CN117975295B - 一种基于多尺度特征感知神经网络的积雪深度预测方法 - Google Patents
一种基于多尺度特征感知神经网络的积雪深度预测方法 Download PDFInfo
- Publication number
- CN117975295B CN117975295B CN202410382650.0A CN202410382650A CN117975295B CN 117975295 B CN117975295 B CN 117975295B CN 202410382650 A CN202410382650 A CN 202410382650A CN 117975295 B CN117975295 B CN 117975295B
- Authority
- CN
- China
- Prior art keywords
- msfaa
- neural network
- image
- scale feature
- branch
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008447 perception Effects 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 239000011800 void material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多尺度特征感知神经网络的积雪深度预测方法,包括:获取积雪观测气象站附近的卫星图像,并对卫星图像进行预处理;搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练;将测试集数据输入至训练之后的深度神经网络模型,实现积雪深度的预测。本发明构建了多尺度特征提取单元MFSE、多尺度特征聚合单元MSFAA、多尺度特征融合单元HLF,以及各单元内部和单元之间网络连接网络,不仅可以捕获多尺度图像特征,还可以实现多尺度图像特征有效融合;将本方法用于积雪深度估算,可以提高积雪深度估算的准确性。
Description
技术领域
本发明涉及气象监测技术,特别涉及一种基于多尺度特征感知神经网络的积雪深度预测方法。
背景技术
积雪深度是衡量积雪消融变化、警示雪崩情况最为直观的指标之一。实现中国高寒地区雪深精确估算对于高海拔地区的雪崩灾害预防,长江黄河的汛期预报等有重要意义。然而,由于在常年积雪的高原地区或无人区少有或者没有气象站点的覆盖,实现全覆盖式的积雪深度监测仍有困难。因此,基于遥感图像分析技术探索大范围、高分辨率和高精度的积雪深度估算方法已成为遥感、水文与测绘等多个领域的热门研究课题。
近年来,机器学习、深度学习技术迅速发展,它通过卷积神经网络的超强非线性特征表示能力,能够很好地完成计算机视觉相关任务。经过对现有基于深度学习的积雪深度估算技术检索发现,深度神经网络在积雪深度估计的研究中做出了一定的贡献,但仍有很大局限。特别是现有的基于深度学习方法进行积雪深度估算的研究中,大多数是主流深度学习网络模型的复用,并没有针对积雪深度估算任务特点设计深度学习网络模型,其积雪深度估算精度仍有提升空间。因此,有必要面向积雪深度估计任务提出一种深度学习方法,以进一步提高积雪深度估算精度。
发明内容
发明目的:针对以上问题,本发明目的是提供一种基于多尺度特征感知神经网络的积雪深度预测方法,可以获得高精度的积雪深度估算结果,同时提高深度学习方法的应用价值。
技术方案:本发明的一种基于多尺度特征感知神经网络的积雪深度预测方法,包括如下步骤:
步骤1,获取积雪观测气象站附近的卫星图像,并对卫星图像进行预处理,将预处理后的卫星图像按比例划分为训练集和测试集;
步骤2,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练;其中深度神经网络模型包括编码器和解码器,编码器包括多尺度特征提取单元、多尺度特征聚合单元和多尺度特征融合单元,解码器包括全连接单元,通过多尺度特征提取单元和多尺度特征聚合单元提取不同尺度图像特征,通过多尺度特征融合单元融合不同层次图像特征;
多尺度特征提取单元为三分支卷积网络结构,且其中两个分支内部残差单元下采样顺序设置为互反;多尺度特征聚合单元包括空洞卷积层、二维卷积层以及平均池化层;多尺度特征融合单元为双分支卷积网络结构;
步骤3,将测试集数据输入至训练之后的深度神经网络模型,实现积雪深度的预测。
进一步,步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程包括:
构建多尺度特征提取单元,将三分支卷积网络结构的三个分支分别记为branch1、branch2和branch3,将积雪图片分别输入至branch1、branch2和branch3中;
在branch1分支中,对输入特征进行残差块ResNet操作4次,获得该分支提取的图像特征;
在branch2分支中,对输入特征进行残差块ResNet操作4次,获得该分支提取的图像特征;
在branch3中,首先将branch1和branch2中第2次卷积操作的图像特征进行拼接;然后,再通过残差块ResNet卷积操作2次后,获得该分支提取的图像特征。
进一步,步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程还包括:
构建多尺度特征聚合单元,包括5个MSFAA块,每个MSFAA块中包括三个核为3×3空洞卷积层、一个核为1×1二维卷积层以及核为2×2的平均池化层;
将branch1、branch2、branch3三个分支获得的图像特征分别送入3个MSFAA块,3个MSFAA块分别标记为MSFAA-1、MSFAA-2及MSFAA-3;然后将branch1中第2次卷积后获得的特征图像送入第四个MSFAA块,该MSFAA块记为MSFAA-1-1,将branch2中第2次卷积后获得的特征图像送入第5个MSFAA块,该MSFAA块记为MSFAA-2-1;
将MSFAA-1、MSFAA-2、MSFAA-3获得的图像特征相加得到特征FH;将MSFAA-1-1、MSFAA-2-1获得的图像特征相加得到特征FL。
进一步,步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程还包括:
构建多尺度特征融合单元,其中双分支卷积网络结构分别记为HLF-L和HLF-H;
在HLF-L分支中,包括两个子分支结构,在第一条子分支结构中,将特征FL通过核为3×3的卷积操作,以及空洞率为2的深度可分离卷积操作后,再通过sigmoid激活层得到图像特征HLF-L-1;在另一条分支结构中,将特征FL通过核为3×3的卷积操作,以及跨度为2的池化操作后,再最后通过sigmoid激活层得到图像特征HLF-L-2;
在HLF-H分支中,包括两个子分支结构,在第一条子分支中,将特征FH通过核为3×3的卷积操作,以及空洞率为2的深度可分离卷积操作后,得到图像特征HLF-H-1;在另一条分支中,将特征FH通过核为3×3,以及空洞率为2的深度可分离卷积操作后,再通过双线性插值法采样得到图像特征HLF-H-2;
将图像特征HLF-H-1与HLF-L-2进行加权操作,并通过双线性插值法得到特征F1-HL;
将图像特征HLF-H-2与HLF-L-1进行加权操作,并通过双线性插值法得到特征F2-HL;
将图像特征F1-HL和F2-HL进行相加,获得融合不同尺度图像信息的特征FHL;
对图像特征FHL进行核为1×1的二维卷积操作,得到图像特征F1;
对图像特征F1进行核为3×3的二维卷积操作2次,以及空洞率为4的空洞卷积操作1次,得到图像特征F2;
将图像特征F1与F2跨层融合,获得网络最终提取的图像特征F。
进一步,步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程还包括:
构建全连接层,将图像特征F进行自适应全局平均池化操作后得到的图像特征输入至全连接层中,全连接层的最后一层为单个神经元,输出积雪深度的估计值。
有益效果:本发明与现有技术相比,其显著优点是:
本发明提出的一种基于多尺度特征感知神经网络的积雪深度预测方法,构建了多尺度特征提取单元MFSE、多尺度特征聚合单元MSFAA、多尺度特征融合单元HLF,以及各单元内部和单元之间网络连接网络,不仅可以捕获多尺度图像特征,还可以实现多尺度图像特征有效融合;将本方法用于积雪深度估算,可以提高积雪深度估算的准确性,提高了深度学习方法的应用价值。
附图说明
图1为本实施例中深度神经网络模型的结构框图;
图2为本实施例中多尺度特征提取单元的结构示意图;
图3为实施例中多尺度特征聚合单元的结构示意图;
图4为实施例中多尺度特征融合单元结构示意图;
图5为实施例中积雪深度估算的实验结果;
图6为实施例中利用不同方法实现积雪深度估算的实验结果。
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。
本实施例所述的一种基于多尺度特征感知神经网络的积雪深度预测方法,包括如下步骤:
步骤1,获取积雪观测气象站附近的卫星图像,并对卫星图像进行预处理,将预处理后的卫星图像按比例划分为训练集和测试集;
步骤2,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练;
其中深度神经网络模型包括编码器和解码器,编码器包括多尺度特征提取单元、多尺度特征聚合单元和多尺度特征融合单元,解码器包括全连接单元,通过多尺度特征提取单元和多尺度特征聚合单元提取不同尺度图像特征,通过多尺度特征融合单元融合不同层次图像特征;
多尺度特征提取单元为三分支卷积网络结构,且其中两个分支内部残差单元下采样顺序设置为互反;多尺度特征聚合单元包括空洞卷积层、二维卷积层以及平均池化层;多尺度特征融合单元为双分支卷积网络结构;
步骤3,将测试集数据输入至训练之后的深度神经网络模型,实现积雪深度的预测。
如图2所示,在步骤2中,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程包括:
构建多尺度特征提取单元,将三分支卷积网络结构的三个分支分别记为branch1、branch2和branch3,将积雪图片分别输入至branch1、branch2和branch3中;
在branch1分支中,对输入特征进行残差块ResNet操作4次,获得该分支提取的图像特征;
在branch2分支中,对输入特征进行残差块ResNet操作4次,获得该分支提取的图像特征;
在branch3中,首先将branch1和branch2中第2次卷积操作的图像特征进行拼接;然后,再通过残差块ResNet卷积操作2次后,获得该分支提取的图像特征。
如图1所示,在步骤2中,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练还包括:
