CN113886630A - 基于迁移学习的多源异构遥感样本库构建方法及装置 - Google Patents
基于迁移学习的多源异构遥感样本库构建方法及装置 Download PDFInfo
- Publication number
- CN113886630A CN113886630A CN202111157123.2A CN202111157123A CN113886630A CN 113886630 A CN113886630 A CN 113886630A CN 202111157123 A CN202111157123 A CN 202111157123A CN 113886630 A CN113886630 A CN 113886630A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- heterogeneous remote
- network
- source heterogeneous
- sample
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 32
- 238000013526 transfer learning Methods 0.000 title claims abstract description 30
- 230000003287 optical effect Effects 0.000 claims abstract description 30
- 238000010380 label transfer Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000013508 migration Methods 0.000 claims description 12
- 230000005012 migration Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于迁移学习的多源异构遥感样本库构建方法及装置,包括对城市多源异构遥感数据进行一致性预处理,多源异构遥感数据是来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据;构建基于空间域转换的标签迁移学习网络,以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络输入,将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集;通过Zx和l之间的转换关系,建立x和l的联系,使得网络输出同一场景下其他异构遥感影像y的标签;优化后通过标签迁移网络模型对多源异构遥感影像进行标记,对样本进行有效性验证,对标记错误的影像重新标签学习。
Description
技术领域
本发明属于遥感影像信息提取领域,涉及一种基于迁移学习的多源异构遥感样本库构建方法及装置。
背景技术
全球城市遥感信息提取为全球城市可持续发展的研究奠定了基础,面临着海量的遥感数据和全球各种复杂场景,深度学习方法以其学习能力强、泛化能力强等优势在进行全球城市遥感信息提取任务中脱颖而出。遥感大数据为开展基于深度学习的全球城市遥感信息提取提供了可能。然而,单一的遥感数据源无法描述全球城市土地覆盖、土地利用的多样性和差异性,而多源异构遥感样本的构建过于复杂,因此目前尚无全球覆盖的城市遥感样本库。如何综合利用多源异构遥感影像的优势,构建一个全球城市典型要素多源异构大规模遥感样本库,是制约深度学习模型在全球尺度城市遥感信息智能提取的瓶颈。此外,现有的样本库标记***都是人工来进行的,耗时耗力,已不能满足日增月益的遥感数据。
针对此问题,本发明提供一种基于迁移学习的多源异构遥感样本库构建方法及装置,利用多源异构遥感影像,通过制定不同时间分辨率、不同空间分辨率、不同光谱分辨率、不同成像角度(简称“时-空-谱-角”)的遥感数据一致性预处理技术方案,建立基于空间域转换的多源异构遥感样本半自动迁移标注方法及***,该半自动样本迁移标注方法利用已标注的高分光学样本为参考,对同一场景下的异构影像(如LiDAR数据、红外影像等)进行标注。
发明内容
针对现有遥感样本库标注技术存在的不足,本发明的目的是提供一种新的样本迁移标注方法,实现一种基于迁移学习的多源异构遥感样本库构建方法及装置。
本发明技术方案提供一种基于迁移学习的多源异构遥感样本库构建方法,包括以下步骤,
步骤a,对城市多源异构遥感数据进行一致性预处理,所述多源异构遥感数据是指来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据;
步骤b,构建基于空间域转换的标签迁移学习网络,所述标签迁移学习网络中,以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络的输入,通过将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集;通过Zx和l之间的转换关系,建立x和l的联系,最终使得网络输出同一场景下其他异构遥感影像y的标签o;
步骤c,优化网络模型,包括在网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止;
步骤d,样本有效性验证,包括通过步骤b构建的标签迁移网络模型,对多源异构遥感影像进行标记,对样本是否满足要求进行有效性验证,对标记错误的影像重新进行标签学习,直到满足要求为止。
而且,步骤a中,多源异构遥感数据一致性预处理包括影像的大气校正、正射校正、几何配准,其中大气校正是为了消除由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程;正射校正是利用数字高程模型数据对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像,将多角度成像的遥感数据进行角度归一化;几何配准是对同一场景下的多源异构遥感影像,经几何变换使同名像点在位置上和方位上完全叠合。
而且,基于空间域转换的标签迁移学习网络的实现方式如下,
设置一个编码器E,编码器将输入的高分光学影像x和其他异构影像y分别编码到对应的低维特征空间Zx和Zy,在低维空间中二者特征是完全对齐的;设置一个生成器G,将低维空间中的特征恢复到源域中的特征;此外,引入一个映射网络L将输入的高分光学影像x映射到l。
而且,网络的目标函数由三部分组成,损失函数定义如下,
Loss=EY,X(Zy|y)+αGY,X(yY→Y|Zy)+βL(y)
其中,α和β为常系数,X,Y分别为x和y的源域空间;损失函数中的第一部分EY,X(Zy|y)为编码器的损失函数,第二部分GY,X(yY→Y|Zy)为生成器的损失函数,第三部分L(y)为映射网络的损失函数。
