CN107066995A - 一种基于卷积神经网络的遥感图像桥梁检测方法 - Google Patents
一种基于卷积神经网络的遥感图像桥梁检测方法 Download PDFInfo
- Publication number
- CN107066995A CN107066995A CN201710380211.6A CN201710380211A CN107066995A CN 107066995 A CN107066995 A CN 107066995A CN 201710380211 A CN201710380211 A CN 201710380211A CN 107066995 A CN107066995 A CN 107066995A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- picture
- bridge
- msub
- mrow
- 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 44
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims 3
- 230000005284 excitation Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000004321 preservation Methods 0.000 claims 1
- 238000011176 pooling Methods 0.000 description 16
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation 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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的遥感图像桥梁检测方法，对于数据量以及图像尺寸都较大的遥感图像来说，利用传统方法对其中桥梁位置进行检测效率低、时间久。本发明首先建立好卷积神经网络模型，在遥感图像中截取尺寸大小为w*h的桥梁图像作为训练样本，初始化卷积神经网络模型中各个参数，将训练样本输入到模型中进行训练。在检测过程中将待检测的遥感图像用w*h大小的窗口按照步长l扫描，得出候选窗口并标记好位置信息，最后将候选窗口放入模型后输出待检测遥感图像中桥梁位置，实现检测。本发明无需提前进行桥梁图片的特征提取，简化了检测步骤，在保持高检测率的同时极大加快了遥感图像的检测速度。
Description
技术领域
本发明适用于图像识别领域，主要针对于遥感图像中的桥梁进行检测，是一种基于卷积神经网络的遥感图像桥梁检测方法。
背景技术
遥感图像处理包括遥感图像的获取、去噪、增强、复原、压缩、分割、表示与描述、目标检测等等。其中，目标检测作为遥感图像处理的一个重要部分，在军事领域和民用领域都具有重要的意义。在军事领域，需要对敌方进行军事侦察以及对己方进行监控。通过对卫星、航空或者航天飞行器获得的遥感图像进行目标识别，能够了解所拍摄地区的地形、装备、部队调动情况等信息。早期的遥感图像目标检测是采用人工进行的，但是由于通常获得的遥感图像数据量很大，如果采用人工来进行判读，则需要重复工作，费时费力，而且实时性较差。现代的高科技战争，战场情况瞬息万变，如果图像处理速度太慢，将不能及时地获取关键信息，导致贻误战机，使己方蒙受重大损失。因此，采用快速自动识别技术进行遥感图像自动目标检测对现代战争非常重要。除了军事上的重要价值之外，遥感图像目标检测在其它方面如城市规划、地理数据库的建立及更新、自然灾害的灾情评估等民用领域也有着广泛的应用。随着全球定位系统、地理信息系统、数字地球系统等概念被相继提出，也越来越需要对遥感图像中的目标进行精确的检测定位。此外，遥感图像目标检测在精确绘制城市的二维或三维地图、自然灾害造成的毁损情况检测及目标的变化检测中也变得迫切需要。
目前，针对遥感图像的桥梁目标检测主要采用利用显著性方法提取候选区域并提取特征，利用分类器对特征进行判断得到检测结果。专利号为CN200810232213.1的遥感图像桥梁目标检测是通过水域特征进行训练建模，以此进行遥感图像水域分割，针对分割好的结果进行桥梁检测，检测桥梁的过程中需要针对不同的桥梁设计不同的模板，然后提取特征最后完成桥梁检测。
基于上述研究现状，遥感图像的目标主要存在以下两个问题：第一，预处理之后，常对样本图像进行连通区域的形状、长宽比或面积等人为预设的具体特征的提取，这样不能保证提取到有效或者重要的特征，人为经验影响太大，实际应用效果不佳；第二，为了不丢失图像的细节特征，有时也忽略人为预设特征提取的过程，直接将图像中的所有像素作为特征，再将这些特征作为分类器训练与分类的基础信息，这样做太繁琐，会带来大量的冗余信息，使得检测效率降低。
发明内容
发明目的：本发明的目的在于利用卷积神经网络在图像处理方面的优势，提出了一种利用卷积神经网络来解决遥感图像中桥梁图像的检测方法。该方法克服了传统方法效率低的缺点，通过卷积神经网络自动挖掘图像中的特征，最终实现桥梁图片的检测。
技术方案：
一种基于卷积神经网络的遥感图像桥梁检测方法，包括步骤：
S1：训练样本采集与预处理；
S1-1：选取包含桥梁区域的遥感图像，在遥感图像上手动截取尺寸大小为w*h大小的桥梁图片；
S1-2：在遥感图像上不包含桥梁的区域，截取尺寸大小为w*h的图片，作为检测器的负样本进行训练；
S1-3：选取步骤S1-1、S1-2中得到的正负样本，在保持图片w*h尺寸大小的前提下，对正负样本图片进行水平翻转，尺度变换，平移变换，旋转变换和白化操作；
S2：建立卷积神经网络训练模型，得到检测器；
S2-1：建立卷积神经网络模型，并对卷积神经网络模型中的各个参数进行初始化；
S2-2：将步骤S1-1、S1-2得到的正负样本放入S2-1得到的卷积神经网络模型，进行迭代训练；
S3：检测样本的预处理：
选取待检测的遥感图片，通过w*h大小窗口从遥感图片的左上角开始扫描，横向扫描步长为w/2，当扫描到待检测图片的最右端时，按照纵向扫描步长h/2向下移动一行，再从最左边开始按照横向w/2的步长扫描，依次扫描完整张遥感图片；记录每一步扫描都得到的候选窗口左上角的位置坐标，作为候选图片的位置信息；
S4：检测样本输入检测器得到结果；
S4-1：将步骤S3得到的候选窗口作为步骤S2训练得到的检测器的输入，对所有的候选窗口进行检测，记录下经过检测器判断为包含桥梁的候选图片，并保存这些候选窗口；
S4-2：将保存的候选窗口包含的位置信息提取出来，然后在待检测的图片上根据候选窗口的位置信息标记出候选窗口所代表的图像区域，最终完成对遥感图像中桥梁位置的检测工作。
所述步骤S1-1在截取桥梁图片的时候，既要选取桥梁特征明显的图片，同时也要截取包含桥梁，但是特征不明显，被遮挡或者较为模糊的桥梁图片。
所述步骤S2-1建立的卷积神经网络模型包括输入层，卷积层，池化层，卷积层，池化层，全连接层以及输出层；
1).输入层是将正负样本作为输入，输入到卷积神经网络模型中；
2).特征提取第一阶段：卷积层的卷积核大小是5*5的，输入3通道，输出64通道，移动步长为1；池化层采用最大池化的方式进行，窗口大小为3*3，步长为2，然后将得到的特征图进行归一化；
3).进入特征提取第二阶段：卷积层的卷积核大小依旧是5*5，输入64通道，输出64通道，步长为1，然后将卷积后的特征图归一化操作之后进行池化，池化方式依旧采取最大池化，窗口大小为3*3，步长为2；
