CN118015476B - 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** - Google Patents
基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** Download PDFInfo
- Publication number
- CN118015476B CN118015476B CN202410418461.4A CN202410418461A CN118015476B CN 118015476 B CN118015476 B CN 118015476B CN 202410418461 A CN202410418461 A CN 202410418461A CN 118015476 B CN118015476 B CN 118015476B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- change detection
- training
- sample set
- tensor
- 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
- 230000008859 change Effects 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 20
- 230000002441 reversible effect Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及***,方法包括:将前后两个时间点的铁路外部环境遥感图像进行差分并提取差分张量,抽取样本进行标记并构造训练样本集训练基本变化检测模型;针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型;生成若干近似分布的样本,利用基本变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签,利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图。本发明适用于铁路外部环境变化检测,可获得铁路外部环境变化区域图。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及***。
背景技术
铁路周边环境变化检测是一项关键的任务,对于确保铁路运营的安全、高效以及可持续性具有重要意义。铁路***作为现代交通基础设施的重要组成部分,其周边环境的变化可能对列车运行、乘客安全、设备维护等方面产生直接影响。因此,及时、准确和有效地检测铁路周边环境的变化,是保障铁路的安全运行的重要措施。
然而,人工进行铁路周边环境变化检测存在一些困难。首先,铁路沿线区域通常较大,人力资源和时间成本较高,难以实现全面监测。其次,人工检测受到天气、地形等自然因素的限制,可能在恶劣条件下影响观测效果。此外,人工检测很难获取大范围和多角度的信息,无法提供全面、实时的环境监测。因此应用遥感技术具有明显的优势。遥感可以通过卫星、飞机等平台获取大范围、高分辨率的影像数据,实现对铁路周边环境的全面监测。遥感技术可以克服天气和地形的限制,实现全天候、全天时的监测,提供及时准确的信息。此外,遥感还可以通过多光谱、高光谱等多种数据源,提供更丰富的环境信息,帮助识别和分析不同类型的变化,从而更好地支持铁路周边环境的管理和维护工作。遥感数据通常包含大量复杂的信息,而深度学习模型能够通过多层次的神经网络结构自动学习和提取数据中的高级抽象特征,从而更准确地识别和分析环境变化。
但是基于深度学习的遥感变化检测仍然存在以下问题:(1)深度学习需要大量已知标记的样本进行模型学习,但是对训练样本进行标记是一个高成本的过程,在实际的铁路周边环境变化检测中仍会产生相当大的工作量。(2)深度学习模型凭借其大参数量使模型具有强大的学习能力,如果直接使用少量样本对模型进行训练,则模型不可避免地会陷入过拟合的情况导致模型缺乏泛化性能。如何避免模型陷入过拟合是需要解决的问题。(3)常用于图像处理的传统数据增强方法面临一些局限性。一些传统数据增强方法引入的变换和噪声有时可能破坏HSI数据固有的分布特征。如何获取分布近似的增强样本用于深度学习模型训练是一个难点。
发明内容
本发明的目的在于提供一种基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及***。
实现本发明目的的技术解决方案为:第一方面,本发明提供一种基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,包括以下步骤:
步骤1,获取基本低参数量遥感图像变化检测模型,将前后两个时间的铁路外部环境遥感图像进行差分并提取差分张量,抽取样本进行标记构造训练样本集作为变化检测模型的输入进行训练,从而得到基本低参数量遥感图像变化检测模型;
步骤2,建立标准化流遥感样本生成模型,针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型,得到可生成近似分布的增强样本的标准化流遥感样本生成模型;
步骤3,利用步骤2得到的标准化流遥感样本生成模型生成若干近似分布的样本,利用步骤1得到的基本低参数量遥感图像变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签;利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图。
