CN116543297A - 一种基于时期耦合的遥感变化检测方法 - Google Patents
一种基于时期耦合的遥感变化检测方法 Download PDFInfo
- Publication number
- CN116543297A CN116543297A CN202310281105.8A CN202310281105A CN116543297A CN 116543297 A CN116543297 A CN 116543297A CN 202310281105 A CN202310281105 A CN 202310281105A CN 116543297 A CN116543297 A CN 116543297A
- Authority
- CN
- China
- Prior art keywords
- feature
- attention
- time
- remote sensing
- difference
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000008878 coupling Effects 0.000 title claims abstract description 47
- 238000010168 coupling process Methods 0.000 title claims abstract description 47
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 title claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 27
- 230000006835 compression Effects 0.000 claims description 16
- 238000007906 compression Methods 0.000 claims description 16
- 230000017105 transposition Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于时期耦合的遥感变化检测方法,通过特征提取模块分别提取双时间遥感图像的三种尺寸特征图,将双时间遥感图像的三种尺寸特征图中相同尺寸的双时间特征图输入时期耦合注意模块输出差异特征图;然后将任一时间的三种差异特征图输入特征对齐模块,将差异特征图进行对齐实现多层次的信息收敛,输出对齐特征图;最后将对齐特征图输入检测头模块,分别进行上采样和卷积操作,并通过获取最大值的参数的操作生成最终的变化检测结果。本发明利用注意力机制,避免对于无关区域的过度关注,增强对于真正变化区域的关注,通过特征对齐和跨尺度融合,以适应遥感图像中目标大小不同的特点,并获得更丰富的上下文信息,检测结果更加准确。
Description
技术领域
本申请属于图像处理技术领域,具体涉及一种基于时期耦合的遥感变化检测方法。
背景技术
变化检测的目的是通过多时间遥感图像监测同一几何区域的差异,它已广泛应用于土地覆盖测绘、城市扩张估计和灾害损害评估。随着精密传感器的快速发展,人们可以获取大规模高分辨率的遥感图像,这也引发了对智能变化监测的需求。然而,由于不同的拍摄周期所导致的成像条件的不同,如季节更替、光照变化和物体改造等,这对变化检测会产生干扰。
为了应对不相关的变化和复杂的对象,人们尝试了大量基于卷积神经网络的研究。其主要思想在于合并某些促进上下文信息建模的方案,这对于区分更改与共享对象至关重要。其中,多级特征融合策略是首屈一指的,它结合了促进目标定位的低级特征和丰富语义信息的高级特征。此外,人们广泛研究并采用了几种方案来扩大接受域的范围,包括深化结构、扩展卷积和注意机制。值得注意的是,注意机制已经以各种形式进化,如通道注意可以重新校准通道级特征反应,而空间注意则能够突出与任务相关的空间特征。由卷积引导的具有局部特征的多层次特征图对于变化检测任务中的时空上下文信息建模至关重要。然而,卷积缺乏建模长期依赖关系的能力,因此留下了很大的改进空间。此外,两种现成的变化检测的方法都没有解决在获取不同特征之前的多时间图像之间的直接交互问题。
发明内容
本申请的目的是提供一种基于时期耦合的遥感变化检测方法,以解决以上问题,引入了一种轻量级的时期耦合注意模块,它以全局的视角将多时表征结合起来,并将关注点引导到实际变化的区域。
为了实现上述目的,本申请技术方案如下:
一种基于时期耦合的遥感变化检测方法,包括:
构建并训练检测模型,所述检测模型包括特征提取模块、时期耦合注意模块、特征对齐模块和检测头模块;
获取待检测的双时间遥感图像,通过特征提取模块分别提取双时间遥感图像的三种尺寸特征图;