构建多尺度特征聚合单元,包括5个MSFAA块,每个MSFAA块中包括三个核为3×3空洞卷积层、一个核为1×1二维卷积层以及核为2×2的平均池化层,如图3所示,f为MSFAA块输入图像,为输出图像;
将branch1、branch2、branch3三个分支获得的图像特征分别送入3个MSFAA块,3个MSFAA块分别标记为MSFAA-1、MSFAA-2及MSFAA-3;然后将branch1中第2次卷积后获得的特征图像送入第四个MSFAA块,该MSFAA块记为MSFAA-1-1,将branch2中第2次卷积后获得的特征图像送入第5个MSFAA块,该MSFAA块记为MSFAA-2-1;
将MSFAA-1、MSFAA-2、MSFAA-3获得的图像特征相加得到特征FH;将MSFAA-1-1、MSFAA-2-1获得的图像特征相加得到特征FL。
如图4所示,在步骤2中,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练还包括:
构建多尺度特征融合单元,其中双分支卷积网络结构分别记为HLF-L和HLF-H;
在HLF-L分支中,包括两个子分支结构,在第一条子分支结构中,将特征FL通过核为3×3的卷积操作,以及空洞率为2的深度可分离卷积操作后,再通过sigmoid激活层得到图像特征HLF-L-1;在另一条分支结构中,将特征FL通过核为3×3的卷积操作,以及跨度为2的池化操作后,再最后通过sigmoid激活层得到图像特征HLF-L-2;
在HLF-H分支中,包括两个子分支结构,在第一条子分支中,将特征FH通过核为3×3的卷积操作,以及空洞率为2的深度可分离卷积操作后,得到图像特征HLF-H-1;在另一条分支中,将特征FH通过核为3×3,以及空洞率为2的深度可分离卷积操作后,再通过双线性插值法采样得到图像特征HLF-H-2;
将图像特征HLF-H-1与HLF-L-2进行加权操作,并通过双线性插值法得到特征F1-HL;
将图像特征HLF-H-2与HLF-L-1进行加权操作,并通过双线性插值法得到特征F2-HL;
将图像特征F1-HL和F2-HL进行相加,获得融合不同尺度图像信息的特征FHL;
对图像特征FHL进行核为1×1的二维卷积操作,得到图像特征F1;
对图像特征F1进行核为3×3的二维卷积操作2次,以及空洞率为4的空洞卷积操作1次,得到图像特征F2;
将图像特征F1与F2跨层融合,获得网络最终提取的图像特征F。
在步骤2中,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练还包括:
构建全连接层,将图像特征F进行自适应全局平均池化操作后得到的图像特征输入至全连接层中,全连接层的最后一层为单个神经元,输出积雪深度的估计值。
为进一步验证本发明所述基于多尺度特征感知神经网络的积雪深度预测方法的有效性及对积雪深度估算的准确性,通过以下示例进行说明。在我国西部的高寒地区(东经:81.33°~102.67°,北纬:21.28°~48.05°),利用软件ENVI融合配准了积雪观测气象站附近的光学遥感图像、SAR影像、Land Cover图像(以上图像分别来自于2014年发射的Sentinel-1A卫星和2013年发射的Landsat-8卫星)。将上述配准的图像作为本发明一种基于多尺度特征感知能力的深度学习方法的输入图像,积雪观测气象站点实测积雪深度数据作为输出。本发明方法基于以上数据进行训练和测试,其对比实验数据如表1所示,雪深估算结果如图5所示。
表1给出了本发明方法和现有技术中的3种用于积雪深度估算深度学习方法的对比结果,使用积雪深度估算客观评价指标RMSE、MAE、PME、NME、R2,用于客观评价积雪深度估算准确度。其中,RMSE、MAE、PME、NME客观评价指标值越小代表深度估算的准确度越高;R2客观评价指标值越大代表深度估算的准确度越高。与其他深度学习方法相比,本发明能够很好的捕获积雪图像特征,进而能够进行高精度的积雪深度估算,提高了算法的应用价值。
表1 积雪深度估算客观评价指标对比结果
图5是基于本发明方法生成的320m分辨率雪深地图,展示了(a)、(b)、(c)、(d)四组实验结果,每组结果从左到右分别展示了光学遥感图像、雪深地图以及包含局部站点的细节雪深地图。其中,图5的(a)为2015年2月2日拍摄的包含新疆塔城站地区;图5的(b)为2014年12月9日拍摄的新疆昭苏站地区;图5的(c)为2014年12月9日拍摄的新疆尼克勒站地区;图5的(d)为2015年1月12日拍摄的西藏普兰站地区。从四组雪深地图图像中可以看到,无论是积雪深度浅的区域还是积雪深度深的区域,基于本发明方法估算的积雪深度与积雪观测气象站实测值均高度一致;同时,基于本发明方法绘制的雪深地图与光学遥感图像中山脊、山谷等地形形状吻合良好。因此,本发明方法可以有效的实现积雪深度估算。图6是本发明方法和已发表的3种用于积雪深度估算深度学习方法的对比,可以看出与其他深度学习方法相比,本发明方法能够更好更准确的估算积雪深度。
Claims (2)
1.一种基于多尺度特征感知神经网络的积雪深度预测方法,其特征在于,包括如下步骤:
步骤1,获取积雪观测气象站附近的卫星图像,并对卫星图像进行预处理,将预处理后的卫星图像按比例划分为训练集和测试集;
步骤2,搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练;其中深度神经网络模型包括编码器和解码器,编码器包括多尺度特征提取单元、多尺度特征聚合单元和多尺度特征融合单元,解码器包括全连接单元,通过多尺度特征提取单元和多尺度特征聚合单元提取不同尺度图像特征,通过多尺度特征融合单元融合不同层次图像特征;
