CN114998242A - 一种卫星图像中输电线路杆塔检测方法 - Google Patents
一种卫星图像中输电线路杆塔检测方法 Download PDFInfo
- Publication number
- CN114998242A CN114998242A CN202210588429.1A CN202210588429A CN114998242A CN 114998242 A CN114998242 A CN 114998242A CN 202210588429 A CN202210588429 A CN 202210588429A CN 114998242 A CN114998242 A CN 114998242A
- Authority
- CN
- China
- Prior art keywords
- tower
- transmission line
- power transmission
- image
- target
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013434 data augmentation Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003190 augmentative effect Effects 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了一种卫星图像中输电线路杆塔检测方法,属于目标检测领域。本发明对多源遥感卫星影像输电线路杆塔小目标特征进行优化提取,使得提取的特征能够更好地反映输电线路杆塔特性,最终对杆塔目标检测输出附带坐标信息,有更强的应用前景。为了提高输电线路杆塔检测网络对杆塔小目标的学习能力,进一步的搭建特征金字塔提取模块,达到可以学习多尺度大小杆塔特征的目的;为了更好的利用各层特征层学习不同尺度大小的杆塔特征,进一步的,预先估计杆塔目标的大小,进行不同特征层目标锚框大小设计,从而更加精确的预测不同尺度大小的杆塔目标;同时对杆塔目标进行裁剪输入,合并输出,附带地理坐标信息更利于电网应用场景的可视化输出,具有可读性。
Description
技术领域
本发明属卫星图像识别领域,特别是输电线路杆塔的识别。
背景技术
为了减轻输电线路杆塔故障带来的输电线路安全隐患,通过基于卫星技术的电网“天空地协同”巡视关键技术研究的开展,电网部门积累了大量的遥感卫星影像数据、无人机巡检数据和输电线路杆塔台账数据,但是在目前杆塔的巡视和检查过程中,受制于分辨率的问题,基本上都是采用无人机巡检数据进行杆塔的识别和检测,很少使用高分辨率的遥感卫星影像数据。在输电线路的杆塔识别和检测研究进展中,现有的方法是基于无人机巡检数据,再结合深度学习的方法进行杆塔的检测,由于杆塔的目标较大,部分研究都可以取得较好的检测精度。但是在遥感卫星影像中,受制于目标大小和分辨率的问题,没有研究可以在高分辨率的遥感卫星影像上高精度的检测出输电线路杆塔。
发明内容
本发明目的在于提供一种卫星图像中输电线路杆塔检测方法,用于解决目前基于遥感卫星影像输电线路杆塔识别和检测的问题,首先依靠超分辨率算法提高原始高分辨率遥感卫星影像分辨率,其次搭建杆塔检测网络实现输电线路杆塔的检测。本发明解决了基于遥感卫星影像输电线路杆塔特征难以提取的问题,解决了基于遥感卫星影像输电线路杆塔高精度识别和检测的问题,发明已应用于云南电网基于遥感卫星影像输电线路目标检测中。
为实现上述目的,本发明的技术方案是:一种卫星图像中输电线路杆塔检测方法,该方法包括:
步骤1:获取包含输电线路的卫星图像;
步骤2:对步骤1获取的卫星图像进行正射校正;
步骤3:采用Gram-Schmidt正交化方法对卫星的多光谱影像和全色波段影像进行融合,获得红波段、绿波段、蓝波段和近红外波段4通道融合影像;
步骤4:对融合后的影像进行0-255像素范围的归一化;
步骤5:使用扩展性深层超分辨率网络对融合影像进行4倍超分放大;
步骤6:对融合影像进行1024×1024像素大小的裁剪,并对裁剪后的影像中的杆塔进行标注,标签记为杆塔,获得训练数据集;
步骤7:对训练数据进行随机裁剪、随机噪声添加、水平翻转,得到数据增广后数据;
步骤8:搭建杆塔检测网络;
步骤8.1:融合影像输入后首先经过深度残差网络,得到特征{C2,C3,C4,C5},{C2,C3,C4,C5}中每个元素对应不同尺度的特征图;
步骤8.2:将{C2,C3,C4,C5}中C2,C3,C4,C5通过1×1卷积核进行降维,C3,C4,C5进行2倍上采样,然后将降维后的C2和2倍上采样后的C3进行特征融合,得到特征P2;将降维后的C3和2倍上采样后的C4进行特征融合,得到特征P3;将降维后的C4和2倍上采样后的C5进行特征融合,得到特征P4;C5通过1×1卷积核进行降维后直接得到特征P5;最终得到特征{P2,P3,P4,P5};
步骤8.3:将特征{P2,P3,P4,P5}输入区域建议网络,得到不同大小杆塔的目标锚框,然后进行池化,再分为两支,一支依次经过全连接层和分类层,得出目标锚框内的目标是否是杆塔;另一支依次经过全连接层和边界回归层,对目标锚框进行位置调整;
步骤9:将步骤6中获得的数据集作为输入,训练一个步骤8得到的杆塔检测网络;
步骤10:进行输电线路杆塔检测应用时,具体为将步骤4归一化后的影像进行1024×1024像素的裁剪,逐一检测,并绘制检测框;最终将裁剪的检测图合并为原图大小。
进一步的,所述步骤8.2中区域建议网络中杆塔检测网络对应的目标锚框尺寸为{30,60,80,120};