第二方面,本发明提供一种基于低参数神经网络与标准化流的遥感铁路外部环境变化检测***,包括:
第一模块,用于获取基本低参数量遥感图像变化检测模型,将前后两个时间的铁路外部环境遥感图像进行差分并提取差分张量,抽取样本进行标记构造训练样本集作为变化检测模型的输入进行训练,从而得到基本低参数量遥感图像变化检测模型;
第二模块,建立标准化流遥感样本生成模型,针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型,得到可生成近似分布的增强样本的标准化流遥感样本生成模型;
第三模块,利用标准化流遥感样本生成模型生成若干近似分布的样本,利用基本低参数量遥感图像变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签;利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图。
第三方面,本发明提供一种电子设备,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上述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法。
本发明与现有技术相比,其显著优点在于:(1)本发明引入了少参数量的遥感变化检测模型,在训练样本数少的情况下也表现出令人满意的变化检测性能;(2)本发明通过标准化流学***滑技术的配合进一步提升了生成样本的标签可信度。
下面结合附图详细说明本发明提供的遥感铁路外部环境变化检测方法。
附图说明
图1是本发明基于低参数神经网络与标准化流的遥感铁路外部环境变化检测方法流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
如图1所示,本发明的一种基于低参数神经网络与标准化流的遥感铁路外部环境变化检测方法,包括以下步骤:
步骤1,获取基本低参数量遥感图像变化检测模型,将前后两个时间的铁路外部环境遥感图像进行差分并提取差分张量,抽取少量样本进行标记构造训练样本集作为变化检测模型的输入进行训练,从而得到基本低参数量遥感图像变化检测模型,包括以下步骤:
步骤1.1,利用成像设备采集到前后两个时间点的图像包括和,其中,,表示光谱维度,表示图像宽度,表示图像长度。计算差分图
像为:
;
步骤1.2,对于中的第个像素,提取以该像素为中心的个像素对应的光谱拼
成张量,其中;
步骤1.3,从中随机抽取90个张量作为训练样本集,人工结合实际变化情况给予
对应的标签:若张量对应不变化则标签为0,对应变化则标签为1;
步骤1.4,将训练样本集中的张量及其对应的标签作为输入,训练基本低参数量遥
感图像变化检测模型,包括以下步骤:
(1)将输入的变化张量通过的卷积核形成12个的张量;
(2)将步骤(1)得到的张量通过的卷积核形成12个的张量;
(3)将步骤(2)得到的张量通过三维批量归一化以及PReLU激活函数得到12个的张量;
(4)将步骤(3)得到的张量通过的卷积核形成35个的张
量;
(5)将步骤(4)得到的张量通过三维批量归一化以及PReLU激活函数得到35个的张量;
(6)将步骤(5)得到的张量通过三维最大池化得到35个的张量;
(7)将步骤(6)得到的张量通过向量化得到35维向量;
(8)将步骤(7)得到的向量通过50%概率随机丢弃层得到35维向量;
(9)将步骤(8)得到的向量通过全连接层得到2维向量;
(10)将步骤(9)得到的向量通过softmax函数得到2维预测向量;
(11)将步骤(10)得到的预测向量与标签输入到交叉熵损失函数中计算损失值;
(12)当损失值连续100个epoch未下降时训练停止,将损失值最小的模型参数作为最优权重参数保存作为基本低参数量遥感图像变化检测模型。
步骤2,建立标准化流遥感样本生成模型,针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型,得到可以生成近似分布的增强样本的标准化流遥感样本生成模型,包括以下步骤:
步骤2.1,设代表训练集中标签为的样本,其中。将所有转化为向
量,其中的值为:
,
步骤2.2,对进行可逆变换得到新的,包括以下步骤:
(1)对进行以下变换得到新的:
其中代表的1至维,,为逐元素乘法,和均为MLP函数,其
形式为:
其中和代表权重和偏置,;
(2)对进行以下变换得到新的:
其中和均为MLP函数;
(3)将步骤(1)和步骤(2)变换合并记为可逆变换。
步骤2.3,计算可逆变换的雅可比矩阵及其行列式:
其中代表维单位矩阵,T为矩阵转置;
步骤2.4,利用反向传播算法求解以下优化问题得到最优可逆变换:
其中代表标准Logistic分布函数,代表标签为的样本数量。
步骤3,利用步骤2得到的标准化流遥感样本生成模型生成近似分布的样本,利用步骤1得到的基本低参数量遥感图像变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签。利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图,包括以下步骤:
步骤3.1,从标准Logistic分布中抽样得到向量,将输入到中并变形得到
生成张量:
步骤3.2,利用计算的预测结果:
步骤3.3,如果,则接受,并给予软标签,加入增强样本集:
否则,拒绝,回到步骤3.1;
步骤3.4,如果增强样本集内未达到该类训练样本数的10倍,则回到步骤3.1,否则将增强样本集与原始训练样本集合并得到最终的训练样本集。
步骤3.5,利用最终训练样本集训练变化检测模型得到最终的变化检测模型,
具体训练方法和步骤1.4一致。
步骤3.6,按照步骤1.2的方法提取中的所有差分张量,输入到中得到,
变形后得到最终的变化检测图:
基于同样的发明构思,本发明还提供一种基于低参数神经网络与标准化流的遥感铁路外部环境变化检测***,包括:
第一模块,用于获取基本低参数量遥感图像变化检测模型,将前后两个时间的铁路外部环境遥感图像进行差分并提取差分张量,抽取少量样本进行标记构造训练样本集作为变化检测模型的输入进行训练,从而得到基本低参数量遥感图像变化检测模型;
第二模块,建立标准化流遥感样本生成模型,针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型,得到可以生成近似分布的增强样本的标准化流遥感样本生成模型;
第三模块,利用标准化流遥感样本生成模型生成若干近似分布的样本,利用基本低参数量遥感图像变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签。利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图。
上述第一~第三模块的具体实现方式与前述的遥感铁路外部环境变化检测方法相同,此处不再赘述。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,包括以下步骤:
步骤1,获取基本低参数量遥感图像变化检测模型,将前后两个时间的铁路外部环境遥感图像进行差分并提取差分张量,抽取样本进行标记构造训练样本集作为变化检测模型的输入进行训练,从而得到基本低参数量遥感图像变化检测模型;
步骤2,建立标准化流遥感样本生成模型,针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型,得到可生成近似分布的增强样本的标准化流遥感样本生成模型;
步骤3,利用步骤2得到的标准化流遥感样本生成模型生成若干近似分布的样本,利用步骤1得到的基本低参数量遥感图像变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签;利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图;步骤3包含以下步骤:
步骤3.1,从标准Logistic分布中抽样得到向量,将/>输入到/>中并变形得到生成张量/>:
;
式中,为可逆变换,b为张量的长度和宽度,/>的值为:/>;
步骤3.2,利用计算/>的预测结果/>:
;
步骤3.3,如果,则接受/>,并给予软标签/>,加入增强样本集:
;
否则,拒绝,回到步骤3.1;
步骤3.4,如果增强样本集内未达到该类训练样本数的10倍,则回到步骤3.1,否则将增强样本集与原始训练样本集合并得到最终的训练样本集;
步骤3.5,利用最终训练样本集训练变化检测模型得到最终的变化检测模型,具体训练方法和步骤1.4一致;
步骤3.6,按照步骤1.2的方法提取中的所有差分张量/>,输入到/>中得到/>,变形后得到最终的变化检测图/>:
;
;
表示图像长度,/>表示图像宽度。
2.根据权利要求1所述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,步骤1包含以下步骤:
步骤1.1,利用成像设备采集到前后两个时间点的图像包括和/>,其中,/>,/>表示光谱维度,/>表示图像宽度,/>表示图像长度;计算差分图像/>为:
;
步骤1.2,对于中的第/>个像素,提取以该像素为中心的/>个像素对应的光谱拼成张量/>,其中/>;
步骤1.3,从中随机抽取90个张量作为训练样本集,人工结合实际变化情况给予对应的标签:若张量对应不变化则标签为0,对应变化则标签为1;
步骤1.4,将训练样本集中的张量及其对应的标签作为输入,训练基本低参数量遥感图像变化检测模型。
3.根据权利要求2所述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,步骤1.4包含以下步骤:
(1)将输入的变化张量通过的卷积核形成12个/>的张量;
(2)将步骤(1)得到的张量通过的卷积核形成12个/>的张量;
(3)将步骤(2)得到的张量通过三维批量归一化以及PReLU激活函数得到12个的张量;
(4)将步骤(3)得到的张量通过的卷积核形成35个/>的张量;
(5)将步骤(4)得到的张量通过三维批量归一化以及PReLU激活函数得到35个的张量;
(6)将步骤(5)得到的张量通过三维最大池化得到35个的张量;
(7)将步骤(6)得到的张量通过向量化得到35维向量;
(8)将步骤(7)得到的向量通过50%概率随机丢弃层得到35维向量;
(9)将步骤(8)得到的向量通过全连接层得到2维向量;
(10)将步骤(9)得到的向量通过softmax函数得到2维预测向量;
(11)将步骤(10)得到的预测向量与标签输入到交叉熵损失函数中计算损失值;
(12)当损失值连续100轮未下降时训练停止,将损失值最小的模型参数作为最优权重参数保存作为基本低参数量遥感图像变化检测模型。
4.根据权利要求1所述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,步骤2包含以下步骤:
步骤2.1,设代表训练集中标签为/>的样本,其中/>;将所有/>转化为向量;
步骤2.2,对进行可逆变换/>得到新的/>;
步骤2.3,计算可逆变换的雅可比矩阵及其行列式:
步骤2.4,利用反向传播算法求解以下优化问题得到最优可逆变换。
5.根据权利要求4所述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,步骤2.2包含以下步骤:
(1)对进行以下变换得到新的/>:
;
其中代表/>的1至/>维,/>,/>为逐元素乘法,/>和/>均为MLP函数,其形式为:
;
其中和/>代表权重和偏置,/>;
(2)对进行以下变换得到新的/>:
;
其中和/>均为MLP函数;
(3)将步骤(1)和步骤(2)变换合并记为可逆变换。
6.根据权利要求4所述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,步骤2.3包含以下步骤:
(1)计算可逆变换的雅可比矩阵/>:
;
其中代表/>维单位矩阵,T为矩阵转置;
(2)计算的行列式:
。
7.根据权利要求4所述的基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法,其特征在于,步骤2.4包含以下步骤:
利用反向传播算法求解以下优化问题获得:
;
其中代表标准Logistic分布函数,/>代表标签为/>的样本数量。
8.一种基于低参数神经网络与标准化流的铁路外部环境遥感变化检测***,其特征在于,用于实现权利要求1-7任一所述的铁路外部环境遥感变化检测方法,***包括以下模块:
第一模块,用于获取基本低参数量遥感图像变化检测模型,将前后两个时间的铁路外部环境遥感图像进行差分并提取差分张量,抽取样本进行标记构造训练样本集作为变化检测模型的输入进行训练,从而得到基本低参数量遥感图像变化检测模型;
第二模块,建立标准化流遥感样本生成模型,针对训练样本集中代表变化和不变化的张量样本分别训练标准化流遥感样本生成模型,得到可生成近似分布的增强样本的标准化流遥感样本生成模型;
第三模块,利用标准化流遥感样本生成模型生成若干近似分布的样本,利用基本低参数量遥感图像变化检测模型评估生成样本的可信度并筛选出增强样本与原始训练样本集合并得到最终的训练样本集,利用软标签和标签平滑技术构造更高质量的标签;利用最终训练样本集训练变化检测模型得到最终的变化检测模型以及变化检测结果图。
9.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410418461.4A CN118015476B (zh) | 2024-04-09 | 2024-04-09 | 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410418461.4A CN118015476B (zh) | 2024-04-09 | 2024-04-09 | 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118015476A CN118015476A (zh) | 2024-05-10 |
CN118015476B true CN118015476B (zh) | 2024-06-11 |
Family
ID=90958012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410418461.4A Active CN118015476B (zh) | 2024-04-09 | 2024-04-09 | 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015476B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
CN111914909A (zh) * | 2020-07-15 | 2020-11-10 | 南京审计大学 | 基于空谱联合三方向卷积网络的高光谱变化检测方法 |
CN114743109A (zh) * | 2022-04-28 | 2022-07-12 | 湖南大学 | 多模型协同优化高分遥感图像半监督变化检测方法及*** |
CN115526874A (zh) * | 2022-10-08 | 2022-12-27 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器控制杆圆销和圆销开口销丢失检测方法 |
CN116340770A (zh) * | 2023-03-20 | 2023-06-27 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种隧道衬砌地质雷达数据智能识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906822B (zh) * | 2021-03-25 | 2021-09-28 | 生态环境部卫星环境应用中心 | 一种面向生态保护红线的人类活动识别融合方法及*** |
-
2024
- 2024-04-09 CN CN202410418461.4A patent/CN118015476B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111161218A (zh) * | 2019-12-10 | 2020-05-15 | 核工业北京地质研究院 | 一种基于孪生卷积神经网络的高分遥感影像变化检测方法 |
CN111914909A (zh) * | 2020-07-15 | 2020-11-10 | 南京审计大学 | 基于空谱联合三方向卷积网络的高光谱变化检测方法 |
CN114743109A (zh) * | 2022-04-28 | 2022-07-12 | 湖南大学 | 多模型协同优化高分遥感图像半监督变化检测方法及*** |
