一种基于自监督学习的遥感图像船舶检测方法.pdf
猫巷****觅蓉
亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于自监督学习的遥感图像船舶检测方法.pdf
本发明涉及图像识别技术领域,公开了一种基于自监督学习的遥感图像船舶检测方法,包括:(1)根据海面遥感图像中待检测船舶面积小且一张图可能存在多艘船舶的特点,设计了针对性的自监督学习模块,仅利用无标注海面遥感图像构建特征提取网络,实现海洋遥图像的高效特征提取;(2)改进MaskR?CNN的FPN网络,融合三种尺寸的特征图,结合自监督学习模块的特征提取器,在标注样本较少的情形下,显著提升了中小型船只的检测精度。
一种基于自监督转换的异质遥感图像变化检测方法.pdf
本发明公开了一种基于自监督转换的异质遥感图像变化检测方法,包括以下步骤;步骤1):对原始遥感图像进行图像像素离散化;步骤2):对步骤1)离散化后的图像进行超像素分割和边界整合,超像素特征提取和分析,得到带标记像素对;步骤3):根据步骤2)中得到的标记像素对,即可靠变化和不变像素对,将事前和事后异质遥感图像转换到一个公共特征空间,然后通过前向和后向变化得到两种差异图像;步骤4):将步骤3)中的差异图像进行证据融合及基于先验扩充训练数据;步骤5):将步骤4)的训练数据导入训练分类器模型生成变化检测结果。本发明
一种基于自监督对比学习的小样本遥感图像分类方法.pdf
本发明涉及一种基于自监督对比学习的小样本遥感图像分类方法,包括以下步骤:1、对原始高光谱遥感数据进行降维、分割等预处理;2、在少量标记样本组成的训练集中,随机挑选标记样本并进行二次组合,生成对比学习组;3、设计并构建深度特征提取网络,利用对比组更新网络参数;4、利用训练好的深度网络模型对所有未标记样本进行预测,生成伪标记,并提出置信度差异算法挑选部分具有较高置信度的伪标记样本;5、微调网络模型并预测所有未标记样本的类别标签:将原始标记样本和伪标记样本结合,进一步训练模型并输出测试集样本的预测标签。本发明可
一种基于关键点的弱监督遥感图像飞机检测方法.pdf
本发明提供了一种基于关键点的弱监督遥感图像飞机检测方法,包括,基于关键点构建飞机的分割掩码标注,再将原始遥感影像切割成小幅影像,将分割掩码标注映射至小幅影像;联合飞机检测框标注与分割掩码标注,训练目标检测模型;测试阶段,采用相同方法,将原始遥感影像切割成小幅影像,将小幅影像依次送入训练后的检测模型,得到检测结果;将检测结果坐标还原至原始遥感影像,基于置信度排序,通过非最大值抑制过滤重复检测结果,形成最终检测结果。本发明大幅度减少了标注工作量,且具有更好的检测F1值,同时在测试中,可以预测飞机的分割掩码。
一种基于原型对比学习的半监督遥感图像检索方法及系统.pdf
本发明公开了一种基于原型对比学习的半监督遥感图像检索方法及系统,在不额外引入margin超参数的前提下,在学习过程中最大化类间方差同时最小化类内方差。接着,提出基于原型的无监督对比学习损失利用未标记数据优化半监督模型,将双分支改进为单分支,不依赖于数据增强构造正样本对,而是根据标记数据的原型为未标记数据分配伪标签,然后利用伪标签构建正负对来进行对比学习,从而充分挖掘未标记数据中隐藏的语义信息来增强模型的特征提取能力。最后,提出了多分支注意力模块,在不同尺度的图像信息上提取注意力权重,可以有效捕获遥感图像的