进一步的,所述步骤9中,训练迭代次数为100000,初始学习速率为0.001,在迭代次数为50000和70000进行衰减,衰减因子为0.1,0.001,批尺寸Batch size为4。
本发明采用一种基于深度学习的多源遥感卫星影像输电线路杆塔检测方法,具有检测精度高,定位准,速度快的优点;本发明通过搭建杆塔检测网络对遥感影像中输电线路杆塔小目标的特征进行提取,使得提取的特征能够更好的反映杆塔的形状和大小,杆塔检测的精度更高,小目标漏检率更低。为了提高对小目标输电线路杆塔的检测精度,进一步的,针对数据集中的杆塔标注大小,进行目标锚框大小的计算,随后针对每一个特征层设计相应的目标锚框大小,避免小目标的杆塔特征难以学习到。为了能够将本发明落入应用便于可视化,引入裁剪输入,合并输出的方式,并且输出对应的输电线路杆塔地理坐标信息,从而具有完整的输电线路杆塔检测应用功能。本发明提出了一种基于深度学习的多源遥感卫星影像输电线路杆塔检测方法。该方法从小目标特征学习方向入手,将多源遥感卫星影像输电线路杆塔特征进行多层次学习,并根据提取到的杆塔特征进行模型参数学习,研究制定了一套多源遥感卫星影像输电线路杆塔检测流程,构建了一个高精度多源遥感卫星影像输电线路杆塔检测模型。可用于电网输电线路勘察、输电线路运维等用途。
附图说明
图1是本发明基于深度学习的多源遥感卫星影像输电线路杆塔检测方法的流程图;
图2是本发明杆塔检测网络的网络结构图;
图3是本发明WorldView-3输电线路杆塔检测部分结果图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明的技术方案如图1所示,以云南省昆明市某输电线路为例进行说明,包括以下步骤:
步骤1:数据预处理
将获取到的同一区域的SuperView-1和WorldView-3的多光谱影像和全色波段影像用Envi软件打开,选择正射校正工具,使用90m×90m的高程(DEM)数据进行正射校正,随后将正射后的多光谱和全色波段影像使用Gram-Schmidt算法进行遥感影像融合,结合多光谱的光谱优势和全色波段的分辨率优势。最终得到红、绿、蓝、近红外4通道影像,并进行0-255的像素归一化,其中SuperView-1分辨率为0.5m,WorldView-3分辨率为0.3m。
步骤2:遥感卫星影像超分辨率
为了避免计算机内存不足,对Gram-Schmidt算法融合后的SuperView-1和WorldView-3影像进行预裁剪,随后将裁剪影像作为输入影像,输入到超分辨网络中,进行4倍超分处理,最终SuperView-1分辨率为0.125m,WorldView-3分辨率为0.075m。
步骤3:超分影像后处理
通过实验,发现红、近红外、蓝三通道影像中的杆塔特征较于背景更加明显,所以对超分后的遥感卫星影像进行红、近红外、蓝三通道假彩色输出,同时对影像进行1%线性拉伸,提高杆塔目标特征辨识度。
步骤4:输电线路杆塔检测数据集制作
对步骤3后处理后的超分影像进行1024×1024像素大小的裁剪,随后挑选含有输电线路杆塔的裁剪影像,对杆塔目标进行标注,标签记为杆塔,共870张。对标记好的裁剪影像进行数据增广,主要包括随机裁剪、随机噪声添加、水平翻转等,增广后共6960张。
步骤5:输电线路杆塔检测模型构建
输电线路杆塔检测模型如图2,首先构建特征提取模块,主要构成为深度残差网络,得到特征{C2,C3,C4,C5},{C2,C3,C4,C5}中每个元素对应不同尺度的特征图;其次,将{C2,C3,C4,C5}中C2,C3,C4,C5通过1×1卷积核进行降维,C3,C4,C5进行2倍上采样,然后将降维后的C2和2倍上采样后的C3进行特征融合,得到特征P2;将降维后的C3和2倍上采样后的C4进行特征融合,得到特征P3;将降维后的C4和2倍上采样后的C5进行特征融合,得到特征P4;C5通过1×1卷积核进行降维后直接得到特征P5;最终得到特征层{P2,P3,P4,P5};随后搭建区域建议网络,得到不同大小杆塔的目标锚框,其中特征层{P2,P3,P4,P5}对应不同尺度的锚框大小为{30,60,80,120,160},然后搭建池化层,再分为两支,一支依次经过全连接层和分类层;另一支依次经过全连接层和边界回归层。
步骤6:杆塔检测模型训练
对于步骤4获得的训练数据,设计相应的数据格式并放入到步骤5搭建的输电线路杆塔检测模型中,特征金字塔模型涉及的主要参数包括学习速率、批尺寸、初始动量值、迭代次数和目标锚框缩放尺度等。其中学习速率和目标锚框缩放尺度是模型中较重要的参数,具体参数情况如表1所示。完成训练后,保存最优化模型。
表1 杆塔检测模型涉及的部分超参数
步骤6:杆塔检测应用与模型评估
根据步骤3超分后处理的SuperView-1和WorldView-3影像,选取不同区域作为测试数据,首先也进行1024×1024像素大小裁剪,裁剪影像作为输入,输入到步骤5训练好的最优模型中,将最终的裁剪测试影像与真值进行对比,进行进度计算,最后再将裁剪测试影像合并为原始影像大小,同时通过Gdal库保留检测到的输电线路杆塔地理坐标信息。测试结果如表2。
表2 杆塔检测精度结果
步骤7:结果验证与说明
以本次实例来看,输电线路杆塔在遥感卫星影像中属于小目标范畴,这类小目标杆塔可以在本发明所构建的特征金字塔输电线路杆塔检测模型中较为准确的定位检测出来,且检测精度较高。查看图3,可以看出两类遥感卫星影像中,SuperView-1影像数据中杆塔目标形变较为严重,在本发明所构建的特征金字塔输电线路杆塔检测网络中还是可以很好的检测出来,WorldView-3影像数据中杆塔目标形变较小,在本发明所构建的特征金字塔输电线路杆塔检测网络中可以以更高的精度检测出来。
本发明的有益效果是能够快速高精度的在多源遥感卫星影像上检测出杆塔目标,并输出对应的坐标信息。由本发明训练得到的特征金字塔目标检测模型,对于输电线路杆塔检测精度可以达到80%以上,说明结果具有较高的可信度。可用于电网输电线路勘察、输电线路运维等用途。
Claims (3)
1.一种卫星图像中输电线路杆塔检测方法,该方法包括:
步骤1:获取包含输电线路的卫星图像;
步骤2:对步骤1获取的卫星图像进行正射校正;
步骤3:采用Gram-Schmidt正交化方法对卫星的多光谱影像和全色波段影像进行融合,获得红波段、绿波段、蓝波段和近红外波段4通道融合影像;
步骤4:对融合后的影像进行0-255像素范围的归一化;
步骤5:使用扩展性深层超分辨率网络对融合影像进行4倍超分放大;
步骤6:对融合影像进行1024×1024像素大小的裁剪,并对裁剪后的影像中的杆塔进行标注,标签记为杆塔,获得训练数据集;
步骤7:对训练数据进行随机裁剪、随机噪声添加、水平翻转,得到数据增广后数据;
步骤8:搭建杆塔检测网络;
步骤8.1:融合影像输入后首先经过深度残差网络,得到特征{C2,C3,C4,C5},{C2,C3,C4,C5}中每个元素对应不同尺度的特征图;
步骤8.2:将{C2,C3,C4,C5}中C2,C3,C4,C5通过1×1卷积核进行降维,C3,C4,C5进行2倍上采样,然后将降维后的C2和2倍上采样后的C3进行特征融合,得到特征P2;将降维后的C3和2倍上采样后的C4进行特征融合,得到特征P3;将降维后的C4和2倍上采样后的C5进行特征融合,得到特征P4;C5通过1×1卷积核进行降维后直接得到特征P5;最终得到特征{P2,P3,P4,P5};
步骤8.3:将特征{P2,P3,P4,P5}输入区域建议网络,得到不同大小杆塔的目标锚框,然后进行池化,再分为两支,一支依次经过全连接层和分类层,得出目标锚框内的目标是否是杆塔;另一支依次经过全连接层和边界回归层,对目标锚框进行位置调整;
步骤9:将步骤6中获得的数据集作为输入,训练一个步骤8得到的杆塔检测网络;
步骤10:进行输电线路杆塔检测应用时,具体为将步骤4归一化后的影像进行1024×1024像素的裁剪,逐一检测,并绘制检测框;最终将裁剪的检测图合并为原图大小。
2.如权利要求1所述的一种卫星图像中输电线路杆塔检测方法,其特征在于,所述步骤8.2中区域建议网络中杆塔检测网络对应的目标锚框尺寸为{30,60,80,120}。
3.如权利要求1所述的一种卫星图像中输电线路杆塔检测方法,其特征在于,所述步骤9中,训练迭代次数为100000,初始学习速率为0.001,在迭代次数为50000和70000进行衰减,衰减因子为0.1,0.001,批尺寸Batch size为4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588429.1A CN114998242A (zh) | 2022-05-26 | 2022-05-26 | 一种卫星图像中输电线路杆塔检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588429.1A CN114998242A (zh) | 2022-05-26 | 2022-05-26 | 一种卫星图像中输电线路杆塔检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114998242A true CN114998242A (zh) | 2022-09-02 |
Family
ID=83029886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588429.1A Pending CN114998242A (zh) | 2022-05-26 | 2022-05-26 | 一种卫星图像中输电线路杆塔检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998242A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
CN110728658A (zh) * | 2019-09-16 | 2020-01-24 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 |
CN113033446A (zh) * | 2021-04-01 | 2021-06-25 | 辽宁工程技术大学 | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 |
CN113673586A (zh) * | 2021-08-10 | 2021-11-19 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
CN113989612A (zh) * | 2021-05-13 | 2022-01-28 | 中国地质大学(武汉) | 基于注意力及生成对抗网络的遥感影像目标检测方法 |
-
2022
- 2022-05-26 CN CN202210588429.1A patent/CN114998242A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