将双时间遥感图像的三种尺寸特征图中相同尺寸的双时间特征图输入时期耦合注意模块,对特征图进行耦合,输出差异特征图;
将任一时间的三种差异特征图输入特征对齐模块,将差异特征图进行对齐实现多层次的信息收敛,输出对齐特征图;
将对齐特征图输入检测头模块,分别进行上采样和卷积操作,并通过获取最大值的参数的操作生成最终的变化检测结果。
进一步的,所述分别将双时间遥感图像的三种尺寸特征图中相同尺寸的双时间特征图输入时期耦合注意模块,对特征图进行耦合,输出差异特征图,包括:
将相同尺寸的双时间特征图通过一层3×3卷积,将特征的通道数压缩为原来的一半,得到一次通道压缩后的特征图;
将一次通道压缩后特征图的分别通过一层1×1卷积,将通道数压缩为原来的四分之一,得到二次通道压缩后的特征图作为跨期注意力的Q特征;
将一次通道压缩后特征图分别进行多级平均池化,并在通道维度进行连接操作,得到连接后的特征;
将连接后的特征分别进行线性变换,将通道数压缩为原来的四分之一,得到的特征作为跨期注意力的K特征;
将连接后的特征再次分别进行线性变换,通道数不变,得到的特征作为跨期注意力的V特征;
将跨期注意力的Q特征行转置操作,并分别与跨期注意力的K特征进行乘法操作,分别得到对应的第一注意力图;
将第一注意力图进行耦合操作,得到差异的注意力图;
将差异的注意力图进行转置操作,并分别与对应的跨期注意力的V特征进行乘法操作,再与一次通道压缩后特征图进行相加操作,得到差异特征图。
进一步的,所述将任一时间的三种差异特征图输入特征对齐模块,将差异特征图进行对齐实现多层次的信息收敛,输出对齐特征图,包括:
将同一时间i的三种差异特征图表示为t∈{1,2,3};
将差异特征图进行上样操作,与差异特征图/>的尺度对齐,并通过一层3×3卷积细化特征,再与特征图/>进行加法操作,得到特征图/>
将特征图进行上样操作,与差异特征图/>的尺度对齐,并通过一层3×3卷积细化特征,然后与特征图/>进行加法操作,得到对齐特征图Pi。
进一步的,所述检测模型的损失函数为:
Ltotal=L(P,G)+L(P1,G)+L(P2,G)
其中,L(*,*)表示交叉熵损失,G表示地面实际标签,P表示变化检测结果,P1,P2表示双时间遥感图像对应的对齐特征图。
本申请提出的一种基于时期耦合的遥感变化检测方法,在双分支结构的基础上,采用轻量级的时期耦合注意模块和特征对齐模块。首先,时期耦合注意模块将同一卷积神经网络(CNN)主干提取的双时间图像的层内特征图进行耦合操作以全局的视角将多时表征结合起来,输出差异图。其次,特征对齐模块对差异图特征进行对齐,将空间信息丰富的低级特征和语义丰富的高级特征之间进行逐步校准,以实现多层次的信息收敛。最后通过获取最大值的参数的操作生成最终的预测图。本申请利用注意力机制,避免对于无关区域的过度关注,增强对于真正变化区域的关注,通过特征对齐和跨尺度融合,以适应遥感图像中目标大小不同的特点,并获得更丰富的上下文信息,检测结果更加准确。
附图说明
图1为本申请基于时期耦合的遥感变化检测方法流程图;
图2为本申请检测模型示意图;
图3为本申请实施例时期耦合注意模块示意图;
图4为本申请实施例特征对齐模块示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于时期耦合的遥感变化检测方法,充分利用了时期耦合和特征校准对齐的方法,实现双时间遥感图像的准确变化检测。包括:
步骤S1、构建并训练检测模型,所述检测模型包括特征提取模块、时期耦合注意模块、特征对齐模块和检测头模块。
本申请构建的检测模型如图2所示,包括特征提取模块、时期耦合注意模块、特征对齐模块和检测头模块。其中特征提取模块采用CNN主干网络,检测头模块应用Argmax检测头,时期耦合注意模块和特征对齐模块将在下面的具体实施步骤中进行详细的阐述。
关于网络模型的训练,是本领域比较成熟的技术,这里不再赘述。
步骤S2、获取待检测的双时间遥感图像,通过特征提取模块分别提取双时间遥感图像的三种尺寸特征图。
为了尽可能多的提取光学遥感图像的低级特征和高级特征,首先将待检测的双时间遥感图像输入检测模型的特征提取模块中,其中双时间遥感图像是两个不同时间采集的遥感图像。本实施例中特征提取模块采用CNN主干网络对图像特征进行提取,CNN主干分别提取了双时间遥感图像的三种尺寸特征图,特征尺寸分别为
步骤S3、将双时间遥感图像的三种尺寸特征图中相同尺寸的双时间特征图输入时期耦合注意模块,对特征图进行耦合,输出差异特征图。
为了更好获取特征的上下文信息,本实施例中将CNN主干提取的三种尺寸特征图输入时期耦合注意模块,利用时期耦合注意机制,避免过度关注无关对象,将注意转向真正变化的区域。
在一个具体的实施例中,时期耦合注意模块如图3所示,时期耦合注意模块可以抑制与任务无关的差异并突出具有真正变化区域。
