而言,像素精确度更具有说服力,更能体现结果的优劣。最后从图6中miou图中可以发现其每次训练结果与前文分析比较统一,除第17从训练结果偏差较大以外,其余的训练都取得了较好的结果。
本发明对PolSAR图像山脊线的提取精度高达98%以上,与现有的山脊线提取方法相比,本发明在提取精度上有显著提升。本发明同时在模型的自动化、鲁棒性以及普适性上都有所提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,包括如下步骤:
S101,对PolSAR图像进行预处理和极化分解,得到Yamaguchi分解的体散射分量特征和Lambda特征,将所述体散射分量特征与Lambda特征相结合,获得极化组合特征,以便于后续对建筑物和山脊进行标注,从而获得训练样本和测试样本;
S102,对极化组合特征图进行建筑物和山脊的标注,得到标注图像,对标注图像进行分割,获得训练集和测试集;
S103,将所述训练集输入金字塔注意力网络PAN模型,首先经7×7的卷积运算,由编码器进行训练处理,提取输入图像特征;然后将输入图像特征输入到特征金字塔注意力FPA模块中,提取出不同尺度像素级特征信息;最后利用全局注意力上采样GAU模块,通过全局池化操作,分层逐步进行图像的解码,将底层和高层特征信息准确地结合在一起,完成对山脊线的提取。
2.如权利要求1所述的基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,所述建筑物和山脊标记时,采用的标注工具为LabelMe。
3.如权利要求1所述的基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,所述标注图像分割方法为:设步长为1,将标注图像分割成1406个大小为256×256的样本,所述1406个样本下标依次从0递增到1405,之后输出了两个集合,其中一个集合为训练集,训练集是由总样本中随机筛选出的983个样本组成,剩下的样本则自动归到另一个集合中,即测试集,共423个。
4.如权利要求1所述的基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,所述编码器采用ResNet-101网络模型。
5.如权利要求1所述的基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,所述FPA模块采用u型网络结构。
6.如权利要求5所述的基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,所述不同尺度像素级特征信息的提取方法为:将特征金字塔注意力模块FPA输出的映射特征与进行1×1卷积操作后获得的特征信息相乘,得到的结果再与GAU模块的输入特征联合。
7.如权利要求6所述的基于金字塔注意力网络的PolSAR图像山脊线提取方法,其特征在于,所述GAU模块的全局池化操作过程为:首先对低层特征进行3×3的卷积运算,对高层特征进行全局池化和1×1的卷积运算,然后将两个卷积运算得到的特征相乘,再与高层特征进行连接,以指导低层特征的分类。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547251.1A CN113191374B (zh) | 2021-05-19 | 2021-05-19 | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 |
DE102022112299.9A DE102022112299A1 (de) | 2021-05-19 | 2022-05-17 | Methode zur extraktion von kammlinien aus polsar-bildern auf der basis eines pyramid-attention-networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547251.1A CN113191374B (zh) | 2021-05-19 | 2021-05-19 | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191374A CN113191374A (zh) | 2021-07-30 |
CN113191374B true CN113191374B (zh) | 2023-04-18 |
Family
ID=76982497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547251.1A Active CN113191374B (zh) | 2021-05-19 | 2021-05-19 | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113191374B (zh) |
DE (1) | DE102022112299A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311533B (zh) * | 2022-08-12 | 2023-04-18 | 哈尔滨市科佳通用机电股份有限公司 | 车门滑动轨道折断故障检测方法 |
CN115236655B (zh) | 2022-09-01 | 2022-12-20 | 成都理工大学 | 基于全极化sar的滑坡识别方法、***、设备及介质 |
CN115797768B (zh) * | 2022-11-30 | 2024-05-17 | 甘肃省地震局(中国地震局兰州地震研究所) | 一种基于纹理特征的sar建筑物震害估计方法 |
CN116842445B (zh) * | 2023-07-03 | 2024-06-11 | 山东科技大学 | 基于多模态时空谱融合的觉醒自动识别方法及*** |
CN117830313B (zh) * | 2024-03-05 | 2024-05-28 | 四川泓宝润业工程技术有限公司 | 基于深度学习的油田井口下方检测方法、装置、*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018026094A1 (ko) * | 2016-08-05 | 2018-02-08 | 인하대학교 산학협력단 | Dem 데이터를 이용한 ortho-photo 텍스쳐의 자동생성 방법 및 시스템 |
CN111602147A (zh) * | 2017-11-17 | 2020-08-28 | 脸谱公司 | 基于非局部神经网络的机器学习模型 |