4).最后将池化结果放入全连接层，最后输出。
所述步骤S2-1建立的卷积神经网络模型中的权值更新采用BP反向传播法进行；在每层更新权值的方法选用梯度下降法；所述梯度下降法的Learning Rate学习率设置在0.003-0.004之间。
所述步骤S2-1建立的卷积神经网络模型的最后输出采用Softmax作为二分类器，Softmax回归分两步：第一步为了得到一张给定图片属于某个特定数字类的证据，对图片像素值进行加权求和；如果这个像素具有很强的证据说明这张图片不属于该类，那么相应的权值为负数，相反如果这个像素拥有有利的证据支持这张图片属于这个类，那么权值是正数；即：
evidencei表示给定图片属于i类的证据；其中wi代表权重，bi代表数字i类的偏置量，j代表给定图片x的像素索引用于像素求和；然后用Softmax函数可以把这些证据转换成概率y：
y＝softmax(evidence)
其中，Softmax是一个激励函数，因此，给定一张图片，它对于每一个数字的吻合度被Softmax函数转换成为一个概率值；Softmax函数定义为：
softmax(x)＝normalize(exp(x))
展开等式右边的子式，得到：
在利用Softmax分类器得到一个概率分布的结果后，将结果与最终的标签进行比对，并通过比对确定一个阈值T，该阈值表示当Softmax训练结果中的概率值大于T时，那么判定输入图片中包含桥梁；如果训练结果中的概率值小于T，那个判定输入图片中不包含桥梁。
所述步骤S2-2中的迭代训练过程中，采取循环训练的策略；每次从所有样本图片中随机选取一定数量的图片进行训练，选取的batch_size大小为128，然后随机选取同样数量的其他样本进行训练，在不断地循环过程中，逐渐更新卷积神经网络模型中的权值。
有益效果：本发明无需提前进行桥梁图片的特征提取，简化了检测步骤，在保持高检测率的同时极大加快了遥感图像的检测速度。
附图说明
图1为本发明方法流程图。
图2为卷积神经网络结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明是一种基于卷积神经网络的遥感图像桥梁检测方法，主要包括训练阶段和检测阶段，所述的训练阶段主要包括以下步骤：
S1:训练样本采集与预处理；
S2:建立卷积神经网络训练模型，得到检测器。
所述的检测阶段主要包括以下步骤：
S3:检测样本的预处理；
S4:检测样本输入检测器得到结果。
进一步的，所述的步骤S1包括以下子步骤：
S1-1:首先选取一部分遥感图像，在遥感图像上手动截取尺寸大小为w*h大小的桥梁图片，在截取桥梁图片的时候，需要选取桥梁特征比较明显图片，同时，也应截取一些包含桥梁，但是特征不明显，被遮挡或者较为模糊的桥梁图片，这样可以保证在训练正样本后，检测器对特征不明显的桥梁图片也具有一定的检测能力。
S1-2:在遥感图像上不包含桥梁的区域，也截取尺寸大小为w*h的图片，这些图片作为检测器的负样本进行训练。
S1-3：选取步骤S1-1，S1-2中得到的正负样本，在保持图片w*h尺寸大小的前提下，对正负样本图片进行水平翻转，尺度变换，平移变换，旋转变换和白化操作，这样做进一步增加了训练样本的数量，同时也让训练图片的特征变得更多。
进一步的，所述的步骤S2包括以下子步骤：
S2-1；首先应当建立卷积神经网络模型，整个模型的结构是输入层，卷积层，池化层，归一层，卷积层，归一化层，池化层，全连接层，输出层。
1).输入层是将正负样本作为输入，输入到卷积神经网络模型中；
2).特征提取第一阶段，卷积层的卷积核大小是5*5的，输入3通道，输出64通道，移动步长为1，池化层采用最大池化的方式进行，窗口大小为3*3，步长为2，然后将得到的特征图进行归一化；
3).进入特征提取第二阶段，卷积层的卷积核大小依旧是5*5，输入64通道，输出64通道，步长为1，然后将卷积后的特征图归一化操作之后进行池化，池化方式依旧采取最大池化，窗口大小为3*3，步长为2；
4).最后将池化结果放入全连接层，最后输出。如附图2所示。
S2-2:在设计好卷积神经网络的模型结构后需要对网络模型中的各个参数进行初始化，在数据初始化时随机性尽可能高，这样训练时收敛的速度会比较快，而且不容易陷入局部最优的结果。
S2-3:卷积神经网络模型中的权值更新采用BP反向传播法进行，BP反向传播法根据前向传播计算的结果与目标结果相互比对，得出两个结果之间的差值，即总误差，根据总误差逐步向前，更新每一层的权值。在每层更新权值的方法选用梯度下降法，利用梯度下降法计算出在当前误差下的最优权值，得到最优权值后依次更新前层的权值。梯度下降法的Learning Rate学习率设置在0.003-0.004之间。
S2-4:最后输出采用Softmax作为二分类器，Softmax回归分两步：第一步为了得到一张给定图片属于某个特定数字类的证据(evidence)，我们对图片像素值进行加权求和。如果这个像素具有很强的证据说明这张图片不属于该类，那么相应的权值为负数，相反如果这个像素拥有有利的证据支持这张图片属于这个类，那么权值是正数。即:
其中wi代表权重，bi代表数字i类的偏置量，j代表给定图片x的像素索引用于像素求和。然后用Softmax函数可以把这些证据转换成概率y：
y＝softmax(evidence)
这里的Softmax可以看成是一个激励(activation)函数，因此，给定一张图片，它对于每一个数字的吻合度可以被Softmax函数转换成为一个概率值。Softmax函数可以定义为：
softmax(x)＝normalize(exp(x))
展开等式右边的子式，可以得到：
Softmax分类器是把全连接层的输出值作为输入值，并把输入值当成幂指数求值，再正则化这些结果值。这个幂运算表示，更大的证据对应更大的假设模型里面的乘数权重值。
反之，拥有更少的证据意味着在假设模型里面拥有更小的乘数系数。假设模型里的权值不可以是0值或者负值。Softmax然后会正则化这些权重值，使它们的总和等于1，以此构造一个有效的概率分布。
S2-5:在利用Softmax分类器得到一个概率分布的结果后，将这些结果与最终的标签进行比对，并通过比对确定一个阈值T，该阈值表示当Softmax训练结果中的概率值大于T时，那么将判定输入图片中是包含桥梁的，如果训练结果中的概率值小于T，那个判定输入图片中是不包含桥梁的。
S2-6:利用步骤S1-1，S1-2得出的正负样本，将这些样本放入初始化各层参数后卷积神经网络模型，进行迭代训练。在训练过程中，不会采取一次性将所有的训练样本全部放入模型中的策略，这样会使模型输入过大，计算会比较慢，而且一般的设备也会支持不了。
因此，训练过程中会采取循环训练的策略，每次从所有样本图片中随机选取一定数量的图片进行训练，这里选取的批尺寸batch_size大小为128，然后随机选取同样数量的其他样本进行训练，在不断地循环过程中(循环次数设置为10000)，逐渐更新卷积神经网络模型中的权值，这样做不仅会提高训练速度和效率，同时准确率也会更高。
进一步的，所述的步骤S3包括以下子步骤：
S3-1:首先选取待检测遥感图片，对于一般的遥感图像而言，遥感图像的尺寸都非常大，因此在本发明中会截取一张待检测遥感图片的八分之一或者十分之一，每次检测其中的一部分然后之后再检测其他的部分，这样检测器在检测时的负担会比较小，更容易计算，效率也会更高。
S3-2:选取待检测的遥感图片，通过w*h大小窗口从遥感图片的左上角开始扫描，横向扫描步长为w/2，当扫描到待检测图片的最右端时，按照纵向扫描步长h/2向下移动一行，再从最左边开始按照横向w/2的步长扫描，依次扫描完整张遥感图片。
S3-3:每一步扫描都得到一个候选窗口，在扫描时，将每一个候选窗口的左上角的位置坐标记录下来，作为候选图片的位置信息。因此，每个候选窗口包含信息应该是候选窗口代表的图片区域image，左上角坐标(x,y)，候选图片的宽高(w,h)，即(image,x,y,w,h)。
进一步的，所述的步骤S4包括以下子步骤：
S4-1:将步骤S3得到的候选窗口作为步骤S2训练得到的检测器的输入，对所有的候选窗口进行检测，记录下经过检测器判断为包含桥梁的候选图片，并保存这些候选窗口。
S4-2:将保存的候选窗口包含的位置信息提取出来，然后在待检测的图片上根据候选窗口的位置信息标记出候选窗口所代表的图像区域，最终完成对遥感图像中桥梁位置的检测工作。
由于使用CPU计算速度相对于GPU来说是比较慢，因此在最后使用了GPU进行训练和计算，这使得训练速度得到大大提升，同时检测效率也大幅提高。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于卷积神经网络的遥感图像桥梁检测方法，其特征在于：包括步骤：
S1：训练样本采集与预处理；
S1-1：选取包含桥梁区域的遥感图像，在遥感图像上手动截取尺寸大小为w*h大小的桥梁图片；
S1-2：在遥感图像上不包含桥梁的区域，截取尺寸大小为w*h的图片，作为检测器的负样本进行训练；
S1-3：选取步骤S1-1、S1-2中得到的正负样本，在保持图片w*h尺寸大小的前提下，对正负样本图片进行水平翻转，尺度变换，平移变换，旋转变换和白化操作；
S2：建立卷积神经网络训练模型，得到检测器；
S2-1：建立卷积神经网络模型，并对卷积神经网络模型中的各个参数进行初始化；
S2-2：将步骤S1-1、S1-2得到的正负样本放入S2-1得到的卷积神经网络模型，进行迭代训练；
S3：检测样本的预处理：
选取待检测的遥感图片，通过w*h大小窗口从遥感图片的左上角开始扫描，横向扫描步长为w/2，当扫描到待检测图片的最右端时，按照纵向扫描步长h/2向下移动一行，再从最左边开始按照横向w/2的步长扫描，依次扫描完整张遥感图片；记录每一步扫描都得到的候选窗口左上角的位置坐标，作为候选图片的位置信息；
S4：检测样本输入检测器得到结果；
S4-1：将步骤S3得到的候选窗口作为步骤S2训练得到的检测器的输入，对所有的候选窗口进行检测，记录下经过检测器判断为包含桥梁的候选图片，并保存这些候选窗口；
S4-2：将保存的候选窗口包含的位置信息提取出来，然后在待检测的图片上根据候选窗口的位置信息标记出候选窗口所代表的图像区域，最终完成对遥感图像中桥梁位置的检测工作。
2.根据权利要求1所述的遥感图像桥梁检测方法，其特征在于：所述步骤S1-1在截取桥梁图片的时候，既要选取桥梁特征明显的图片，同时也要截取包含桥梁，但是特征不明显，被遮挡或者较为模糊的桥梁图片。
3.根据权利要求1所述的遥感图像桥梁检测方法，其特征在于：所述步骤S2-1建立的卷积神经网络模型包括输入层，卷积层，池化层，卷积层，池化层，全连接层以及输出层；
1).输入层是将正负样本作为输入，输入到卷积神经网络模型中；
2).特征提取第一阶段：卷积层的卷积核大小是5*5的，输入3通道，输出64通道，移动步长为1；池化层采用最大池化的方式进行，窗口大小为3*3，步长为2，然后将得到的特征图进行归一化；
3).进入特征提取第二阶段：卷积层的卷积核大小依旧是5*5，输入64通道，输出64通道，步长为1，然后将卷积后的特征图归一化操作之后进行池化，池化方式依旧采取最大池化，窗口大小为3*3，步长为2；
4).最后将池化结果放入全连接层，最后输出。
4.根据权利要求1所述的遥感图像桥梁检测方法，其特征在于：所述步骤S2-1建立的卷积神经网络模型中的权值更新采用BP反向传播法进行；在每层更新权值的方法选用梯度下降法；所述梯度下降法的Learning Rate学习率设置在0.003-0.004之间。
5.根据权利要求1所述的遥感图像桥梁检测方法，其特征在于：所述步骤S2-1建立的卷积神经网络模型的最后输出采用Softmax作为二分类器，Softmax回归分两步：第一步为了得到一张给定图片属于某个特定数字类的证据，对图片像素值进行加权求和；如果这个像素具有很强的证据说明这张图片不属于该类，那么相应的权值为负数，相反如果这个像素拥有有利的证据支持这张图片属于这个类，那么权值是正数；即：
<mrow>
<msub>
<mi>evidence</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mi>j</mi>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
</mrow>
evidencei表示给定图片属于i类的证据；其中wi代表权重，bi代表数字i类的偏置量，j代表给定图片x的像素索引用于像素求和；然后用Softmax函数可以把这些证据转换成概率y：
y＝softmax(evidence)
其中，Softmax是一个激励函数，因此，给定一张图片，它对于每一个数字的吻合度被Softmax函数转换成为一个概率值；Softmax函数定义为：
softmax(x)＝normalize(exp(x))
展开等式右边的子式，得到：
<mrow>
<mi>s</mi>
<mi>o</mi>
<mi>f</mi>
<mi>t</mi>
<mi>max</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mi>j</mi>
</msub>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
在利用Softmax分类器得到一个概率分布的结果后，将结果与最终的标签进行比对，并通过比对确定一个阈值T，该阈值表示当Softmax训练结果中的概率值大于T时，那么判定输入图片中包含桥梁；如果训练结果中的概率值小于T，那个判定输入图片中不包含桥梁。
6.根据权利要求1所述的遥感图像桥梁检测方法，其特征在于：所述步骤S2-2中的迭代训练过程中，采取循环训练的策略；每次从所有样本图片中随机选取一定数量的图片进行训练，选取的batch_size大小为128，然后随机选取同样数量的其他样本进行训练，在不断地循环过程中，逐渐更新卷积神经网络模型中的权值。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710380211.6A CN107066995A (zh) | 2017-05-25 | 2017-05-25 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| PCT/CN2017/089134 WO2018214195A1 (zh) | 2017-05-25 | 2017-06-20 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710380211.6A CN107066995A (zh) | 2017-05-25 | 2017-05-25 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107066995A true CN107066995A (zh) | 2017-08-18 |
Family
ID=59609850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710380211.6A Pending CN107066995A (zh) | 2017-05-25 | 2017-05-25 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107066995A (zh) |
| WO (1) | WO2018214195A1 (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108364262A (zh) * | 2018-01-11 | 2018-08-03 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
| CN109086878A (zh) * | 2018-10-19 | 2018-12-25 | 电子科技大学 | 保持旋转不变性的卷积神经网络模型及其训练方法 |
| CN109325449A (zh) * | 2018-01-04 | 2019-02-12 | 苏州中科天启遥感科技有限公司 | 基于样本更新的卷积神经网络目标检测框架 |
| CN109961083A (zh) * | 2017-12-14 | 2019-07-02 | 安讯士有限公司 | 用于将卷积神经网络应用于图像的方法和图像处理实体 |
| CN110675324A (zh) * | 2018-07-02 | 2020-01-10 | 上海寰声智能科技有限公司 | 4k超高清图像清晰化处理方法 |
| WO2020147345A1 (zh) * | 2019-01-14 | 2020-07-23 | 珠海格力电器股份有限公司 | 获取米粒的垩白度的方法、装置和烹饪器具 |
| CN111815627A (zh) * | 2020-08-24 | 2020-10-23 | 成都睿沿科技有限公司 | 遥感图像变化检测方法、模型训练方法及对应装置 |
| CN112699710A (zh) * | 2019-10-22 | 2021-04-23 | 中科星图股份有限公司 | 一种基于深度学习的gf2遥感影像密集目标识别方法和系统 |
Families Citing this family (126)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368865B (zh) * | 2018-12-26 | 2023-08-22 | 北京眼神智能科技有限公司 | 遥感影像储油罐检测方法、装置、可读存储介质及设备 |
| CN111382759B (zh) * | 2018-12-28 | 2023-04-21 | 广州市百果园信息技术有限公司 | 一种像素级分类方法、装置、设备及存储介质 |
| CN109740549B (zh) * | 2019-01-08 | 2022-12-27 | 西安电子科技大学 | 基于半监督cnn的sar图像目标检测系统和方法 |
| CN111476056B (zh) * | 2019-01-23 | 2024-04-16 | 阿里巴巴集团控股有限公司 | 目标物体的识别方法、装置、终端设备及计算机存储介质 |
| CN109859187B (zh) * | 2019-01-31 | 2023-04-07 | 东北大学 | 一种爆堆矿岩颗粒图像分割方法 |
| CN109919230B (zh) * | 2019-03-10 | 2022-12-06 | 西安电子科技大学 | 基于循环特征金字塔的医学图像肺结节检测方法 |
| CN109919108B (zh) * | 2019-03-11 | 2022-12-06 | 西安电子科技大学 | 基于深度哈希辅助网络的遥感图像快速目标检测方法 |
| CN109978032B (zh) * | 2019-03-15 | 2022-12-06 | 西安电子科技大学 | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 |
| CN110009010B (zh) * | 2019-03-20 | 2023-03-24 | 西安电子科技大学 | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 |
| CN110147714B (zh) * | 2019-03-28 | 2023-06-23 | 煤炭科学研究总院 | 基于无人机的煤矿采空区裂缝识别方法及检测系统 |
| CN109993104B (zh) * | 2019-03-29 | 2022-09-16 | 河南工程学院 | 一种遥感图像对象层次的变化检测方法 |
| CN110020688B (zh) * | 2019-04-10 | 2022-12-06 | 西安电子科技大学 | 基于深度学习的遮挡行人检测方法 |
| CN110334724B (zh) * | 2019-04-16 | 2022-06-17 | 武汉理工大学 | 基于lstm的遥感对象自然语言描述及多尺度矫正方法 |
| CN110097524B (zh) * | 2019-04-22 | 2022-12-06 | 西安电子科技大学 | 基于融合卷积神经网络的sar图像目标检测方法 |
| CN110210297B (zh) * | 2019-04-25 | 2023-12-26 | 上海海事大学 | 报关单图像中文字定位与提取的方法 |
| CN110084195B (zh) * | 2019-04-26 | 2022-12-06 | 西安电子科技大学 | 基于卷积神经网络的遥感图像目标检测方法 |
| CN110334578B (zh) * | 2019-05-05 | 2023-04-18 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
| CN110288563A (zh) * | 2019-05-22 | 2019-09-27 | 苏州万卓纺织有限公司 | 一种基于深度学习的织物疵点检测方法 |
| CN111985274B (zh) * | 2019-05-23 | 2023-08-04 | 中国科学院沈阳自动化研究所 | 一种基于卷积神经网络的遥感图像分割方法 |
| CN110321794B (zh) * | 2019-05-23 | 2023-02-28 | 湖南大学 | 一种融入语义模型的遥感图像油罐检测方法 |
| CN110163294B (zh) * | 2019-05-29 | 2023-05-09 | 广东工业大学 | 基于降维操作和卷积网络的遥感图像变化区域检测方法 |
| TWI738009B (zh) * | 2019-06-20 | 2021-09-01 | 和碩聯合科技股份有限公司 | 物件偵測系統及物件偵測方法 |
| CN110414330B (zh) * | 2019-06-20 | 2023-05-26 | 平安科技（深圳）有限公司 | 一种手掌图像的检测方法及装置 |
| CN110334765B (zh) * | 2019-07-05 | 2023-03-24 | 西安电子科技大学 | 基于注意力机制多尺度深度学习的遥感影像分类方法 |
| CN110321866B (zh) * | 2019-07-09 | 2023-03-24 | 西北工业大学 | 基于深度特征稀疏化算法的遥感图像场景分类方法 |
| CN110472636B (zh) * | 2019-07-26 | 2022-10-14 | 四创科技有限公司 | 基于深度学习的水尺e字形刻度识别方法 |
| CN110443259B (zh) * | 2019-07-29 | 2023-04-07 | 中科光启空间信息技术有限公司 | 一种从中等分辨率遥感影像中提取甘蔗的方法 |
| CN112347827A (zh) * | 2019-08-06 | 2021-02-09 | 东北大学秦皇岛分校 | 一种船舶水尺自动检测方法及系统 |
| CN112395924B (zh) * | 2019-08-16 | 2024-02-20 | 阿里巴巴集团控股有限公司 | 一种遥感监测方法及装置 |
| CN110472732B (zh) * | 2019-08-19 | 2023-02-21 | 杭州凝眸智能科技有限公司 | 基于优化特征提取装置的图像特征提取系统 |
| CN110569899B (zh) * | 2019-09-03 | 2022-06-10 | 嘉陵江亭子口水利水电开发有限公司 | 坝面缺陷分类模型训练方法及装置 |
| CN112446266B (zh) * | 2019-09-04 | 2024-03-29 | 北京君正集成电路股份有限公司 | 一种适合前端的人脸识别网络结构 |
| CN110648334A (zh) * | 2019-09-18 | 2020-01-03 | 中国人民解放军火箭军工程大学 | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 |
| CN110728665B (zh) * | 2019-09-30 | 2023-04-18 | 西安电子科技大学 | 基于并行概率神经网络的sar图像变化检测方法 |
| CN110751271B (zh) * | 2019-10-28 | 2023-05-26 | 西安烽火软件科技有限公司 | 一种基于深度神经网络的图像溯源特征表征方法 |
| CN111047551B (zh) * | 2019-11-06 | 2023-10-31 | 北京科技大学 | 一种基于U-net改进算法的遥感影像变化检测方法及系统 |
| CN111008651B (zh) * | 2019-11-13 | 2023-04-28 | 科大国创软件股份有限公司 | 一种基于多特征融合的图像翻拍检测方法 |
| CN111008956B (zh) * | 2019-11-13 | 2024-06-28 | 武汉工程大学 | 基于图像处理的梁底裂纹检测方法、系统、装置及介质 |
| CN111126189A (zh) * | 2019-12-10 | 2020-05-08 | 北京航天世景信息技术有限公司 | 一种基于遥感影像的目标查找方法 |
| CN110991374B (zh) * | 2019-12-10 | 2023-04-04 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
| CN111104887B (zh) * | 2019-12-11 | 2024-03-29 | 北京化工大学 | 一种基于振动机理与深度学习技术的整周期无键相监测方法 |
| CN111160127B (zh) * | 2019-12-11 | 2023-07-21 | 中国四维测绘技术有限公司 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
| CN110992257B (zh) * | 2019-12-20 | 2024-06-14 | 北京航天泰坦科技股份有限公司 | 基于深度学习的遥感影像敏感信息自动屏蔽方法及装置 |
| CN111028178B (zh) * | 2019-12-20 | 2022-04-29 | 武汉大学 | 一种基于深度学习的遥感影像数据自动化几何纠正方法 |
| CN111192240B (zh) * | 2019-12-23 | 2023-09-01 | 北京航空航天大学 | 一种基于随机接入记忆的遥感图像目标检测方法 |
| CN110988839B (zh) * | 2019-12-25 | 2023-10-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
| CN111241725B (zh) * | 2019-12-30 | 2022-08-23 | 浙江大学 | 基于条件生成对抗网络的结构响应重构方法 |
| CN111160276B (zh) * | 2019-12-31 | 2023-05-12 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
| CN111199214B (zh) * | 2020-01-04 | 2023-05-05 | 西安电子科技大学 | 一种残差网络多光谱图像地物分类方法 |
| CN111222576B (zh) * | 2020-01-08 | 2023-03-24 | 西安理工大学 | 一种高分辨率遥感图像分类方法 |
| CN111144383B (zh) * | 2020-01-15 | 2023-03-28 | 河南理工大学 | 一种检测车辆偏转角度的方法 |
| CN111310675A (zh) * | 2020-02-20 | 2020-06-19 | 上海赛可出行科技服务有限公司 | 基于卷积神经网络的高架识别辅助定位方法 |
| CN111339935B (zh) * | 2020-02-25 | 2023-04-18 | 西安电子科技大学 | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 |
| CN111353432B (zh) * | 2020-02-28 | 2023-08-01 | 安徽华润金蟾药业股份有限公司 | 一种基于卷积神经网络的金银花药材快速净选方法及系统 |
| CN111401190A (zh) * | 2020-03-10 | 2020-07-10 | 上海眼控科技股份有限公司 | 车辆检测方法、装置、计算机设备和存储介质 |
| CN111368776B (zh) * | 2020-03-13 | 2024-03-22 | 长安大学 | 一种基于深度集成学习的高分辨率遥感图像分类方法 |
| CN111401302B (zh) * | 2020-04-07 | 2022-08-02 | 中国人民解放军海军航空大学 | 遥感图像舰船目标一体化检测与细粒度识别方法 |
| CN111489387B (zh) * | 2020-04-09 | 2023-10-20 | 湖南盛鼎科技发展有限责任公司 | 遥感图像建筑物面积计算方法 |
| CN111476167B (zh) * | 2020-04-09 | 2024-03-22 | 北京中科千寻科技有限公司 | 一种基于“学生-t”分布辅助的一阶段方向遥感图像目标检测方法 |
| CN111553303B (zh) * | 2020-05-07 | 2024-03-29 | 武汉大势智慧科技有限公司 | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 |
| CN111626175B (zh) * | 2020-05-22 | 2023-05-19 | 西安工业大学 | 基于深度卷积神经网络的轴型识别方法 |
| CN111754463B (zh) * | 2020-06-02 | 2024-05-14 | 石家庄铁道大学 | 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法 |
| CN111666903B (zh) * | 2020-06-10 | 2022-10-04 | 中国电子科技集团公司第二十八研究所 | 一种卫星云图中雷暴云团的识别方法 |
| CN111709479B (zh) * | 2020-06-17 | 2022-05-10 | 广东工业大学 | 一种图像分类方法和装置 |
| CN111950343B (zh) * | 2020-06-24 | 2024-03-22 | 中国电力科学研究院有限公司 | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 |
| CN111914997B (zh) * | 2020-06-30 | 2024-04-02 | 华为技术有限公司 | 训练神经网络的方法、图像处理方法及装置 |
| CN111986149A (zh) * | 2020-07-16 | 2020-11-24 | 江西斯源科技有限公司 | 一种基于卷积神经网络的植物病虫害检测方法 |
| CN111915592B (zh) * | 2020-08-04 | 2023-08-22 | 西安电子科技大学 | 基于深度学习的遥感图像云检测方法 |
| CN111985549B (zh) * | 2020-08-12 | 2023-03-31 | 中国科学院光电技术研究所 | 针对给定刚体目标进行部件自动定位识别的深度学习方法 |
| CN112084877B (zh) * | 2020-08-13 | 2023-08-18 | 西安理工大学 | 基于nsga-net的遥感图像识别方法 |
| CN112132759B (zh) * | 2020-09-07 | 2024-03-19 | 东南大学 | 一种基于端到端卷积神经网络的颅骨面貌复原方法 |
| CN112053354B (zh) * | 2020-09-15 | 2024-01-30 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
| CN112132822B (zh) * | 2020-09-30 | 2024-05-07 | 东南大学 | 一种基于迁移学习的可疑违章建筑检测算法 |
| CN112232229B (zh) * | 2020-10-20 | 2022-04-01 | 山东科技大学 | 基于U-net神经网络的精细水体提取方法 |
| CN112751633B (zh) * | 2020-10-26 | 2022-08-26 | 中国人民解放军63891部队 | 一种基于多尺度窗口滑动的宽带频谱检测方法 |
| CN112308856A (zh) * | 2020-11-30 | 2021-02-02 | 深圳云天励飞技术股份有限公司 | 遥感图像的目标检测方法、装置、电子设备及介质 |
| CN112699736B (zh) * | 2020-12-08 | 2024-06-07 | 江西省交通科学研究院有限公司 | 一种基于空间注意力的桥梁支座病害识别方法 |
| CN112651931B (zh) * | 2020-12-15 | 2024-04-26 | 浙江大华技术股份有限公司 | 建筑物变形监测方法、装置和计算机设备 |
| CN112801972A (zh) * | 2021-01-25 | 2021-05-14 | 武汉理工大学 | 一种桥梁缺陷检测方法、设备、系统及存储介质 |
| CN112784806A (zh) * | 2021-02-04 | 2021-05-11 | 中国地质科学院矿产资源研究所 | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 |
| CN112906577B (zh) * | 2021-02-23 | 2024-04-26 | 清华大学 | 多源遥感图像的融合方法 |
| CN113033324B (zh) * | 2021-03-03 | 2024-03-08 | 广东省地质环境监测总站 | 一种地质灾害前兆因子识别方法、装置，电子设备及存储介质 |
| CN113095359B (zh) * | 2021-03-05 | 2023-09-12 | 西安交通大学 | 一种射线图像标记信息检测方法及系统 |
| CN113160239B (zh) * | 2021-03-08 | 2023-09-22 | 广东国地规划科技股份有限公司 | 一种违法用地检测方法及装置 |
| CN113111740B (zh) * | 2021-03-27 | 2024-11-26 | 西北工业大学 | 一种遥感图像目标检测的特征编织方法 |
| CN113505627B (zh) * | 2021-03-31 | 2024-07-23 | 北京苍灵科技有限公司 | 遥感数据处理方法、装置、电子设备和存储介质 |
| CN113269717B (zh) * | 2021-04-09 | 2025-01-21 | 中国科学院空天信息创新研究院 | 基于遥感图像的建筑物检测方法及装置 |
| CN113255451B (zh) * | 2021-04-25 | 2023-04-07 | 西北工业大学 | 遥感图像的变化检测方法、装置、电子设备及存储介质 |
| CN113344037A (zh) * | 2021-05-18 | 2021-09-03 | 国网江西省电力有限公司电力科学研究院 | 电缆绝缘层及护套参数测量方法及测量装置 |
| CN113221768A (zh) * | 2021-05-18 | 2021-08-06 | 北京百度网讯科技有限公司 | 识别模型训练方法、识别方法、装置、设备及存储介质 |
| CN113408398B (zh) * | 2021-06-16 | 2023-04-07 | 西安电子科技大学 | 基于通道注意力及概率上采样的遥感图像云检测方法 |
| CN113536943B (zh) * | 2021-06-21 | 2024-04-12 | 上海赫千电子科技有限公司 | 一种基于图像增强的道路交通标志识别方法 |
| CN113570111B (zh) * | 2021-06-29 | 2023-08-29 | 中北大学 | 基于轻量化网络的桥梁健康状态片上监测方法 |
| CN113538615B (zh) * | 2021-06-29 | 2024-01-09 | 中国海洋大学 | 基于双流生成器深度卷积对抗生成网络的遥感图像上色方法 |
| CN113537006A (zh) * | 2021-07-01 | 2021-10-22 | 昆明理工大学 | 一种基于卷积神经网络的普洱生茶和熟茶判定方法 |
| CN113469072B (zh) * | 2021-07-06 | 2024-04-12 | 西安电子科技大学 | 基于GSoP和孪生融合网络的遥感图像变化检测方法及系统 |
| CN113343942B (zh) * | 2021-07-21 | 2023-05-23 | 西安电子科技大学 | 一种遥感图像缺陷检测方法 |
| CN113361662B (zh) * | 2021-07-22 | 2023-08-29 | 全图通位置网络有限公司 | 一种城市轨道交通遥感图像数据的处理系统及方法 |
| CN113837994B (zh) * | 2021-07-29 | 2024-02-13 | 尚特杰电力科技有限公司 | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 |