多尺度特征提取单元为三分支卷积网络结构,且其中两个分支内部残差单元下采样顺序设置为互反;多尺度特征聚合单元包括空洞卷积层、二维卷积层以及平均池化层;多尺度特征融合单元为双分支卷积网络结构;
步骤3,将测试集数据输入至训练之后的深度神经网络模型,实现积雪深度的预测;
步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程包括:
构建多尺度特征提取单元,将三分支卷积网络结构的三个分支分别记为branch1、branch2和branch3,将积雪图片分别输入至branch1、branch2和branch3中;
在branch1分支中,对输入特征进行残差块ResNet操作4次,获得该分支提取的图像特征;
在branch2分支中,对输入特征进行残差块ResNet操作4次,获得该分支提取的图像特征;
在branch3中,首先将branch1和branch2中第2次卷积操作的图像特征进行拼接;然后,再通过残差块ResNet卷积操作2次后,获得该分支提取的图像特征;
步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程还包括:
构建多尺度特征聚合单元,包括5个MSFAA块,每个MSFAA块中包括三个核为3×3空洞卷积层、一个核为1×1二维卷积层以及核为2×2的平均池化层;
将branch1、branch2、branch3三个分支获得的图像特征分别送入3个MSFAA块,3个MSFAA块分别标记为MSFAA-1、MSFAA-2及MSFAA-3;然后将branch1中第2次卷积后获得的特征图像送入第四个MSFAA块,该MSFAA块记为MSFAA-1-1,将branch2中第2次卷积后获得的特征图像送入第5个MSFAA块,该MSFAA块记为MSFAA-2-1;
将MSFAA-1、MSFAA-2、MSFAA-3获得的图像特征相加得到特征FH;将MSFAA-1-1、MSFAA-2-1获得的图像特征相加得到特征FL;
步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程还包括:
构建多尺度特征融合单元,其中双分支卷积网络结构分别记为HLF-L和HLF-H;
在HLF-L分支中,包括两个子分支结构,在第一条子分支结构中,将特征FL通过核为3×3的卷积操作,以及空洞率为2的深度可分离卷积操作后,再通过sigmoid激活层得到图像特征HLF-L-1;在另一条分支结构中,将特征FL通过核为3×3的卷积操作,以及跨度为2的池化操作后,再最后通过sigmoid激活层得到图像特征HLF-L-2;
在HLF-H分支中,包括两个子分支结构,在第一条子分支中,将特征FH通过核为3×3的卷积操作,以及空洞率为2的深度可分离卷积操作后,得到图像特征HLF-H-1;在另一条分支中,将特征FH通过核为3×3,以及空洞率为2的深度可分离卷积操作后,再通过双线性插值法采样得到图像特征HLF-H-2;
将图像特征HLF-H-1与HLF-L-2进行加权操作,并通过双线性插值法得到特征F1-HL;
将图像特征HLF-H-2与HLF-L-1进行加权操作,并通过双线性插值法得到特征F2-HL;
将图像特征F1-HL和F2-HL进行相加,获得融合不同尺度图像信息的特征FHL;
对图像特征FHL进行核为1×1的二维卷积操作,得到图像特征F1;
对图像特征F1进行核为3×3的二维卷积操作2次,以及空洞率为4的空洞卷积操作1次,得到图像特征F2;
将图像特征F1与F2跨层融合,获得网络最终提取的图像特征F。
2.根据权利要求1所述的一种基于多尺度特征感知神经网络的积雪深度预测方法,其特征在于,步骤2中搭建基于多尺度特征感知能力的深度神经网络模型,利用训练集对深度神经网络模型进行训练的过程还包括:
构建全连接层,将图像特征F进行自适应全局平均池化操作后得到的图像特征输入至全连接层中,全连接层的最后一层为单个神经元,输出积雪深度的估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382650.0A CN117975295B (zh) | 2024-04-01 | 2024-04-01 | 一种基于多尺度特征感知神经网络的积雪深度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410382650.0A CN117975295B (zh) | 2024-04-01 | 2024-04-01 | 一种基于多尺度特征感知神经网络的积雪深度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117975295A CN117975295A (zh) | 2024-05-03 |
CN117975295B true CN117975295B (zh) | 2024-06-18 |
Family
ID=90846480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410382650.0A Active CN117975295B (zh) | 2024-04-01 | 2024-04-01 | 一种基于多尺度特征感知神经网络的积雪深度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117975295B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797931A (zh) * | 2023-02-13 | 2023-03-14 | 山东锋士信息技术有限公司 | 一种基于双分支特征融合的遥感图像语义分割方法 |
CN116778318A (zh) * | 2023-05-22 | 2023-09-19 | 北京空间机电研究所 | 一种卷积神经网络遥感影像道路提取模型及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428781A (zh) * | 2020-03-20 | 2020-07-17 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及*** |
-
2024
- 2024-04-01 CN CN202410382650.0A patent/CN117975295B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797931A (zh) * | 2023-02-13 | 2023-03-14 | 山东锋士信息技术有限公司 | 一种基于双分支特征融合的遥感图像语义分割方法 |
CN116778318A (zh) * | 2023-05-22 | 2023-09-19 | 北京空间机电研究所 | 一种卷积神经网络遥感影像道路提取模型及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117975295A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
CN110111345B (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN111339827A (zh) | 基于多区域卷积神经网络的sar图像变化检测方法 | |
CN109948471A (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
Hamida et al. | Deep learning for semantic segmentation of remote sensing images with rich spectral content | |
CN114898212B (zh) | 一种高分辨率遥感图像多地物变化信息提取方法 | |
CN112070056A (zh) | 一种基于面向对象和深度学习的敏感用地识别方法 | |
CN112308029A (zh) | 雨量站与卫星的降水数据融合方法及*** | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
CN114913434B (zh) | 一种基于全局关系推理的高分辨率遥感影像变化检测方法 | |
Cui et al. | Deep learning–based remote sensing estimation of water transparency in shallow lakes by combining Landsat 8 and Sentinel 2 images | |
CN116630818A (zh) | 基于gee和深度学习的高原湖泊边界在线提取方法及*** | |
Lou et al. | An effective method for canopy chlorophyll content estimation of marsh vegetation based on multiscale remote sensing data | |
CN112990354A (zh) | 一种构建用于风速预测的深度卷积回归网络的方法及装置 | |
CN106897683B (zh) | 一种遥感图像的地物检测方法及*** | |
CN117975295B (zh) | 一种基于多尺度特征感知神经网络的积雪深度预测方法 | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
Sadouki et al. | Classification of radar echoes with a textural–fuzzy approach: an application for the removal of ground clutter observed in Sétif (Algeria) and Bordeaux (France) sites | |
CN115641498A (zh) | 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法 | |
CN115546658A (zh) | 一种数据集质量提升与改进cnn相结合的夜间云检测方法 | |
CN112085779A (zh) | 一种波浪参数估算方法及装置 | |
CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 | |
CN117421601B (zh) | 一种海面蒸发波导临近期快速预报方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |