CN113327304A - 一种基于端到端神经网络的高光谱图像显著图生成方法 - Google Patents
一种基于端到端神经网络的高光谱图像显著图生成方法 Download PDFInfo
- Publication number
- CN113327304A CN113327304A CN202110593767.XA CN202110593767A CN113327304A CN 113327304 A CN113327304 A CN 113327304A CN 202110593767 A CN202110593767 A CN 202110593767A CN 113327304 A CN113327304 A CN 113327304A
- Authority
- CN
- China
- Prior art keywords
- neural network
- saliency map
- convolution
- hyperspectral image
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims description 33
- 230000004913 activation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000005096 rolling process Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于端到端神经网络的高光谱图像显著图生成方法,包括S1:图像预处理;S2:构建端到端的神经网络模型提取空谱特征;S3:神经网络的训练;端到端的神经网络模型结构为W2型卷积神经网络,神经网络模型包括左右两支编码通道和中间一支解码通道分别为空间编码模块、光谱编码模块和解码模块,模型还包括用于生成预测显著图的结果预测模块。本发明通过构建的端到端的神经网络模型,能够提取图像的深层空谱特征,并直接生成预测显著图,节省了计算资源的消耗,提高了特征的鲁棒性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于端到端神经网络的高光谱图像显著图生成方法。
背景技术
高光谱图像是由数十或数百幅连续的窄波段图像组成,能够同时捕获目标场景的空间维和光谱维信息,被称为“数据立方体”。随着高光谱成像技术的发展,高光谱成像仪能够采集具有更高空间分辨率和光谱分辨率的高光谱数据。目前,高光谱图像已在众多领域中得到应用并取得成效,例如地物遥感、精准农业、医学诊断、目标检测等。
显著图是一种模拟人类视觉注意机制的模型,描述了现实场景中人眼关注的突出对象或区域,也称为“感兴趣区域”。显著性检测是通过算法来模拟视觉注意机制,提取图像中的显著性区域并生成显著图。在传统方法中,主要利用图像的颜色、纹理等初级特征,计算局部或全局对比度,从而获得区域的显著性。近年来,在计算机视觉中神经网络模型得到深入研究,用于提取图像的深层特征,基于这些深层特征在显著性检测中能够生成质量更好的显著图。
高光谱图像具有丰富的空间和光谱信息,但由于光谱数据具有较高的维度以及相关性,处理难度较大,因而现有的高光谱图像显著图生成方法大都基于浅层光谱特征,未能充分利用高光谱图像的空谱信息;而现有的基于深层特征的方法,一般先采用神经网络提取特征再通过显著性检测生成显著图,采用两阶段过程会消耗更多计算资源,在网络训练和实用中较为复杂不够便捷灵活。
发明内容
本发明提供了一种基于端到端神经网络的高光谱图像显著图生成方法,首先对高光谱图像进行预处理,使得输入的图像规范化更适宜输入到模型中,再将处理后的图像数据输入端到端的神经网络模型中进行空谱特征的提取,获取高光谱图像的深层空谱特征,并直接生成预测显著图,最后将生成的预测显著图输入到神经网络中,通过计算预测显著图与真值显著图之间的损失训练神经网络模型。
本发明提供了一种基于端到端神经网络的高光谱图像显著图生成方法,方法包括如下步骤:
步骤S1:图像预处理,对初始高光谱图像进行预处理,得到处理后的图像数据输入端到端的神经网络中;
步骤S2:深层空谱特征的提取,构建端到端的神经网络模型,将经过预处理得到的高光谱图像数据输入到所述神经网络模型中,提取空间特征和光谱特征并将两种特征进行融合,进行结果预测并将预测结果融合获得最终的预测显著图;
步骤S3:神经网络模型的训练,构建的训练数据集,对高光谱图像数据进行数据扩充,并输入到网络模型中,利用损失函数计算预测显著图与真值显著图的损失,优化参数训练神经网络。
进一步的,步骤S1中,所述图像的预处理为计算采样得到的初始高光谱图像数据的均值和方差,并归一化,得到处理后的高光谱数据。
进一步的,步骤S2中所述端到端神经网络模型包括空间编码模块、光谱编码模块、解码模块以及结果预测,所述空间编码模块和所述光谱编码模块分别与所述解码模块连接,所述空间编码模块用于编码空间特征,所述光谱编码模块用于编码光谱特征,所述解码模块用于融合输入的空间特征和光谱特征输出预测显著图,并输入到所述结果预测模块中。
进一步的,所述空间编码模块与所述解码模块中卷积块的各卷积层结构相同,各卷积层均包括conv3×3卷积、批归一化层bn和激活函数relu,上层卷积层之间通过下采样层downsample连接,下层卷积层之间通过上采样层upsample连接,所述卷积块整体构成U型结构。
进一步的,所述空间编码模块包括6个卷积块,所述卷积块的深度L分别为7、6、5、4、4和4,所述卷积块之间通过最大池化层maxpool连接。
进一步的,所述解码模块包括5个卷积块,所述卷积快的深度L分别为7、6、5、4和4,所述卷积块之间通过上采样层upsample或最大池化层maxpool连接。
进一步的,所述光谱编码模块包括6个卷积块,所述卷积块深度均为4,所述卷积块之间通过平均池化层avgpool连接。
进一步的,所述光谱编码模块中卷积块的各卷积层均包括conv1×1卷积和批归一化层,所述卷积块中各卷积层之间通过激活函数relu进行输入端和输出端的连接,所述卷积块整体构成U型结构。
进一步的,所述结果预测模块分别通过conv3×3卷积和激活函数sigmoid接收所述解码模块中各卷积块的输出,得到预测显著图,并将所述预测显著图通过conv1×1卷积和激活函数sigmoid进行融合输出最终的预测显著图。
进一步的,步骤S3中,进行神经网络训练的数据集的高光谱图像尺寸为1024*768,对训练集数据采用50%概率的水平翻转或25%概率的下采样进行数据扩充,得到尺寸为512*384的高光谱图像作为输入的训练集。
进一步的,步骤S3中,所述损失函数采用二分类交叉熵损失函数,所述神经网络的训练根据计算得到的损失,通过反向传播算法对模型参数进行优化。
本发明的有益效果如下:
1、采用端到端的双分支神经网络模型提取高光谱图像的深层特征并直接生成预测显著图,根据生成预测显著图计算与真值显著图的损失进行网络训练,获得最终的网络模型,节省计算资源、降低时间消耗,提高了在神经网络训练和实用中的灵活性。
2、构建的端到端神经网络模型结构,融合了空间编码模块、光谱编码模块以及解码模块,充分提取高光谱图像的深层空谱特征,提升了特征的鲁棒性,使得生成的显著图质量更高,提高了最终结果的准确性。
3、解码模块中各卷积块之间通过上采样层连接输入和输出,提高在参数范围内输入图像数据的像素点的影响,保证结果输出的准确。
附图说明
图1是本发明生成方法的流程示意图;
图2是本发明端到端神经网络整体的结构示意图;
图3是本发明端到端神经网络4层深度卷积块的结构示意图;
图3中左侧为空间编码模块和解码模块对应的4层深度卷积块结构;右侧为光谱编码模块对应的4层深度卷积块结构;
S1-S6分别表示解码模块每层对应输出的预测显著图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明的实施例1提供了一种基于端到端神经网络的高光谱图像显著图生成方法,如图1所示,方法包括如下步骤:
步骤S1:图像预处理,对初始高光谱图像进行预处理,得到处理后的图像数据输入端到端的神经网络中,具体过程如下:
本实施例中,初始高光谱图像数据为X0∈N512×384×81,即尺寸为512*384,光谱维数为81,之后对得到的高光谱图像进行预处理和人工标注,所述预处理通过计算高光谱图像数据的均值和方差,并进行整体归一化计算得到处理后的高光谱图像数据X1∈RW×H×L,保证了高光谱图像中光谱数据的连续性,具体公式如下:
其中μ(X0)为原始高光谱图像数据的均值,σ(X0)为原始高光谱图像数据的方差。
步骤S2:构建端到端的神经网络模型,将经过预处理得到的高光谱图像数据输入到所述神经网络模型中,提取空间特征和光谱特征并将两种特征进行融合,对输出的结果进行结果预测并将预测结果融合获得最终的预测显著图;
如图2所示,本实施例中所述端到端的神经网络模型结构为双分支W2型卷积神经网络,包括空间编码模块、光谱编码模块、解码模块以及结果预测模块;
所述空间编码模块和所述光谱编码模块分别与所述解码模块连接,整体构成U型结构,所述空间编码模块用于编码空间特征,所述光谱编码模块用于编码光谱特征,所述解码模块用于融合输入的空间特征和光谱特征输出预测显著图,并输入到所述结果预测模块中;
其中,所述空间编码模块包括6个卷积块,所述卷积块的深度L分别为7、6、5、4、4和4,所述卷积块之间通过最大池化层maxpool连接;
所述解码模块包括5个卷积块,所述卷积快的深度L分别为7、6、5、4和4,所述卷积块之间通过上采样层upsample或最大池化层maxpool连接;
所述光谱编码模块包括6个卷积块,所述卷积块深度均为4,所述卷积块之间通过平均池化层avgpool连接。
所述空间编码模块与所述光谱编码模块的各卷积块均与所述解码模块每层卷积块的输入连接,得到六个不同程度的预测结果。
如图3所示,以深度为4的卷积块进行举例说明;
本实施例中,所述空间编码模块与所述解码模块中卷积块的各卷积层结构相同,各卷积层均包括conv3×3卷积、批归一化层bn和激活函数relu,图像数据输入到卷积核为3×3的卷积层和批归一化层bn,之后输入到4层深度的卷积块中,各卷积层的输出均输入到同深度的卷积层中,且上层前n-1深度的卷积层之间通过下采样层连接,下层前n-1深度的卷积层之间通过下采样层连接,n表示当前卷积块的深度,所述卷积块整体构成U型结构,最后将各层输出进行叠加并再输入到relu激活函数中;
所述光谱编码模块中卷积块的各卷积层均包括conv1×1卷积和批归一化层,所述卷积块中各卷积层之间通过激活函数relu进行输入和输出的连接,同样各卷积层的输出均输入到同深度的卷积层中,且不同深度的卷积层之间顺序连接形成U型结构。
将预处理的高光谱图像数据X1输入端到端的神经网络,通过空间分支和光谱分支提取到深层空谱特征为F∈R512×384×64,64为特征维数,然后输入到结果预测模块中。
