CN116912700A - 基于特征增强和细化的河湖治理违规问题的变化检测方法 - Google Patents

基于特征增强和细化的河湖治理违规问题的变化检测方法 Download PDF

Info

Publication number
CN116912700A
CN116912700A CN202311145774.9A CN202311145774A CN116912700A CN 116912700 A CN116912700 A CN 116912700A CN 202311145774 A CN202311145774 A CN 202311145774A CN 116912700 A CN116912700 A CN 116912700A
Authority
CN
China
Prior art keywords
river
lake
module
characteristic
phase
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
Application number
CN202311145774.9A
Other languages
English (en)
Inventor
刘玉峰
孙启玉
孙平
杨公平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Fengshi Information Technology Co ltd
Original Assignee
Shandong Fengshi Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Fengshi Information Technology Co ltd filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202311145774.9A priority Critical patent/CN116912700A/zh
Publication of CN116912700A publication Critical patent/CN116912700A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—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
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
    • G06V10/70—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)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及基于特征增强和细化的河湖治理违规问题的变化检测方法，属于深度学习和遥感图像变化检测技术领域。将两个时期的遥感影像分别送入膨胀残差网络提取特征，得到双时相特征图；将双时相特征图成对送入相同的跨时相特征交互模块得到跨时相特征；将得到的跨时相特征送入多尺度特征细节补全模块得到初步预测结果；然后送入预测增强模块细化增强，得到最终预测结果，迭代训练并保存最佳模型；将测试集不同时期的遥感图像成对送入训练好的模型，得到变化预测图。本发明以最大限度地保留河湖遥感影像中小尺寸地面物体的特征，并对其进行增强和细化，保证河湖治理违规问题变化检测的精度，能够解决河湖岸线遥感影像中小尺寸违规现象遗漏问题。

Description

基于特征增强和细化的河湖治理违规问题的变化检测方法
技术领域
本发明涉及一种基于特征增强和细化的河湖治理违规问题的变化检测方法，通过深度学习算法对河湖周边地面物体进行变化检测，从而实现对河湖治理中的违规现象的快速、准确检测，属于深度学习和遥感图像变化检测技术领域。
背景技术
目前，传统的河湖管理方法通常依赖于人工巡查和常规调查，但这种方式存在人力资源投入大、效率低、覆盖范围有限等问题。为了更好地治理河湖违规现象，提高河湖管理的效率和精度，可以借助丰富的河湖周边遥感影像进行快速捕捉。遥感技术利用卫星、航空器或其他无人机平台上的传感器来获取地面、大气和水体等信息，提供高分辨率、广覆盖范围的图像数据。通过分析遥感图像，可以获取河湖资源的详细信息，包括水体边界、水质状况、岸线变化等。同时，遥感技术结合地理信息***（GIS）和全球定位***（GPS）等技术，实现对河湖资源的精确定位和动态监测。然而，遥感图像分辨率高、内容丰富，依靠人工解译耗时耗力。因此，在面对丰富的河湖遥感影像时，如何快速、自动地利用大规模的河道遥感影像监测违规现象是一个亟待解决的问题。
变化检测利用计算机对图像和视频进行分析和理解，从大量的多时相遥感影像中提取有用的信息。在河湖管理中，变化检测可以通过比较不同时间点的遥感图像，实现河湖区域的自动化检测，不依赖于传统的人工巡查和调查，提高管理效率。通过快速分析和比对大量的遥感图像数据，变化检测能够准确捕捉到河湖区域的变化情况，包括各种违规现象。这种高效性和精确性使得决策者能够及时发现并解决问题，从而实现河湖资源的有效管理和保护。此外，基于多时相遥感影像的变化检测方法具有强大的监测能力，它可以实时监测河湖区域的变化情况，及时掌握河湖管理的状态。通过持续的变化监测，决策者可以对河湖资源的动态演变趋势有更深入的了解，为制定科学合理的管理策略提供准确的数据支持。通过对变化检测结果的数据分析，可以从更宏观的角度评估河湖资源的变化情况，并提供决策者所需的关键信息。这种综合的数据分析能力帮助决策者制定更科学、针对性更强的河湖治理策略，以应对河湖治理中的违规问题。
近年来，许多变化检测方法采用深度学习的方法来提取河湖影像中的深层语义特征。然而，深层语义特征的提取通常伴随着特征图尺寸成倍的缩小。由于河湖影像的高分辨率和丰富内容，河湖治理中违规现象通常发生于小尺寸地面物体，特征图尺寸的缩小会导致小尺寸地面物体的特征丢失，从而影响河湖治理违规问题检测的精度。
发明内容
本发明的目的是克服上述不足，而提供一种基于特征增强和细化的河湖治理违规问题的变化检测方法，可以解决河湖治理违规问题变化检测方法中小尺寸地面物体特征丢失的问题。
本发明采取的技术方案为：
基于特征增强和细化的河湖治理违规问题的变化检测方法，包括步骤如下：
S1. 从同一地点不同时期的河湖遥感图像中选取两个时期的遥感图像，构建数据集，划分训练集和测试集，并进行预处理；
S2. 将两个时期的遥感影像分别送入膨胀残差网络提取特征，得到双时相特征图；
S3. 将双时相特征图成对送入相同的跨时相特征交互模块，先通过特征交互捕捉到两个时期特征的差异，再借助特征变形和矩阵相乘的方式捕捉到特征的长距离跨时相内容信息得到跨时相特征：
每对双时相特征图1和2，它们的拼接特征图3，三个特征图同时输入，各使用一个11的卷积来统一维度分别生成特征 Q、 K、V，将Q、 K分别变形，计算K与Q的转置之间的矩 阵乘法，并利用Softmax函数计算远程依赖关系LD，将V变形，并在V和LD之间进行矩阵乘法， 将LD和V进行矩阵乘法后得到特征A，特征A与将拼接特征经过11卷积得到的特征B相加， 得到跨时相特征；
S4. 将得到的跨时相特征送入多尺度特征细节补全模块得到初步预测结果：
多尺度特征细节补全模块对步骤S3中输出的跨时相特征，首先将第一层与第二层 特征拼接后经过一个11卷积，然后再与第三层特征拼接，拼接后特征经过一个11卷 积，再与第四层特征拼接，由上到下两两依次拼接，拼接完后通过一个11卷积层对拼接得 到的特征图的特征维数进行降维，最终将各层跨时相特征汇集成为一个输出特征，将其送 入预测器中进行预测，得初步预测结果；
S5. 将初步预测结果送入预测增强模块细化增强，得到最终预测结果，迭代训练并保存最佳模型；
S6. 将测试集不同时期的遥感图像成对送入训练好的模型，得到河湖治理违规问题检测的变化预测图。
上述方法中，步骤S2所述的膨胀残差网络由一个残差模块和三个膨胀残差模块四 层组成，依次是残差模块，膨胀残差模块，膨胀残差模块，膨胀残差模块，四层输出四个尺寸 相同的特征图，再分别进行降维得到四个特征图，两个时期的遥感图像对应四对双时相特 征图。所述的残差模块由两个分支组成，主分支由11卷积层、33卷积层和11卷积层 串联，次分支为1个11卷积层，将主次分支的结果相加即为残差模块的输出；膨胀残差模 块结构类似残差模块，不同之处为将残差模块中的33卷积层替换成33的膨胀卷积层。
步骤S4所述的预测器的结构包含两个33卷积和一个上采样层。
步骤S5所述的预测增强模块包含由上而下的两个55卷积层和一个99卷积 层，每层卷积层之间使用ReLU激活函数进行激活。
本发明的另一个目的是提供一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如上所述的基于特征增强和细化的河湖治理违规问题的变化检测方法中的步骤。
本发明还提供一种基于特征增强和细化的河湖治理违规问题的变化检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于特征增强和细化的河湖治理违规问题的变化检测方法。
本发明的有益效果是：
本发明采用膨胀卷积网络在提取图像特征的同时避免特征图尺寸缩小，能够最大程度的保存遥感影像中的细小区域，防止河湖治理违规问题出现区域特征丢失。跨时相特征交互模块通过跨时相的特征交互捕捉差异特征，借助特征变形再矩阵相乘的方式，能够捕捉到特征的长距离跨时相内容信息。多尺度特征细节补全模块通过多层特征依次拼接卷积的方式，实现深层特征和浅层特征在内容和细节上的互补。预测增强模块是一个图像级的增强模块，对已经得到的预测结果进行细节和边缘的补充，实现预测结果的精细化增强。本发明通过一个膨胀卷积网络和一系列特征增强和细化模块，以最大限度地保留河湖遥感影像中小尺寸地面物体的特征，并对其进行增强和细化，保证河湖治理违规问题变化检测的精度，能够解决河湖岸线遥感影像中小尺寸违规现象遗漏问题。
附图说明
图1 为本发明方法流程图；
图2为本发明方法网络模型结构示意图；
图3为本发明膨胀残差网络结构示意图，（a）为残差模块，（b）为膨胀残差模块；
图4为本发明跨时相特征交互模块结构示意图。
具体实施方式
下面结合附图和具体实施例进一步说明。
实施例1：基于特征增强和细化的河湖治理违规问题的变化检测方法，包括步骤（如图1）如下：
S1. 从同一地点不同时期的河湖遥感图像中选取两个时期的遥感图像，构建数据集，划分训练集和测试集，并进行预处理：
从两个时期的遥感图像中裁剪出河湖周边的图像，形成同一地点不同时期的河湖 遥感图像，并对遥感图像的变化区域进行目视解译，形成标签数据。将裁剪出的河湖遥感图 像及其标签进行缩放，得到256256的图块；随机选择部分图块进行上下左右随即翻转；计 算RGB三通道的均值和标准差，对图块进行标准化，最终得到的训练图块尺寸3256256 （通道数长宽）。
S2. 将两个时期的遥感影像分别送入膨胀残差网络提取特征，得到双时相特征图：
膨胀残差网络由一个残差模块和三个膨胀残差模块四层组成，由上往下依次为残 差模块、膨胀残差模块、膨胀残差模块、膨胀残差模块、膨胀残差模块，分别输出四个尺寸相 同的特征图，其结构如图3所示，残差模块包含三个11的卷积层和一个33的卷积层，残 差模块由两个分支组成，主分支由11卷积层、33卷积层、11卷积层串联，次分支为1 个11卷积层，将主次分支的结果相加即为残差模块的输出。膨胀残差模块将残差模块中 的33卷积层替换成33的膨胀卷积层，其余结构与残差模块相同。
将两个时期的河湖遥感图像分别送入膨胀残差网络中，最终分别输出四个尺寸为 6464的特征图，通道分别为256、512、1024和2048。为了降低计算复杂度并获得均匀的特 征通道，采用四个11卷积层对特征映射进行降维。结果得到四对特征，其尺寸为2566464，其中256为通道数，64为特征映射的高度和宽度，得到的特征包含了清晰的语义和详 细信息。
S3.将双时相特征图成对送入相同的跨时相特征交互模块，先通过特征交互捕捉到两个时期特征的差异，再借助特征变形和矩阵相乘的方式捕捉到特征的长距离跨时相内容信息得到跨时相特征：
跨时相特征交互模块的结构如图4所示，对于一对双时相特征1, 2，形状为256 6464，我们按通道将它们连接起来，得到拼接特征3。将三个特征同时输入模块，使用三个 11的卷积来统一维度和生成的特征Q、K、 V（ Q、K、V分别代表三个特征，N和C’代表特征图 的形状N=4096，C’=128），形状为1286464。将Q、 K分别变形为1284096和4096 128。然后，计算K与Q的转置之间的矩阵乘法，并利用Softmax函数计算远程依赖关系(LD)， 数学形式可以表示为：
，
其中LD的形状为40964096，表示转置运算。然后，将V变形为4096128， 并在V和LD之间进行矩阵乘法，最后，将LD和V进行矩阵乘法后得到的特征A，和拼接特征经 过11卷积得到的特征B相加（将矩阵乘法输出结果和拼接特征的维度统一为25664 64），得到跨时相特征。本实施例是将4对特征送入相同的4个跨时相特征交互模块得到4个 尺寸相同通道不同的跨时相特征。
S4. 将得到的跨时相特征送入多尺度特征细节补全模块得到初步预测结果：
多尺度特征细节补全模块对步骤S3中输出的跨时相特征，首先将第一层与第二层 特征拼接后经过一个11卷积，然后再与第三层特征拼接，拼接后特征经过一个11卷 积，再与第四层特征拼接，由上到下两两依次拼接，拼接完后通过一个11卷积层对拼接得 到的特征图的特征维数进行降维，避免了过多的计算和存储开销，最终将四层跨时相特征 汇集成为一个输出特征，将其送入预测器中进行预测，得到初步预测结果。预测器的结构包 含两个33卷积和一个上采样层，初步预测结果的形状为2256256。
S5. 将初步预测结果送入预测增强模块，得到最终预测结果，迭代训练并保存最佳模型：
预测增强模块的结构如图2所示，包含两个55卷积层和一个99卷积层，每层 卷积层之间使用ReLU激活函数进行激活，将初步预测结果送入预测增强模块后，能够对预 测结果的细节和边缘进行增强，得到最终预测结果，用训练集训练并保存最佳模型。
S6. 将测试集的不同时期的遥感图像成对送入训练好的模型，则可得到河湖治理违规问题检测的变化预测图：得到最终训练好的模型后，将成对的不同时期的河湖岸线待检测遥感图像对送入模型，则可得到河湖治理违规问题检测的变化预测图。
实施例2：一种存储设备，其为计算机可读存储设备，所述的计算机可读存储设备上存储有计算机程序用于实现如上实施例1所述的基于特征增强和细化的河湖治理违规问题的变化检测方法中的步骤。
一种基于特征增强和细化的河湖治理违规问题的变化检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上实施例1所述的基于特征增强和细化的河湖治理违规问题的变化检测方法。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于特征增强和细化的河湖治理违规问题的变化检测方法，其特征是，包括步骤如下：
S1. 从同一地点不同时期的河湖遥感图像中选取两个时期的遥感图像，构建数据集，划分训练集和测试集，并进行预处理；
S2. 将两个时期的遥感影像分别送入膨胀残差网络提取特征，得到双时相特征图；
S3. 将双时相特征图成对送入相同的跨时相特征交互模块，先通过特征交互捕捉到两个时期特征的差异，再借助特征变形和矩阵相乘的方式捕捉到特征的长距离跨时相内容信息得到跨时相特征：
每对双时相特征图1和2，它们的拼接特征图3，三个特征图同时输入，各使用一个11 的卷积来统一维度分别生成特征 Q、 K、V，将Q、 K分别变形，计算K与Q的转置之间的矩阵乘 法，并利用Softmax函数计算远程依赖关系LD，将V变形，并在V和LD之间进行矩阵乘法，将LD 和V进行矩阵乘法后得到特征A，特征A与将拼接特征经过11卷积得到的特征B相加，得到 跨时相特征；
S4. 将得到的跨时相特征送入多尺度特征细节补全模块得到初步预测结果：
多尺度特征细节补全模块对步骤S3中输出的跨时相特征，首先将第一层与第二层特征 拼接后经过一个11卷积，然后再与第三层特征拼接，拼接后特征经过一个11卷积，再 与第四层特征拼接，由上到下两两依次拼接，拼接完后通过一个11卷积层对拼接得到的 特征图的特征维数进行降维，最终将各层跨时相特征汇集成为一个输出特征，将其送入预 测器中进行预测，得初步预测结果；
S5. 将初步预测结果送入预测增强模块细化增强，得到最终预测结果，迭代训练并保存最佳模型；
S6. 将测试集不同时期的遥感图像成对送入训练好的模型，得到河湖治理违规问题检测的变化预测图。
2.根据权利要求1所述的基于特征增强和细化的河湖治理违规问题的变化检测方法，其特征是，步骤S2所述的膨胀残差网络由一个残差模块和三个膨胀残差模块四层组成，依次是残差模块，膨胀残差模块，膨胀残差模块，膨胀残差模块，四层输出四个尺寸相同的特征图，再分别进行降维得到四个特征图，两个时期的遥感图像对应四对双时相特征图。
3.根据权利要求2所述的基于特征增强和细化的河湖治理违规问题的变化检测方法， 其特征是，所述的残差模块由两个分支组成，主分支由11卷积层、33卷积层和11卷 积层串联，次分支为1个11卷积层，将主次分支的结果相加即为残差模块的输出；膨胀残 差模块也由两个分支组成，主分支由11卷积层、33膨胀卷积层和11卷积层串联，次 分支为1个11卷积层，将主次分支的结果相加即为膨胀残差模块的输出。
4.根据权利要求1所述的基于特征增强和细化的河湖治理违规问题的变化检测方法， 其特征是，步骤S4所述的预测器的结构包含两个33卷积和一个上采样层。
5.根据权利要求1所述的基于特征增强和细化的河湖治理违规问题的变化检测方法， 其特征是，步骤S5所述的预测增强模块包含由上而下的两个55卷积层和一个99卷积 层，每层卷积层之间使用ReLU激活函数进行激活。
6.一种存储设备，其为计算机可读存储设备，其特征是，所述的计算机可读存储设备上存储有计算机程序用于实现如权利要求1-5任一项所述的基于特征增强和细化的河湖治理违规问题的变化检测方法中的步骤。
7.一种基于特征增强和细化的河湖治理违规问题的变化检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于特征增强和细化的河湖治理违规问题的变化检测方法。
CN202311145774.9A 2023-09-07 2023-09-07 基于特征增强和细化的河湖治理违规问题的变化检测方法 Pending CN116912700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311145774.9A CN116912700A (zh) 2023-09-07 2023-09-07 基于特征增强和细化的河湖治理违规问题的变化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311145774.9A CN116912700A (zh) 2023-09-07 2023-09-07 基于特征增强和细化的河湖治理违规问题的变化检测方法

Publications (1)

Publication Number Publication Date
CN116912700A true CN116912700A (zh) 2023-10-20

Family

ID=88353400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311145774.9A Pending CN116912700A (zh) 2023-09-07 2023-09-07 基于特征增强和细化的河湖治理违规问题的变化检测方法

Country Status (1)

Country Link
CN (1) CN116912700A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274826A (zh) * 2023-11-23 2023-12-22 山东锋士信息技术有限公司 基于大模型和提示指引的河湖管理违规问题遥感监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274826A (zh) * 2023-11-23 2023-12-22 山东锋士信息技术有限公司 基于大模型和提示指引的河湖管理违规问题遥感监测方法
CN117274826B (zh) * 2023-11-23 2024-03-08 山东锋士信息技术有限公司 基于大模型和提示指引的河湖管理违规问题遥感监测方法

Similar Documents

Publication Publication Date Title
CN110705457B (zh) 一种遥感影像建筑物变化检测方法
CN109493320B (zh) 基于深度学习的遥感影像道路提取方法及***、存储介质、电子设备
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
CN113076871B (zh) 一种基于目标遮挡补偿的鱼群自动检测方法
CN112287832A (zh) 一种基于高分辨率遥感影像的城镇违法建筑物检测方法
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN113313180B (zh) 一种基于深度对抗学习的遥感图像语义分割方法
CN116912700A (zh) 基于特征增强和细化的河湖治理违规问题的变化检测方法
CN114463623A (zh) 一种基于多尺度遥感影像的耕地变化检测方法及装置
CN114519819B (zh) 一种基于全局上下文感知的遥感图像目标检测方法
Amirkolaee et al. DTM extraction from DSM using a multi-scale DTM fusion strategy based on deep learning
CN112529065A (zh) 一种基于特征对齐和关键点辅助激励的目标检测方法
CN111914596B (zh) 车道线检测方法、装置、***及存储介质
CN115830535A (zh) 一种变电站周边区域积水检测方法、***、设备及介质
CN104036277A (zh) 一种提取道路特征的方法和设备
Park et al. Deep learning-based UAV image segmentation and inpainting for generating vehicle-free orthomosaic
Sun et al. An integration–competition network for bridge crack segmentation under complex scenes
Yang et al. Automatic Identification Method of Construction and Demolition Waste Based on Deep Learning and GAOFEN-2 Data
CN113902744B (zh) 基于轻量级网络的图像检测方法、***、设备和存储介质
CN112446292B (zh) 一种2d图像显著目标检测方法及***
CN113516114B (zh) 一种自然场景文本检测方法、设备和介质
Zhai et al. SAS-NET: Similarity attention Siamese network for building change detection in UAV images
CN110910496B (zh) 基于大数据和ai的vr自然环境自动构成方法
CN108563674B (zh) 基于rs和gis的海域地理要素测量方法、***及装置
He et al. Fast and Accurate Sea-Land Segmentation Based on Improved SeNet and Coastline Database for Large-Scale Image

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