| CN113689399B (zh) * | 2021-08-23 | 2024-05-31 | 国网宁夏电力有限公司石嘴山供电公司 | 一种用于电网识别遥感图像处理方法及系统 |
| CN113706364A (zh) * | 2021-09-14 | 2021-11-26 | 杭州师范大学 | 一种遥感影像的可逆信息隐藏方法 |
| CN114004786B (zh) * | 2021-09-17 | 2024-10-29 | 常州市新科汽车电子有限公司 | 一种基于深度学习的汽车中控面板外观检测方法 |
| CN113792685B (zh) * | 2021-09-17 | 2024-03-12 | 东北石油大学 | 一种基于多尺度卷积神经网络的微地震事件检测方法 |
| CN113947728A (zh) * | 2021-10-19 | 2022-01-18 | 中交第二公路勘察设计研究院有限公司 | 一种基于深度学习的公路桥梁施工宏观状态遥感评估方法 |
| CN114119504B (zh) * | 2021-11-08 | 2025-04-25 | 南昌大学 | 一种基于级联卷积神经网络的钢件焊缝自动检测方法 |
| CN114022021B (zh) * | 2021-11-16 | 2025-07-18 | 西安热工研究院有限公司 | 一种基于集成学习的在线机组负荷预测方法 |
| CN114494896B (zh) * | 2021-12-22 | 2025-01-03 | 山东土地集团数字科技有限公司 | 一种用于耕地保护的耕地状态监测方法、设备及介质 |
| CN114092832B (zh) * | 2022-01-20 | 2022-04-15 | 武汉大学 | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 |
| CN114519819B (zh) * | 2022-02-10 | 2024-04-02 | 西北工业大学 | 一种基于全局上下文感知的遥感图像目标检测方法 |
| CN114627371B (zh) * | 2022-02-24 | 2024-08-09 | 湖北工业大学 | 一种基于注意力机制的桥梁健康监测方法 |
| CN114821056B (zh) * | 2022-04-24 | 2024-06-28 | 国家林业和草原局华东调查规划院 | 一种遥感影像中基于ai技术的林草资源变化自动判读方法 |
| CN114913429B (zh) * | 2022-05-11 | 2025-03-21 | 华东师范大学 | 面向类别不平衡的遥感图像在线持续目标检测方法 |
| CN114782400B (zh) * | 2022-05-17 | 2023-06-20 | 东风本田发动机有限公司 | 金属物料渣点检测方法、装置、设备、介质和程序产品 |
| CN114657513B (zh) * | 2022-05-23 | 2022-09-20 | 河南银金达新材料股份有限公司 | 一种抗菌再生聚酯膜的制备方法 |
| CN115096268B (zh) * | 2022-06-17 | 2023-06-30 | 西南交通大学 | 基于无人机航拍及超声波探测的桥梁损伤深度检测方法 |
| CN115272929A (zh) * | 2022-07-27 | 2022-11-01 | 青岛高重信息科技有限公司 | 一种基于深度学习和特征匹配的廊桥状态检测方法 |
| CN115423829B (zh) * | 2022-07-29 | 2024-03-01 | 江苏省水利科学研究院 | 一种单波段遥感影像水体快速提取方法及系统 |
| CN114998772B (zh) * | 2022-08-03 | 2022-11-18 | 深圳联和智慧科技有限公司 | 一种基于无人机的一体化桥梁检测方法、系统及云平台 |
| CN116645618B (zh) * | 2023-06-05 | 2023-12-08 | 广东省农业科学院设施农业研究所 | 农业数据处理方法、系统和存储介质 |
| CN117218411A (zh) * | 2023-08-25 | 2023-12-12 | 苏州浪潮智能科技有限公司 | 一种机箱侧壁同色系的螺钉识别方法及识别系统 |
| CN117036962B (zh) * | 2023-10-08 | 2024-02-06 | 中国科学院空天信息创新研究院 | 遥感图像变化检测方法、装置、设备及存储介质 |
| CN117808856B (zh) * | 2023-12-28 | 2024-08-30 | 中国人民解放军陆军装甲兵学院士官学校 | 一种基于人工智能的部件强度优化方法 |
| CN118230159B (zh) * | 2024-03-22 | 2024-11-26 | 重庆华地资环科技有限公司 | 基于双分支深度监督的遥感采矿图斑时序变化检测方法 |
| CN118799428A (zh) * | 2024-07-02 | 2024-10-18 | 北京市遥感信息研究所 | 一种云雾遮挡图像生成方法及装置 |
| CN118587733B (zh) * | 2024-08-06 | 2024-10-22 | 安徽省交通规划设计研究总院股份有限公司 | 一种用于桥梁pdf设计图纸的桥梁结构识别及参数提取方法 |
| CN118608988B (zh) * | 2024-08-07 | 2024-11-08 | 厦门易景软件工程有限公司 | 基于深度学习的遥感影像自动解译方法、装置、设备、及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096655A (zh) * | 2016-06-14 | 2016-11-09 | 厦门大学 | 一种基于卷积神经网络的光学遥感图像飞机检测方法 |
| CN106295503A (zh) * | 2016-07-25 | 2017-01-04 | 武汉大学 | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 |
| JP2017062776A (ja) * | 2015-09-04 | 2017-03-30 | 株式会社東芝 | 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9202144B2 (en) * | 2013-10-30 | 2015-12-01 | Nec Laboratories America, Inc. | Regionlets with shift invariant neural patterns for object detection |
| CN104217214B (zh) * | 2014-08-21 | 2017-09-19 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于可配置卷积神经网络的rgb‑d人物行为识别方法 |
| CN105844228B (zh) * | 2016-03-21 | 2019-02-19 | 北京航空航天大学 | 一种基于卷积神经网络的遥感图像云检测方法 |
-
2017
- 2017-05-25 CN CN201710380211.6A patent/CN107066995A/zh active Pending
- 2017-06-20 WO PCT/CN2017/089134 patent/WO2018214195A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017062776A (ja) * | 2015-09-04 | 2017-03-30 | 株式会社東芝 | 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体 |
| CN106096655A (zh) * | 2016-06-14 | 2016-11-09 | 厦门大学 | 一种基于卷积神经网络的光学遥感图像飞机检测方法 |
| CN106295503A (zh) * | 2016-07-25 | 2017-01-04 | 武汉大学 | 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 搬砖小工053: "[03]tensorflow实现softmax回归（softmax regression）", 《HTTPS://BLOG.CSDN.NET/SA14023053/ARTICLE/DETAILS/51884894》 * |
| 欧阳颖卉 等: "基于卷积神经网络的光学遥感图像船只检测", 《包装工程》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961083A (zh) * | 2017-12-14 | 2019-07-02 | 安讯士有限公司 | 用于将卷积神经网络应用于图像的方法和图像处理实体 |
| CN109325449A (zh) * | 2018-01-04 | 2019-02-12 | 苏州中科天启遥感科技有限公司 | 基于样本更新的卷积神经网络目标检测框架 |
| CN108364262A (zh) * | 2018-01-11 | 2018-08-03 | 深圳大学 | 一种模糊图像的复原方法、装置、设备及存储介质 |
| CN110675324A (zh) * | 2018-07-02 | 2020-01-10 | 上海寰声智能科技有限公司 | 4k超高清图像清晰化处理方法 |
| CN110675324B (zh) * | 2018-07-02 | 2023-10-10 | 上海寰声智能科技有限公司 | 4k超高清图像清晰化处理方法 |
| CN109086878A (zh) * | 2018-10-19 | 2018-12-25 | 电子科技大学 | 保持旋转不变性的卷积神经网络模型及其训练方法 |
| CN109086878B (zh) * | 2018-10-19 | 2019-12-17 | 电子科技大学 | 保持旋转不变性的卷积神经网络模型及其训练方法 |
| WO2020147345A1 (zh) * | 2019-01-14 | 2020-07-23 | 珠海格力电器股份有限公司 | 获取米粒的垩白度的方法、装置和烹饪器具 |
| CN112699710A (zh) * | 2019-10-22 | 2021-04-23 | 中科星图股份有限公司 | 一种基于深度学习的gf2遥感影像密集目标识别方法和系统 |
| CN111815627A (zh) * | 2020-08-24 | 2020-10-23 | 成都睿沿科技有限公司 | 遥感图像变化检测方法、模型训练方法及对应装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2018214195A1 (zh) | 2018-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066995A (zh) | 一种基于卷积神经网络的遥感图像桥梁检测方法 | |
| CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
| Grilli et al. | A review of point clouds segmentation and classification algorithms | |
| Amit et al. | Disaster detection from aerial imagery with convolutional neural network | |
| CN107123123B (zh) | 基于卷积神经网络的图像分割质量评价方法 | |
| Pan et al. | A generic FCN-based approach for the road-network extraction from VHR remote sensing images–using openstreetmap as benchmarks | |
| CN110533084A (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
| CN108596101A (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
| CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
| CN111126287B (zh) | 一种遥感影像密集目标深度学习检测方法 | |
| Holail et al. | Afde-net: Building change detection using attention-based feature differential enhancement for satellite imagery | |
| CN110516539A (zh) | 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备 | |
| CN110991444A (zh) | 面向复杂场景的车牌识别方法及装置 | |
| Wang et al. | Shape detection from raw lidar data with subspace modeling | |
| CN110147714A (zh) | 基于无人机的煤矿采空区裂缝识别方法及检测系统 | |
| CN111985552B (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
| CN110298211A (zh) | 一种基于深度学习和高分辨率遥感影像的河网提取方法 | |
| CN113989261B (zh) | 基于Unet改进的无人机视角下红外图像光伏板边界分割方法 | |
| CN113033390B (zh) | 一种基于深度学习的大坝遥感智能检测方法 | |
| CN111046856A (zh) | 基于动静态特征提取并行位姿跟踪与地图创建的方法 | |
| CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 | |
| CN116402690A (zh) | 一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法、系统、设备及介质 | |
| CN118097162A (zh) | 结合PointNet++网络模型的布料模拟滤波算法优化 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
| RJ01 | Rejection of invention patent application after publication |