所述结果预测模块分别通过conv3×3的卷积和激活函数sigmoid接收所述解码模块中各卷积块的输出的深层空谱特征,生成每层对应的预测显著图,并将所述预测显著图通过conv1×1卷积和激活函数sigmoid进行融合,输出最终的预测显著图S∈R512×384,所述融合还可采用叠加求均值的方式输出最终结果。
步骤S3:神经网络模型的训练,构建训练数据集,通过对原始高光谱图像进行标注得到真值显著图,利用损失函数计算预测显著图与真值显著图的损失,优化参数训练神经网络;
本实施例中,采用尺寸大小为1024*768高光谱图像作为训练集,通过对训练集图像采用以50%概率水平翻转或以25%的概率下采样得到512*384大小的高光谱图像作为输入;
计算模型输出的预测显著图与真值显著图G∈N512×384的损失,根据损失通过反向传播算法Adam算法优化神经网络模型的参数;
其中,真值显著图G∈NW×H,数值为0或1,0代表背景,1代表前景,预测显著图的数值范围为(0.0,1.0),因而,在神经网络训练中将显著性值的回归问题看作背景和前景的二分类问题,对于预测显著图逐个像素进行二分类,损失函数采用二分类交叉熵计算损失。
本实施例中,分别计算六个不同网络深度下的预测显著图与真值显著图的损失以及最终融合的显著图与真值显著图的损失,从而训练网络,损失的计算公式如下:
其中G表示真值显著图,S表示预测显著图,W和H表示显著图的尺寸,x和y表示像素坐标。
本实施例中,神经网络模型的训练设置20个epoch,批规模设置为2,初始学习率为0.001,每个epoch学习率的衰减系数为0.95。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,方法包括如下步骤:
步骤S1:图像预处理,对初始高光谱图像进行预处理,得到处理后的图像数据输入端到端的神经网络中;
步骤S2:深层空谱特征的提取,构建端到端的神经网络模型,将经过预处理得到的高光谱图像数据输入到所述神经网络模型中,提取空间特征和光谱特征并将两种特征进行融合,进行结果预测并将预测结果融合获得最终的预测显著图;
步骤S3:神经网络模型的训练,构建的训练数据集,对高光谱图像数据进行数据扩充,并输入到网络模型中,利用损失函数计算预测显著图与真值显著图的损失,优化参数训练神经网络。
2.根据权利要求1所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,步骤S1中,所述图像的预处理为计算采样得到的初始高光谱图像数据的均值和方差,并归一化,得到处理后的高光谱数据。
3.根据权利要求1所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,步骤S2中,所述端到端神经网络模型包括空间编码模块、光谱编码模块、解码模块以及结果预测模块,所述空间编码模块和所述光谱编码模块分别与所述解码模块连接,所述空间编码模块用于编码空间特征,所述光谱编码模块用于编码光谱特征,所述解码模块用于融合输入的空间特征和光谱特征输出预测显著图,并输入到所述结果预测模块中。
4.根据权利要求4所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,所述空间编码模块与所述解码模块中卷积块的各卷积层结构相同,各卷积层均包括conv3×3卷积、批归一化层bn和激活函数relu,上层卷积层之间通过下采样层downsample连接,下层卷积层之间通过上采样层upsample连接,所述卷积块整体构成U型结构。
5.根据权利要求5所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,所述空间编码模块包括6个卷积块,所述卷积块的深度L分别为7、6、5、4、4和4,所述卷积块之间通过最大池化层maxpool连接;
所述解码模块包括5个卷积块,所述卷积快的深度L分别为7、6、5、4和4,所述卷积块之间通过上采样层upsample或最大池化层maxpool连接。
6.根据权利要求4所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,所述光谱编码模块包括6个卷积块,所述卷积块深度均为4,所述卷积块之间通过平均池化层avgpool连接。
7.根据权利要求8所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,所述光谱编码模块中卷积块的各卷积层均包括conv1×1卷积和批归一化层,所述卷积块中各卷积层之间通过激活函数relu进行输入端和输出端的连接,所述卷积块整体构成U型结构。
8.根据权利要求4所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,所述结果预测模块分别通过conv3×3卷积和激活函数sigmoid接收所述解码模块中各卷积块的输出,得到预测显著图,并将所述预测显著图通过conv1×1卷积和激活函数sigmoid进行融合输出最终的预测显著图。
9.根据权利要求1所述的基于端到端神经网络的高光谱图像显著图生成方法,其特征在于,步骤S3中,进行神经网络训练的数据集的高光谱图像尺寸为1024*768,对训练集数据采用50%概率的水平翻转或25%概率的下采样进行数据扩充,得到尺寸为512*384的高光谱图像作为输入的训练集。