网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止。
而且,用于构建全球城市典型要素多源异构遥感样本库。
另一方面,提供一种基于迁移学习的多源异构遥感样本库构建装置,用于实现如上所述的一种基于迁移学习的多源异构遥感样本库构建方法。
而且,包括以下模块,
第一模块,用于对城市多源异构遥感数据进行一致性预处理,所述多源异构遥感数据是指来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据;
第二模块,用于构建基于空间域转换的标签迁移学习网络,所述标签迁移学习网络中,以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络的输入,通过将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集;通过Zx和l之间的转换关系,建立x和l的联系,最终使得网络输出同一场景下其他异构遥感影像y的标签o;
第三模块,用于优化网络模型,包括在网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止;
第四模块,用于样本有效性验证,包括通过第二模块构建的标签迁移网络模型,对多源异构遥感影像进行标记,对样本是否满足要求进行有效性验证,对标记错误的影像重新进行标签学习,直到满足要求为止。
或者,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于迁移学习的多源异构遥感样本库构建方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于迁移学习的多源异构遥感样本库构建方法。
本发明克服了现有多源异构遥感样本标记困难这一问题,通过标签迁移学习实现半自动化的多源异构遥感样本库构建。
附图说明
图1为本发明实施例基于迁移学习的多源异构遥感样本库构建方法流程图;
图2为本发明实施例基于空间域转换的标签迁移学习网络示意图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步说明。
本发明的实施例是基于迁移学习的多源异构遥感样本库构建方法,具体流程参照图1,包括具体步骤如下:
步骤a,城市“时-空-谱-角”多源异构遥感数据一致性预处理
多源异构遥感数据是指来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据,由于“时-空-谱-角”的差异性的存在,使得多源异构遥感数据的特征空间表现出差异性。多源异构遥感数据一致性预处理包括影像的大气校正、正射校正、几何配准。其中大气校正是为了消除由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程;正射校正是利用数字高程模型(DEM)数据对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像,可以将多角度成像的遥感数据进行角度归一化;几何配准是对同一场景下的多源异构遥感影像,经几何变换使同名像点在位置上和方位上完全叠合。
步骤b,构建基于空间域转换的标签迁移学习网络
高分辨率光学影像具有全球覆盖、目视解译效果好的优势,利用已标注好的高分光学影像作为参考,对其他多源异构遥感影像进行标注是半自动化标签迁移学习的主要思想,网络示意图如图2。以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络的输入,通过将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集。通过Zx和l之间的转换关系,建立x和l的联系,最终使得网络输出同一场景下其他异构遥感影像y的标签o。
为达到以上目的,具体实施时可以设置一个编码器E,编码器可以将输入的高分光学影像x和其他异构影像y分别编码到对应的低维特征空间Zx和Zy,在低维空间中二者特征是完全对齐的;设置一个生成器G,可以将低维空间中的特征恢复到源域中的特征;此外,引入一个映射网络L将输入的高分光学影像x映射到l。
步骤c,优化网络模型
网络的目标函数由三部分组成,损失函数定义如下:
Loss=EY,X(Zy|y)+αGY,X(yY→Y|Zy)+βL(y)
其中α和β为常系数,X,Y分别为x和y的源域空间。损失函数中的第一部分EY,X(Zy|y)为编码器的损失函数,第二部分GY,X(yY→Y|Zy)为生成器的损失函数,第三部分L(y)为映射网络的损失函数。网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止。
步骤d,样本有效性验证
通过步骤b构建的标签迁移网络模型,对多源异构遥感影像进行标记,为验证样本的有效性,对样本是否满足要求进行有效性验证,对标记错误的影像重新进行标签学习,直到满足要求为止。
相比于现有方法,本发明的优势和积极效果:现有样本标注***无法实现半自动化样本标记,且无法对多源异构遥感影像进行标记。本发明的优势在于用标签迁移学习来实现对多源异构遥感影像的半自动化样本标记。
在一些可能的实施例中,提供一种基于迁移学习的多源异构遥感样本库构建装置,包括以下模块,
第一模块,用于对城市多源异构遥感数据进行一致性预处理,所述多源异构遥感数据是指来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据;
第二模块,用于构建基于空间域转换的标签迁移学习网络,所述标签迁移学习网络中,以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络的输入,通过将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集;通过Zx和l之间的转换关系,建立x和l的联系,最终使得网络输出同一场景下其他异构遥感影像y的标签o;
第三模块,用于优化网络模型,包括在网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止;
第四模块,用于样本有效性验证,包括通过第二模块构建的标签迁移网络模型,对多源异构遥感影像进行标记,对样本是否满足要求进行有效性验证,对标记错误的影像重新进行标签学习,直到满足要求为止。
在一些可能的实施例中,提供一种基于迁移学习的多源异构遥感样本库构建装置,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于迁移学习的多源异构遥感样本库构建方法。
在一些可能的实施例中,提供一种基于迁移学习的多源异构遥感样本库构建装置,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于迁移学习的多源异构遥感样本库构建方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于迁移学习的多源异构遥感样本库构建方法,其特征在于:包括以下步骤,
步骤a,对城市多源异构遥感数据进行一致性预处理,所述多源异构遥感数据是指来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据;
步骤b,构建基于空间域转换的标签迁移学习网络,所述标签迁移学习网络中,以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络的输入,通过将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集;通过Zx和l之间的转换关系,建立x和l的联系,最终使得网络输出同一场景下其他异构遥感影像y的标签o;
步骤c,优化网络模型,包括在网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止;
步骤d,样本有效性验证,包括通过步骤b构建的标签迁移网络模型,对多源异构遥感影像进行标记,对样本是否满足要求进行有效性验证,对标记错误的影像重新进行标签学习,直到满足要求为止。
2.根据权利要求1所述基于迁移学习的多源异构遥感样本库构建方法,其特征在于:步骤a中,多源异构遥感数据一致性预处理包括影像的大气校正、正射校正、几何配准,其中大气校正是为了消除由大气影响所造成的辐射误差,反演地物真实的表面反射率的过程;正射校正是利用数字高程模型数据对影像同时进行倾斜改正和投影差改正,将影像重采样成正射影像,将多角度成像的遥感数据进行角度归一化;几何配准是对同一场景下的多源异构遥感影像,经几何变换使同名像点在位置上和方位上完全叠合。
3.根据权利要求1所述基于迁移学习的多源异构遥感样本库构建方法,其特征在于:基于空间域转换的标签迁移学习网络的实现方式如下,
设置一个编码器E,编码器将输入的高分光学影像x和其他异构影像y分别编码到对应的低维特征空间Zx和Zy,在低维空间中二者特征是完全对齐的;设置一个生成器G,将低维空间中的特征恢复到源域中的特征;此外,引入一个映射网络L将输入的高分光学影像x映射到l。
4.根据权利要求3所述基于迁移学习的多源异构遥感样本库构建方法,其特征在于:网络的目标函数由三部分组成,损失函数定义如下,
Loss=EY,X(Zy|y)+αGY,X(yY→Y|Zy)+βL(y)
其中,α和β为常系数,X,Y分别为x和y的源域空间;损失函数中的第一部分EY,X(Zy|y)为编码器的损失函数,第二部分GY,X(yY→Y|Zy)为生成器的损失函数,第三部分L(y)为映射网络的损失函数。
网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止。
5.根据权利要求1或2或3或4所述基于迁移学习的多源异构遥感样本库构建方法,其特征在于:用于构建全球城市典型要素多源异构遥感样本库。
6.一种基于迁移学习的多源异构遥感样本库构建装置,其特征在于:用于实现如权利要求1-5任一项所述的一种基于迁移学习的多源异构遥感样本库构建方法。
7.根据权利要求6所述基于迁移学习的多源异构遥感样本库构建装置,其特征在于:包括以下模块,
第一模块,用于对城市多源异构遥感数据进行一致性预处理,所述多源异构遥感数据是指来自不同传感器的不同时间分辨率、不同空间分辨率、不同光谱分辨率以及不同角度成像的遥感数据;
第二模块,用于构建基于空间域转换的标签迁移学习网络,所述标签迁移学习网络中,以高分光学影像x、高分光学样本l和同一场景下其他异构遥感影像y作为网络的输入,通过将高分光学影像x和同一场景下其他异构遥感影像y分别转换到低维特征空间Zx和Zy,并使得Zx和Zy有一定交集;通过Zx和l之间的转换关系,建立x和l的联系,最终使得网络输出同一场景下其他异构遥感影像y的标签o;
第三模块,用于优化网络模型,包括在网络训练过程中,通过反向求导法则来最小化损失函数,直到损失函数值不再下降为止;
第四模块,用于样本有效性验证,包括通过第二模块构建的标签迁移网络模型,对多源异构遥感影像进行标记,对样本是否满足要求进行有效性验证,对标记错误的影像重新进行标签学习,直到满足要求为止。
8.根据权利要求6所述基于迁移学习的多源异构遥感样本库构建装置,其特征在于:包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-5任一项所述的一种基于迁移学习的多源异构遥感样本库构建方法。
9.根据权利要求6所述基于迁移学习的多源异构遥感样本库构建装置,其特征在于:包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-5任一项所述的一种基于迁移学习的多源异构遥感样本库构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157123.2A CN113886630B (zh) | 2021-09-30 | 2021-09-30 | 基于迁移学习的多源异构遥感样本库构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111157123.2A CN113886630B (zh) | 2021-09-30 | 2021-09-30 | 基于迁移学习的多源异构遥感样本库构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113886630A true CN113886630A (zh) | 2022-01-04 |
CN113886630B CN113886630B (zh) | 2024-07-12 |
Family
ID=79004672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111157123.2A Active CN113886630B (zh) | 2021-09-30 | 2021-09-30 | 基于迁移学习的多源异构遥感样本库构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113886630B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114238217A (zh) * | 2022-02-24 | 2022-03-25 | 清华大学 | 土地覆盖样本时空迁移方法、*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及*** |