CN112241956A (zh) * | 2020-11-03 | 2021-01-19 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
CN112561876A (zh) * | 2020-12-14 | 2021-03-26 | 中南大学 | 基于图像的池塘和水库的水质检测方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155391B1 (en) * | 2006-05-02 | 2012-04-10 | Geoeye Solutions, Inc. | Semi-automatic extraction of linear features from image data |
JP5894358B2 (ja) * | 2010-06-16 | 2016-03-30 | デクセリアルズ株式会社 | 光学体、壁材、建具、日射遮蔽装置、および建築物 |
JP6324025B2 (ja) * | 2013-11-05 | 2018-05-16 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
CN109031301A (zh) * | 2018-09-26 | 2018-12-18 | 云南电网有限责任公司电力科学研究院 | 基于PSInSAR技术的山区地形形变提取方法 |
CN110084210B (zh) * | 2019-04-30 | 2022-03-29 | 电子科技大学 | 基于注意力金字塔网络的sar图像多尺度舰船检测方法 |
CN111860233B (zh) * | 2020-07-06 | 2021-05-18 | 中国科学院空天信息创新研究院 | 基于选择注意力网络的sar图像复杂建筑物提取方法及*** |
CN112101084B (zh) * | 2020-07-22 | 2023-07-11 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于卷积神经网络的极化sar建筑物震害信息自动提取方法 |
CN112083422B (zh) * | 2020-08-26 | 2023-08-22 | 长沙理工大学 | 基于多级深度学习网络的单航过InSAR***端对端分类方法 |
-
2021
- 2021-05-19 CN CN202110547251.1A patent/CN113191374B/zh active Active
-
2022
- 2022-05-17 DE DE102022112299.9A patent/DE102022112299A1/de active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018026094A1 (ko) * | 2016-08-05 | 2018-02-08 | 인하대학교 산학협력단 | Dem 데이터를 이용한 ortho-photo 텍스쳐의 자동생성 방법 및 시스템 |
CN111602147A (zh) * | 2017-11-17 | 2020-08-28 | 脸谱公司 | 基于非局部神经网络的机器学习模型 |
CN112241956A (zh) * | 2020-11-03 | 2021-01-19 | 甘肃省地震局(中国地震局兰州地震研究所) | 基于区域生长法和变差函数的PolSAR图像山脊线提取方法 |
CN112561876A (zh) * | 2020-12-14 | 2021-03-26 | 中南大学 | 基于图像的池塘和水库的水质检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113191374A (zh) | 2021-07-30 |
DE102022112299A1 (de) | 2022-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN107527352B (zh) | 基于深度学习fcn网络的遥感舰船目标轮廓分割与检测方法 | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN111598098A (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及*** | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN115546656A (zh) | 一种基于深度学习的遥感影像养殖区域提取方法 | |
CN112836614A (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与*** | |
CN116309155A (zh) | 基于卷积和转换器混合网络的图像修复方法、模型和装置 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN114266932A (zh) | 一种基于自学习的遥感多光谱数据半监督标注方法 | |
CN106897683B (zh) | 一种遥感图像的地物检测方法及*** | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及*** | |
CN110458120B (zh) | 一种复杂环境下不同车型识别方法及*** | |
House et al. | Using deep learning to identify potential roof spaces for solar panels | |
CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
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*** | |
CN116310628A (zh) | 一种基于令牌掩码机制的大尺度城中村提取方法 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
Liu et al. | Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices | |
CN115205704A (zh) | 高分辨率遥感影像小样本高精度建筑分割提取方法及装置 | |
CN115527118A (zh) | 一种融合注意力机制的遥感图像目标检测方法 | |
CN115410083A (zh) | 一种基于对抗域适应的小样本sar目标分类方法及装置 |
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 |