10.根据权利要求1所述的基于端到端神经网络的高光谱图像显著图生成方法,步骤S3中,所述损失函数采用二分类交叉熵损失函数,所述神经网络的训练根据计算得到的损失,通过反向传播算法对模型参数进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593767.XA CN113327304A (zh) | 2021-05-28 | 2021-05-28 | 一种基于端到端神经网络的高光谱图像显著图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110593767.XA CN113327304A (zh) | 2021-05-28 | 2021-05-28 | 一种基于端到端神经网络的高光谱图像显著图生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113327304A true CN113327304A (zh) | 2021-08-31 |
Family
ID=77422282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110593767.XA Pending CN113327304A (zh) | 2021-05-28 | 2021-05-28 | 一种基于端到端神经网络的高光谱图像显著图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327304A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387258A (zh) * | 2022-01-14 | 2022-04-22 | 北京理工大学重庆创新中心 | 基于区域动态深度展开神经网络的高光谱图像重构方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
US20150055824A1 (en) * | 2012-04-30 | 2015-02-26 | Nikon Corporation | Method of detecting a main subject in an image |
CN108090447A (zh) * | 2017-12-19 | 2018-05-29 | 青岛理工大学 | 双分支深层结构下的高光谱图像分类方法及装置 |
CN109146831A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 基于双支深度学习网络的遥感图像融合方法及*** |
CN109191426A (zh) * | 2018-07-24 | 2019-01-11 | 江南大学 | 一种平面图像显著性检测方法 |
CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
CN111160478A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111667489A (zh) * | 2020-04-30 | 2020-09-15 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及*** |
CN112183360A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
-
2021
- 2021-05-28 CN CN202110593767.XA patent/CN113327304A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150055824A1 (en) * | 2012-04-30 | 2015-02-26 | Nikon Corporation | Method of detecting a main subject in an image |
CN103729848A (zh) * | 2013-12-28 | 2014-04-16 | 北京工业大学 | 基于光谱显著性的高光谱遥感图像小目标检测方法 |
CN108090447A (zh) * | 2017-12-19 | 2018-05-29 | 青岛理工大学 | 双分支深层结构下的高光谱图像分类方法及装置 |
CN109191426A (zh) * | 2018-07-24 | 2019-01-11 | 江南大学 | 一种平面图像显著性检测方法 |
CN109146831A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 基于双支深度学习网络的遥感图像融合方法及*** |
CN109871830A (zh) * | 2019-03-15 | 2019-06-11 | 中国人民解放军国防科技大学 | 基于三维深度残差网络的空谱融合高光谱图像分类方法 |
CN111160478A (zh) * | 2019-12-31 | 2020-05-15 | 北京理工大学重庆创新中心 | 一种基于深度学习的高光谱目标显著性检测方法 |
CN111667489A (zh) * | 2020-04-30 | 2020-09-15 | 华东师范大学 | 基于双分支注意力深度学习的癌症高光谱图像分割方法及*** |
CN112183360A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 高分辨率遥感影像的轻量化语义分割方法 |
Non-Patent Citations (3)
Title |
---|
CHEN HUANG 等: "Salient object detection on hyperspectral images in wireless network using CNN and saliency optimization", 《AD HOC NETWORKS》 * |
XIANGYU LIU 等: "Remote sensing image fusion based on two-stream fusion network", 《INFORMATION FUSION》 * |
XUEBIN QIN 等: "U2-Net: Going deeper with nested U-structure for salient object detection", 《PATTERN RECOGNITION》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114387258A (zh) * | 2022-01-14 | 2022-04-22 | 北京理工大学重庆创新中心 | 基于区域动态深度展开神经网络的高光谱图像重构方法 |
CN114387258B (zh) * | 2022-01-14 | 2024-03-22 | 北京理工大学重庆创新中心 | 基于区域动态深度展开神经网络的高光谱图像重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325794B (zh) | 一种基于深度卷积自编码器的视觉同时定位与地图构建方法 | |
CN111259945B (zh) | 引入注意力图谱的双目视差估计方法 | |
Pang et al. | Visual haze removal by a unified generative adversarial network | |
CN111582483B (zh) | 基于空间和通道联合注意力机制的无监督学习光流估计方法 | |
CN111931787A (zh) | 一种基于特征聚合的rgbd显著性检测方法 | |
CN111598998A (zh) | 三维虚拟模型重建方法、装置、计算机设备和存储介质 | |
CN112132023A (zh) | 基于多尺度上下文增强网络的人群计数方法 | |
CN111047548A (zh) | 姿态变换数据处理方法、装置、计算机设备和存储介质 | |
CN113283444B (zh) | 一种基于生成对抗网络的异源图像迁移方法 | |
Wang et al. | VoPiFNet: Voxel-Pixel Fusion Network for Multi-Class 3D Object Detection | |
CN115359372A (zh) | 一种基于光流网络的无人机视频运动目标检测方法 | |
CN114049434A (zh) | 一种基于全卷积神经网络的3d建模方法及*** | |
CN115115685A (zh) | 一种基于自注意力神经网络的单目图像深度估计算法 | |
CN110335299A (zh) | 一种基于对抗网络的单目深度估计***实现方法 | |
CN116205962A (zh) | 基于完整上下文信息的单目深度估计方法及*** | |
CN117391938B (zh) | 一种红外图像超分辨率重建方法、***、设备及终端 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
Wang et al. | Underwater self-supervised monocular depth estimation and its application in image enhancement | |
Liu et al. | A video drowning detection device based on underwater computer vision | |
CN112967227B (zh) | 基于病灶感知建模的糖尿病视网膜病变自动评估*** | |
CN113327304A (zh) | 一种基于端到端神经网络的高光谱图像显著图生成方法 | |
Gonzalez-Sabbagh et al. | DGD-cGAN: A dual generator for image dewatering and restoration | |
Liu et al. | SI-SA GAN: A generative adversarial network combined with spatial information and self-attention for removing thin cloud in optical remote sensing images | |
CN116631064A (zh) | 基于关键点与网格顶点互补增强的3d人体姿态估计方法 | |
CN115170985B (zh) | 一种基于阈值注意力的遥感图像语义分割网络及分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |
|
RJ01 | Rejection of invention patent application after publication |