US20200210421A1 (en) * | 2018-12-29 | 2020-07-02 | Wuhan University | Method of storing remote sensing big data in hbase database |
CN111898507A (zh) * | 2020-07-22 | 2020-11-06 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
CN113220911A (zh) * | 2021-05-25 | 2021-08-06 | 中国农业科学院农业信息研究所 | 一种农业多源异构数据的分析与挖掘方法及其应用 |
-
2021
- 2021-09-30 CN CN202111157123.2A patent/CN113886630B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985238A (zh) * | 2018-07-23 | 2018-12-11 | 武汉大学 | 联合深度学习和语义概率的高分辨率遥感影像不透水面提取方法及*** |
US20200210421A1 (en) * | 2018-12-29 | 2020-07-02 | Wuhan University | Method of storing remote sensing big data in hbase database |
CN111898507A (zh) * | 2020-07-22 | 2020-11-06 | 武汉大学 | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 |
CN113220911A (zh) * | 2021-05-25 | 2021-08-06 | 中国农业科学院农业信息研究所 | 一种农业多源异构数据的分析与挖掘方法及其应用 |
Non-Patent Citations (2)
Title |
---|
SIHANG ZHANG, ET AL.: "An internal-external optimized convolutional neural network for arbitrary orientated object detection from optical remote sensing images", RESEARCH ARTICLE, 27 September 2021 (2021-09-27), pages 654 - 665 * |
李德仁等: "面向实时应用的遥感服务技术", 遥感学报, vol. 25, no. 01, 25 January 2021 (2021-01-25), pages 15 - 24 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114238217A (zh) * | 2022-02-24 | 2022-03-25 | 清华大学 | 土地覆盖样本时空迁移方法、*** |
CN114238217B (zh) * | 2022-02-24 | 2022-05-20 | 清华大学 | 土地覆盖样本时空迁移方法、*** |
Also Published As
Publication number | Publication date |
---|---|
CN113886630B (zh) | 2024-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115601549B (zh) | 基于可变形卷积和自注意力模型的河湖遥感图像分割方法 | |
CN113673425B (zh) | 一种基于Transformer的多视角目标检测方法及*** | |
CN113657388B (zh) | 一种融合图像超分辨率重建的图像语义分割方法 | |
CN102564403B (zh) | 基于图像引导的交通事故现场快速测绘*** | |
CN110570449A (zh) | 一种基于毫米波雷达与视觉slam的定位与建图方法 | |
CN111003214B (zh) | 基于云控制的国产陆地观测卫星姿轨精化方法 | |
Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
CN114373009A (zh) | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 | |
CN116485856B (zh) | 一种基于语义分割的无人机图像地理配准方法及相关设备 | |
CN113886630A (zh) | 基于迁移学习的多源异构遥感样本库构建方法及装置 | |
CN102506828B (zh) | 基于线特征的交通事故现场图几何校正*** | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN111696156A (zh) | 一种免控制点的遥感影像坐标转换方法 | |
CN115223019A (zh) | 一种基于相机与激光雷达融合的全天时停车位检测方法 | |
CN117156282A (zh) | 一种基于无人机航摄相片投影的全景图像生成方法及*** | |
CN117173399A (zh) | 一种跨模态交叉注意力机制的交通目标检测方法及*** | |
CN116736259A (zh) | 一种用于塔吊自动驾驶的激光点云坐标标定的方法及装置 | |
CN111964665A (zh) | 基于车载环视图像的智能车定位方法、***及存储介质 | |
CN110826478A (zh) | 一种基于对抗网络的航拍违建识别方法 | |
CN116128762A (zh) | 卫星影像预处理方法、装置、电子设备及存储介质 | |
CN115620150A (zh) | 基于孪生Transformer的多模态图像地面建筑识别方法及装置 | |
CN111696056B (zh) | 一种基于多任务迁移学习的数字档案图像的矫正方法 | |
Jiang et al. | 3D reconstruction of spherical images based on incremental structure from motion | |
CN109919998B (zh) | 卫星姿态确定方法、装置和终端设备 | |
CN114355977B (zh) | 一种基于多旋翼无人机的塔式光热电站镜场巡检方法及装置 |
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 |