本实施例中时期耦合注意模块,执行如下操作:
S31.将相同尺寸的双时间特征图分别通过一层3×3卷积,将特征的通道数压缩为原来的一半,得到一次通道压缩后的特征图。
本实施例中,双时间遥感图像分别得到三种尺寸的特征图,即每种尺寸的特征图均有两个,分别表示为其中t∈{1,2,3},表示每种尺寸,特征尺寸为/>下标中的1和2分别表示不同间遥感图像对应的特征图。
将特征通过一层3×3卷积,将特征的通道数压缩为原来的一半,一次通道数压缩后的特征为/>其尺度为/>
S32.将一次通道压缩后特征图的分别通过一层1×1卷积,将通道数压缩为原来的四分之一,得到二次通道压缩后的特征图作为跨期注意力的Q特征。
本步骤将特征分别通过一层1×1卷积,将通道数压缩为原来的四分之一,特征的尺度为/>最终输出的特征即为跨期注意力的/>
S33.将一次通道压缩后特征图分别进行多级平均池化,并在通道维度进行连接操作,得到连接后的特征。
本步骤将特征分别进行多级平均池化,并在通道维度进行连接操作,连接后的特征为/>特征尺度为/>
S34.将连接后的特征分别进行线性变换,将通道数压缩为原来的四分之一,得到的特征作为跨期注意力的K特征。
本步骤将特征分别进行线性变换,将通道数压缩为原来的四分之一,特征的尺度为/>最终输出的特征即为跨期注意力的/>
S35.将连接后的特征再次分别进行线性变换,通道数不变,得到的特征作为跨期注意力的V特征。
本步骤将特征再次分别进行线性变换,通道数不变,特征的尺度为/>最终输出的特征即为跨期注意力的/>
S36.将跨期注意力的Q特征行转置操作,并分别与跨期注意力的K特征进行乘法操作,分别得到对应的第一注意力图。
本步骤将特征进行转置操作,并分别与/>进行乘法操作,分别得到注意力图/>计算公式如下:
其中,代表乘法操作,/>的尺度为/>
S37.将第一注意力图进行耦合操作,得到差异的注意力图。
本步骤将注意力图进行耦合操作,得到差异的注意力图/>计算公式如下:
其中,abs(·)表示取绝对值操作,softmax(·)表示激活函数。
S38.将差异的注意力图进行转置操作,并分别与对应的跨期注意力的V特征进行乘法操作,再与一次通道压缩后特征图进行相加操作,得到差异特征图。
本步骤将差异的注意力图进行转置操作,并分别与/>进行乘法操作,其次与特征/>进行相加操作,输出差异特征图/>计算公式如下:
其中,表示加法操作。
本实例中,时期耦合注意模块突出了遥感图像的变化区域,具有丰富的语义信息。
为将各层特征进行对齐融合并获取更丰富的纹理信息,本实施例中将时期耦合注意模块处理后的特征输入特征对齐模块,如图4所示,具体步骤参见步骤S4。
步骤S4、将任一时间的三种差异特征图输入特征对齐模块,将差异特征图进行对齐实现多层次的信息收敛,输出对齐特征图。
本实施例任一时间遥感图像,经过上述步骤的处理,都可以得到三种差异特征图,表示为i∈{1,2},t∈{1,2,3}。i等于1时表示第一时间,i等于2时表示第二时间,则第一时间遥感图像对应的三种差异特征图表示为/>t∈{1,2,3};第二时间遥感图像对应的三种差异特征图表示为/>t∈{1,2,3}。
本步骤将同一个时间的三种差异特征图输入特征对齐模块,即第一时间的三种差异特征图输入到一个特征对齐模块,第二时间的三种差异特征图输入到另一个特征对齐模块。特征对齐模块既可以将各个层次的线索进行对齐融合,重新校准了各个层次差异的响应,特征对齐模块如图4所示,执行如下的操作:
S41.将同一时间i的三种差异特征图表示为t∈{1,2,3}。
本实施例步骤S3处理后的差异特征图i∈{1,2},t∈{1,2,3},尺寸为将同一时间i的三种差异特征图/>输入特征对齐模块。
S42.将差异特征图进行上样操作,与差异特征图/>的尺度对齐,并通过一层3×3卷积细化特征,再与特征图/>进行加法操作,得到特征图/>
本步骤将差异特征图进行上样操作,与差异特征图/>的尺度对齐,得到尺度为/>的特征,并通过一层3×3卷积细化特征,然后与特征图/>进行加法操作,得到特征图/>i∈{1,2},计算公式如下:
其中,Conv1×1(·)是具有3×3卷积核的卷积操作,UP(·)表示上采样操作,Concat(*,*)表示通道连接操作。
S43.将特征图进行上样操作,与差异特征图/>的尺度对齐,并通过一层3×3卷积细化特征,然后与特征图/>进行加法操作,得到对齐特征图Pi。
本步骤将特征图进行上样操作,与差异特征图/>的尺度对齐,得到尺度为的特征,并通过一层3×3卷积细化特征,然后与特征图/>进行加法操作,得到对齐特征图Pi,i∈{1,2},计算公式如下:
步骤S5、将对齐特征图输入检测头模块,分别进行上采样和卷积操作,并通过获取最大值的参数的操作生成最终的变化检测结果。
本步骤将步骤S4输出的对齐特征图P1,P2进行上采样和3×3卷积操作,并通过获取最大值的参数的操作生成最终的变化预测结果P,计算公式如下:
