精华内容
下载资源
问答
  • 影像检测
    千次阅读
    2021-10-31 16:59:11

    近些年,基于深度学习的遥感影像处理方法不断涌现。基本思路是把光谱特征和纹理特征看作是深度网络的底层特征(对于极化SAR影像来说,地物目标的基本散射矩阵就是深度学习要提取的底层特征,也是作为分类的依据),把输出特征看作是深度网络的顶层特征,这样可以直接得到一个分类器,用于完成不同的任务。如果深究遥感的实际应用需求和深度网络输入层和输出层的设计之间的关系,深度学习的理念存在于遥感数据分析的许多方面。从传统的数据处理、像素级分类、目标检测到更深层次的基于语义的特征提取和遥感场景理解,都能或多或少看到深度学习的影子。
    研究基于深度学习的遥感影像目标检测和分类方法都具有重要的实用价值和科学研究意义。首先,使用前沿技术探索遥感影像目标检测和分类方法,推动遥感技术创新和发展。其次,研究具有实际应用价值的大面积、多尺度、多源遥感影像快速目标检测和分类算法,提高检测和分类的精度,大幅提高生产效率,推动生产发展。最后,丰富深度学习理论知识,拓展深度学习应用领域,促进深度学习不断发展和完善。
    基于深度学习的目标检测方法主要分为两大类别,一是基于大量样本学习的快速区域卷积神经网络特征提取法和Faster R-CNN 目标检测方法为代表的深度卷积神经网络目标检测方法。二是基于弱监督学习的卷积神经网络目标检测方法。
    极化SAR可以同时获得地面散射单元的多个极化方式的散射回波信息,包含更多的散射信息,它已经成为当前SAR研究和发展的热点。因此,在使用SAR影像做地表覆盖分类的时候,通常采用全极化SAR数据。但是,全极化数据一般不容易获取,并且成本较高,数据处理难度大。通常使用较多的SAR数据是高分辨率的单极化SAR影像,其具有数据源多、数据获取简单,价格低廉、开源数据多、数据处理方便等众多优点。因此,单极化SAR数据在城市地表覆盖分类中具有很高的应用价值。对于单极化SAR图像而言,分类难度更为突出,不管是分类模型的建立,还是分类类别数目的扩展,或者分类率的提高,难度都相当大。
    SAR影像的成像特性和影像表现形式与光学影像存在很大的不同,其成像机理与光学遥感影像存在较大的差异,虽然将SAR接收的地表反射数据图像化后,通过灰度的变化可以判断不同地类,但其可读性较光学影像差。所以仅仅从图像本身去理解SAR影像存在一定的难度,一些雷达回波信息并不直接反映在图像中。而且SAR影像的图像纹理特征、结构特征、色彩特征等都与光学图像存在较大差别。
    全极化SAR(PolSAR)能够同时获取地面分辨单元4种极化方式回波数据的幅度和相位信息,得到目标的极化散射矩阵,并以此会构成地物的后向散射特征。相对于单极化SAR数据,多极化或全极化数据具有信息量大的优点,已经成为当前SAR研究的热点,全极化SAR·成为合成孔径雷达发展的一个重要方向,在地表覆盖分类中,利用全极化SAR数据进行分类的研究层出不穷。
    目前全极化SAR影像的地表覆盖分类研究主要集中在极化特征提取上。
    SAR影像的乱高度由成像区域内目标反射雷达发射电磁波的强度决定,反射强度越强对应的能量越高,对应图像区域越亮,SAR影像空间分辨率较高,但光谱信息不足导致图像目视效果差,图像整体区域能量较强,转换到频域之后,大部分能量信息集中在低频部分,高频部分主要包含图像的纹理和细节特征。
    SAR影像中包含了丰富的几何特性,而这些特征主要通过不同的灰度和纹理表现出来,因此,要挖掘更多SAR影像信息,需要从影像几何特征和辐射特征入手。
    **注:**文章选自《深度学习在遥感影像目标检测和地表覆盖分类中的应用研究》武汉大学 博士毕业论文 邰建豪

    更多相关内容
  • 影像检测

    2021-02-25 01:44:42
    影像检测
  • 人工智能在儿童骨龄影像检测中的应用.pdf
  • 人工智能在儿童骨龄影像检测中的应用
  • 基于深度学习的农村建筑物遥感影像检测.pdf
  • 基于改进深度学习的乳腺癌医学影像检测方法.pdf
  • 本文从资源三号卫星多光谱相机的成像特点和多光谱影像配准误差影响因素入手,理论推导和仿真分析了卫星平台震颤对配准误差的影响规律,在此基础上提出了基于多光谱影像高精度密集匹配的平台震颤检测方法和流程,最后...
  • 行业资料-交通装置-LED车灯综合影像检测设备.zip
  • 梅特勒托利多食品加工中的X射线影像检测系统pdf,梅特勒托利多食品加工中的X射线影像检测系统
  • 机器视觉-欧姆龙机器视觉影像检测器系统FZ4-L350FZ5-L350FZ-SC 2m Halcon2次开发版.docx
  • MODIS影像检测海州

    2014-12-01 15:21:26
    MODIS影像监测海州湾叶绿素a浓度的研究
  • 遥感影像变化检测

    2020-05-05 16:03:31
    该代码实现了遥感影像的变化检测功能,另外也附上了适用图片供各位进行测试。 该代码实现了遥感影像的变化检测功能,另外也附上了适用图片供各位进行测试。
  • 利用深度学习神经网络模型训练医学影像模型,实现五分类,最终预测所给图片所患的病
  • Matlab 代码。遥感影像变化检测经典算法(IR-MAD、MAD、CVA、PCA)。 可直接运行。 有问题的可以交流。 感谢下载。
  • 冲压模具监视器好用吗 冲床模内检测器 CCD影像监视器 CCD影像检测仪 冲压模内监视器的功能和作用 冲压为什么要安装模具监视器? 防止压模,保护模具,防止叠了,卡了,送料不到位 冲压模具埋入...

    冲压模具监视器好用吗 冲床模内检测器 CCD影像监视器 CCD影像检测仪

    冲压模内监视器的功能和作用

    冲压为什么要安装模具监视器?

    防止压模,保护模具,防止叠了,卡了,送料不到位

    冲压模具埋入铆钉检测

    检测铆钉是否送到位,检测铆钉是否残留在模具内造成模具压坏压伤模具,从而造成人员损伤

    冲床自动化,无人化,智能化必备

    机器视觉正在取代人工,机器智能,人工智能自动化,可以解决传统冲压老破落后的面貌

    冲压模具监视器正在取代人工照看冲床

    不可忽视,未来一来

    机器视觉检测才能让企业更有竞争力,加油吧制造业

    展开全文
  • 本文件包含目前文章常用9个数据集,但仍缺失一些数据集,希望大家在下载的同时也把一些稀缺数据集分享出来。
  • 该资源主要是对多时相影像变化检测进行精度评价(C++实现),代码注释非常详细,非常实用!!!
  • 论文主要信息 标题:Deep learning for change detection in remote sensing images: comprehensive review and meta-analysis ... 文章组织架构 ...再次概述了已有的基于深度学习的遥感影像变化检测方法; 在

    论文主要信息

    本篇博文主要是对该论文进行总结和翻译,如有错漏,欢迎指出。(目前仅对有监督学习部分进行了整理)

    标题:Deep learning for change detection in remote sensing images: comprehensive review and meta-analysis

    原文地址:https://arxiv.org/abs/2006.05612v1

    文章组织架构

    全文主要介绍了基于深度学习的变化检测方法以及对该领域的元分析(元分析:对多项相互独立但目标相同的研究结果进行定量合并分析),并概述了已有的基于深度学习的遥感影像变化检测方法;

    除了第一部分的简介,文章之后的几个部分主要为:

    第二部分介绍了对变化检测任务的定义;

    第三部分简要概述了一些经典的深度学习方法(包括Deep belief networks (DBNs),Autoencoder,CNN,RNN,GANs这几种)

    第四部分对遥感影像变化检测领域的相关论文进行了收集与分析;

    第五部分将以往工作分为以下三个部分进行介绍:有监督学习,无监督学习以及迁移学习;

    第六部分介绍了遥感影像变化检测的两个未来发展方向;

    第七部分为全文的conclusion。

    本篇博文不会就原论文第三部分深度学习方法的理论基础进行讨论。

    变化检测简介

    变化检测任务流程

    简单来说,就是输入一组照片(一般是两张,论文中把这样的一组照片叫co-registered images)这些照片大小一致(同样的长×宽),内容为不同时间拍摄的同一地理区域。输出为一张同样大小的图像(change map),该图像仅由两种像素构成:1和0。若某个位置的像素为1,表示co-registered images中对应位置的像素发生了变化,若无变化则为0。

    论文中的图:

     变化检测面临的问题

    对于变化检测,我们希望它能检测出影像中主要地物目标的变化而不受一些无关因素的干扰。例如,co-registered images虽然都是对同一地区影像内容的呈现,但可能前一张在拍摄时有云雾的遮盖而后一张没有,但算法却将云雾识别为地物内容的变化;另外,光照角度,阴影,地面物体的反射,植被生长,泥土冲刷等因素都可能影响到变化检测。因此我们希望能设计出不受以上无关因素影响的robust算法。

    对相关论文的元分析

    作者对使用深度学习技术解决遥感影像变化检测的论文做了统计与分析,得出以下几个结论:

    (1)研究该领域的论文发表量和引用量逐年增多,呈指数级增长。 

    (2)论文所用深度学习方法中,使用CNN的是最多的。

     (3)论文中用到的遥感影像数据,最多的是SAR(Synthetic Aperture Radar,合成孔径雷达)。按作者的分析,这是由于SAR使用的微波信号可以有效穿透云层,其对地面的成像不易受到光照等大气条件的影响,对变化检测任务来说是比较有利。

    基于有监督深度学习的遥感影像变化检测方法

    Jaturapitpornchai et al. [63]

    论文名:Newly Built Construction Detection in SAR Images Using Deep Learning

    该论文提出了一种基于UNet的网络,用于从两张不同时期拍摄的SAR影像中对同一区域中的建筑物进行变化检测。

    Hamdi et al. [73]

    论文名:Forest Damage Assessment Using Deep Learning on High Resolution Remote Sensing Data

    该论文通过改进的UNet网络,在ArcGIS环境下检测受灾区域。模型训练使用的数据源自德国巴伐利亚州的森林地区。

    Peng et al. [74]

    论文名:End-to-End Change Detection for High Resolution Satellite Images Using Improved UNet plus

    该论文提出的基于UNet++改进的网络,实现了对于VHR卫星影像端到端的变化检测。为了学习到不同尺寸的特征图像,作者在网络的不同层之间加入了密集的skip connection结构。另外,为了加快网络的梯度收敛,残差块(residual block)策略也被应用于网络之中。

    Wang et al. [75]

    论文名:GETNET: A General End-to-End 2-D CNN Framework for Hyperspectral Image Change Detection

    该论文提出的通用端到端的二维CNN:GET-NET,用于对高光谱影像进行变化检测。

    Wiratama et al. [77]

    论文名:Dual-Dense Convolution Network for Change Detection of High-Resolution Panchromatic Imagery

    该论文基于对高分辨率全色图像中相邻像素的差异性分析,提出了一种用于识别像素级变化的双密集卷积网络。作者使用两个全卷积网络来计算相邻像素的差异。另外,卷积层中的密集连接可将网络前部的特征图复用于之后的层中。

    Zhang et al. [78]

    论文名:Detecting Large-Scale Urban Land Cover Changes from Very High Resolution Remote Sensing Images Using CNN-Based Classification

    论文提出了一种使用空洞卷积的全卷积网络FACNN。网络中的encoder使用了空洞卷积,来从VHR (Very High Resolution)图像中提取尺度特征。然后,作者使用当前图像的分类图以及GIS信息,来基于像素生成change map。

    Daudt et al. [79]

    论文名:Multitask Learning for Large-scale Semantic Change Detection

    该论文提出一个基于FCN的网络,可同时进行土地覆盖制图以及变化检测。

    Zhang et al. [80]

    论文名:The Spectral-Spatial Joint Learning for Change Detection in Multispectral Imagery

    作者提出了一个光谱-空间联合学习网络(spectral-spatial joint learning network,SSJLN)。在网络的第一部分,光谱-空间的联合表示源自一个类似Siamese CNN的网络;其次,提取出的特征通过一个特征融合模块进行结合;为了探索结合特征中的潜在信息,网络最后还要进行discrimination learning。

    Cao et al. [82]

    论文名:SAR image change detection based on deep denoising and CNN

    作者将deep denoising model与CNN结合,其中deep denoising model是在大量伪造的SAR图像上训练来的。deep denoising network可同时保留有效信息并抑制噪音,三层的CNN网络用于特征学习。

    Wiratama et al. [83]

    论文名:Fusion Network for Change Detection of High-Resolution Panchromatic Imagery

    该论文提出了一种结合了前端神经网络和后端神经网络的网络结构。该方法对高分辨率全色影像的变化检测表现较为突出。

    Future Work

    由于遥感影像变化检测任务较为缺乏标注信息以及标注遥感影像需要极高的成本,且往往不可靠,作者提出了将深度强化学习以及弱监督学习的相关技术应用于遥感影像变化检测。

    深度强化学习将深度神经网络与强化学习架构相结合,软件所定义的智能体(agent)可以从它们的行为中学习,类似于人类的学习方式。Agent在定义的任务环境中随机探索,通过持续性的反馈信息来调整它们的行为以求达到任务目标。变化检测过程同样可以视为行动决策问题。Agent的一系列行动即为从两张输入图像中逐渐精细地识别出变化区域。

    Fu et al. [122]等论文证明了使用深度强化学习来解决遥感影像船舶识别任务是可行的。Li et al. [123]结合了CNN与强化学习,提出了一个飞行器识别架构。

    对于弱监督学习,作者首先对其进行了分类:

    1. 不完全的监督。即训练数据中仅有一小部分拥有标注信息,这不足以成功地训练网络。

    2. 不精确的监督。数据有对应的标注信息,但这些信息是粗糙的,不够精确的。

    3. 不正确的监督。即部分标注信息有误。

    虽然有文献证明在地理空间目标识别领域使用弱监督学习是可行的,但目前在遥感影像领域的弱监督学习的表现仍很难令人满意,例如仍存在变化区域检测精度不足的问题。

    展开全文
  • 传统的目标检测识别方法难以适应海量高分辨率遥感影像数据,需要寻求一种能够自动从海量影像数据中学习最有效特征的方法,充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别,提出一...
  • 针对遥感图像语义分割中存在对多尺度目标的漏检和分割边界粗糙等问题,提出了一种基于注意力金字塔网络的航空影像建筑物变化检测方法。该方法采用编码-解码结构,在编码阶段使用ResNet101作为基础网络来提取特征,并在...
  • 武汉大学遥感原理实习,将影像转换到HIS空间,实现阴影检测
  • 遥感影像变化检测方法遥感影像变化检测方法遥感影像变化检测方法
  • 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测技术研究及应用 基于深度卷积神经网络的遥感影像目标检测...
  • 提出一种结合全卷积神经网络与条件随机场的资源3号卫星遥感影像检测方法。优化了全卷积神经网络(FCN)模型,对3次上采样后的全卷积神经网络(FCN-8s)进行上采样,采用自适应+动量算法调整参数学习率加速收敛;将...
  • 基于深度学习的无人机遥感影像船只检测方法.pdf
  • 遥感影像变化检测方法综述及展望.pdf
  • 提出了基于改进的深度学习全卷积神经网络的资源三号遥感影像云检测方法。将预训练后的深层卷积神经网络全...实验结果表明,该方法检测精度和速度均优于传统方法,准确率可达90.11%,单张影像检测耗时可缩短至0.46 s。
  • 影像的变化检测 集合了3种变化强度影像,并用3种阈值检测方法确定变化区域 效果很好
  • 全球人工智能技术创新大赛 赛道一: 医学影像报告异常检测

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 30,292
精华内容 12,116
关键字:

影像检测

友情链接: 新建文件夹 (2).zip