CN110728658A (zh) * | 2019-09-16 | 2020-01-24 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 |
CN113033446A (zh) * | 2021-04-01 | 2021-06-25 | 辽宁工程技术大学 | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 |
CN113989612A (zh) * | 2021-05-13 | 2022-01-28 | 中国地质大学(武汉) | 基于注意力及生成对抗网络的遥感影像目标检测方法 |
CN113673586A (zh) * | 2021-08-10 | 2021-11-19 | 北京航天创智科技有限公司 | 融合多源高分辨率卫星遥感影像的海上养殖区域分类方法 |
Non-Patent Citations (2)
Title |
---|
SHAOQING REN等: "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks", 《COMPUTER VISION AND PATTERN RECOGNITION》, 6 January 2016 (2016-01-06) * |
TSUNG-YI LIN等: "Feature Pyramid Networks for Object Detection", 《COMPUTER VISION AND PATTERN RECOGNITION》, 19 April 2017 (2017-04-19), pages 3 - 5 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
CN111080629B (zh) | 一种图像拼接篡改的检测方法 | |
Liu et al. | Multiscale U-shaped CNN building instance extraction framework with edge constraint for high-spatial-resolution remote sensing imagery | |
Dibs et al. | Multi-fusion algorithms for detecting land surface pattern changes using multi-high spatial resolution images and remote sensing analysis | |
CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及*** | |
CN113239736B (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法 | |
US20220366682A1 (en) | Computer-implemented arrangements for processing image having article of interest | |
CN111652039B (zh) | 基于残差网络和特征融合模块的高光谱遥感地物分类方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN112700489B (zh) | 基于深度学习的船基视频图像海冰厚度测量方法及*** | |
CN114066755A (zh) | 一种基于全波段特征融合的遥感影像薄云去除方法及*** | |
CN114937206A (zh) | 基于迁移学习和语义分割的高光谱图像目标检测方法 | |
CN111640116A (zh) | 基于深层卷积残差网络的航拍图建筑物分割方法及装置 | |
CN117152414A (zh) | 一种基于尺度注意力辅助学习方法的目标检测方法及*** | |
Chawda et al. | Extracting building footprints from satellite images using convolutional neural networks | |
Khatriker et al. | Building footprint extraction from high resolution satellite imagery using segmentation | |
CN115661655A (zh) | 高光谱和高分影像深度特征融合的西南山区耕地提取方法 | |
CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
CN115240066A (zh) | 基于深度学习的遥感影像矿区复绿监测方法及*** | |
CN115797184B (zh) | 一种地表水体超分辨率提取方法 | |
CN114998242A (zh) | 一种卫星图像中输电线路杆塔检测方法 | |
CN115019174B (zh) | 基于像素重组和注意力的上采样遥感图像目标识别方法 | |
CN113887656B (zh) | 一种联合深度学习与稀疏表示的高光谱图像分类方法 | |
Jing et al. | Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks |
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 |