P=Argmax(Conv1×1(UP(P1)),Conv1×1(UP(P2)))
其中Argmax(*,*)表示获取最大值的参数的操作。
本实施设计了时期耦合注意模块和特征对齐模块,时期耦合注意模块主要利用注意力机制,避免对于无关区域的过度关注,增强对于真正变化区域的关注。特征对齐模块通过特征对齐和跨尺度融合,以适应遥感图像中目标大小不同的特点,并获得更丰富的上下文信息。
在另一个具体的实施例中,训练所述检测模型时,将输出的特征图与地面实际标签计算损失,利用损失对模型训练进行监督,关于模型的训练是本领域比较成熟的技术,这里不再赘述。在训练时,将变化检测结果P,对齐特征图P1,P2与地面实际标签计算损失,用损失监督模型训练,总损失函数Ltotal的计算公式如下:
Ltotal=L(P,G)+L(P1,G)+L(P2,G);
其中L(*,*)表示交叉熵损失,G表示地面实际标签,P表示变化检测结果,P1,P2表示双时间遥感图像对应的对齐特征图。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于时期耦合的遥感变化检测方法,其特征在于,所述基于时期耦合的遥感变化检测方法,包括:
构建并训练检测模型,所述检测模型包括特征提取模块、时期耦合注意模块、特征对齐模块和检测头模块;
获取待检测的双时间遥感图像,通过特征提取模块分别提取双时间遥感图像的三种尺寸特征图;
将双时间遥感图像的三种尺寸特征图中相同尺寸的双时间特征图输入时期耦合注意模块,对特征图进行耦合,输出差异特征图;
将任一时间的三种差异特征图输入特征对齐模块,将差异特征图进行对齐实现多层次的信息收敛,输出对齐特征图;
将对齐特征图输入检测头模块,分别进行上采样和卷积操作,并通过获取最大值的参数的操作生成最终的变化检测结果。
2.根据权利要求1所述的基于时期耦合的遥感变化检测方法,其特征在于,所述分别将双时间遥感图像的三种尺寸特征图中相同尺寸的双时间特征图输入时期耦合注意模块,对特征图进行耦合,输出差异特征图,包括:
将相同尺寸的双时间特征图通过一层3×3卷积,将特征的通道数压缩为原来的一半,得到一次通道压缩后的特征图;
将一次通道压缩后特征图的分别通过一层1×1卷积,将通道数压缩为原来的四分之一,得到二次通道压缩后的特征图作为跨期注意力的Q特征;
将一次通道压缩后特征图分别进行多级平均池化,并在通道维度进行连接操作,得到连接后的特征;
将连接后的特征分别进行线性变换,将通道数压缩为原来的四分之一,得到的特征作为跨期注意力的K特征;
将连接后的特征再次分别进行线性变换,通道数不变,得到的特征作为跨期注意力的V特征;
将跨期注意力的Q特征行转置操作,并分别与跨期注意力的K特征进行乘法操作,分别得到对应的第一注意力图;
将第一注意力图进行耦合操作,得到差异的注意力图;
将差异的注意力图进行转置操作,并分别与对应的跨期注意力的V特征进行乘法操作,再与一次通道压缩后特征图进行相加操作,得到差异特征图。
3.根据权利要求1所述的基于时期耦合的遥感变化检测方法,其特征在于,所述将任一时间的三种差异特征图输入特征对齐模块,将差异特征图进行对齐实现多层次的信息收敛,输出对齐特征图,包括:
将同一时间i的三种差异特征图表示为t∈{1,2,3};
将差异特征图进行上样操作,与差异特征图/>的尺度对齐,并通过一层3×3卷积细化特征,再与特征图/>进行加法操作,得到特征图/>
将特征图进行上样操作,与差异特征图/>的尺度对齐,并通过一层3×3卷积细化特征,然后与特征图/>进行加法操作,得到对齐特征图Pi。
4.根据权利要求1所述的基于时期耦合的遥感变化检测方法,其特征在于,所述检测模型的损失函数为:
Ltotal=L(P,G)+L(P1,G)+L(P2,G)
其中,L(*,*)表示交叉熵损失,G表示地面实际标签,P表示变化检测结果,P1,P2表示双时间遥感图像对应的对齐特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281105.8A CN116543297A (zh) | 2023-03-15 | 2023-03-15 | 一种基于时期耦合的遥感变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281105.8A CN116543297A (zh) | 2023-03-15 | 2023-03-15 | 一种基于时期耦合的遥感变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543297A true CN116543297A (zh) | 2023-08-04 |
Family
ID=87454990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310281105.8A Pending CN116543297A (zh) | 2023-03-15 | 2023-03-15 | 一种基于时期耦合的遥感变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543297A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496362A (zh) * | 2024-01-02 | 2024-02-02 | 环天智慧科技股份有限公司 | 基于自适应卷积核和级联检测头的土地覆盖变化检测方法 |
-
2023
- 2023-03-15 CN CN202310281105.8A patent/CN116543297A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117496362A (zh) * | 2024-01-02 | 2024-02-02 | 环天智慧科技股份有限公司 | 基于自适应卷积核和级联检测头的土地覆盖变化检测方法 |
CN117496362B (zh) * | 2024-01-02 | 2024-03-29 | 环天智慧科技股份有限公司 | 基于自适应卷积核和级联检测头的土地覆盖变化检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783590A (zh) | 一种基于度量学习的多类别小目标检测方法 | |
CN110956581B (zh) | 一种基于双通道生成-融合网络的图像模态变换方法 | |
CN114926746A (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
CN110598748B (zh) | 基于卷积神经网络融合的异质图像变化检测方法及装置 | |
CN113920097B (zh) | 一种基于多源图像的电力设备状态检测方法及*** | |
Li et al. | Image quality assessment using deep convolutional networks | |
CN104486562B (zh) | 基于固定积分时间的嵌入式红外图像超帧处理方法 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别***及方法 | |
CN116543297A (zh) | 一种基于时期耦合的遥感变化检测方法 | |
CN114820655A (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN113012208A (zh) | 多视角遥感图像配准方法及*** | |
CN110111276A (zh) | 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法 | |
CN116071424A (zh) | 基于单目视觉的果实空间坐标定位方法 | |
CN117274627A (zh) | 一种基于图像转换的多时相积雪遥感图像匹配方法及*** | |
CN111881915A (zh) | 一种基于多种先验信息约束的卫星视频目标智能检测方法 | |
CN116777953A (zh) | 基于多尺度特征聚合增强的遥感图像目标跟踪方法 | |
CN111696167A (zh) | 自范例学习引导的单张影像超分辨率重构方法 | |
CN116433528A (zh) | 一种目标区域检出的图像细节增强显示方法及*** | |
CN115147727A (zh) | 一种遥感影像不透水面提取方法及*** | |
CN112085779B (zh) | 一种波浪参数估算方法及装置 | |
Varma et al. | HSIS-Net: Hyperspectral Image Segmentation Using Multi-view Active Learning Based FCSN. | |
CN114529455A (zh) | 一种基于任务解耦的有参图像超分辨率方法和*** | |
US20200250434A1 (en) | Device and method for generating heat map | |
CN113763471A (zh) | 一种基于视觉的弹孔检测方法及*** | |
CN113591933B (zh) | 一种基于相关性度量的遥感图像变化检测方法及*** |
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 |