CN115526874A (zh) * | 2022-10-08 | 2022-12-27 | 哈尔滨市科佳通用机电股份有限公司 | 闸调器控制杆圆销和圆销开口销丢失检测方法 |
CN116340770A (zh) * | 2023-03-20 | 2023-06-27 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 一种隧道衬砌地质雷达数据智能识别方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的城市高分遥感图像变化检测方法的研究;陈璐等;计算机应用研究;20200630(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118015476A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sajedi et al. | Uncertainty‐assisted deep vision structural health monitoring | |
Jiang et al. | A deep learning approach for fast detection and classification of concrete damage | |
CN114926746B (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 | |
Peng et al. | WP-DRnet: A novel wear particle detection and recognition network for automatic ferrograph image analysis | |
Li et al. | Pixel-level bridge crack detection using a deep fusion about recurrent residual convolution and context encoder network | |
Li et al. | A robust instance segmentation framework for underground sewer defect detection | |
Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
CN113159120A (zh) | 一种基于多尺度跨图像弱监督学习的违禁物检测方法 | |
Yu et al. | Corrosion and coating defect assessment of coal handling and preparation plants (CHPP) using an ensemble of deep convolutional neural networks and decision-level data fusion | |
Zhou et al. | Concrete roadway crack segmentation using encoder-decoder networks with range images | |
CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
Chen et al. | Crack detection based on generative adversarial networks and deep learning | |
Dias et al. | A multirepresentational fusion of time series for pixelwise classification | |
CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
Qaddour et al. | Automatic damaged vehicle estimator using enhanced deep learning algorithm | |
CN116704208B (zh) | 基于特征关系的局部可解释方法 | |
CN116844143B (zh) | 基于边缘增强的胚胎发育阶段预测与质量评估*** | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其*** | |
CN118015476B (zh) | 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** | |
CN110222793B (zh) | 基于多视角主动学习的在线半监督分类方法及*** | |
CN115100451B (zh) | 一种用于液压泵漏油监控的数据扩充方法 | |
CN101630369A (zh) | 一种基于小波分形特征的行人检测方法 | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
Ung et al. | Leverage Samples with Single Positive Labels to Train CNN-based Models For Multi-label Plant Species Prediction. | |
CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |