基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
主要研究了针对目标区域的基于卷积神经网络的变化检测方法,对比了两种卷积神经网络的方法,包括使用以VGG16为网络结构,将图像裁剪为16×16的图块,以这些图块为单元,为每个图块做变化或不变化的标签,最终生成基于图块的变化图像.基于这种方法适合用于大面积变化明显的区域,对于变化范围较小的图像则不能很好地判断是否变化,其次是由于设置的图像块比较大,因此在提高训练速度的同时,难以保证良好的视觉效果.第二种是以Siamese Network为网络框架,基于编码解码的网络结构对其进行改进,通过两个通道分别输入前后时相的图像,每一次卷积后相减并利用跳跃连接与解码端的图像叠加提取特征,获得了良好的测试结果.
推荐文章
基于全卷积神经网络的遥感图像海面目标检测
YOLOv3
全卷积神经网络
遥感图像
目标检测
基于卷积神经网络的遥感图像去噪算法
图像去噪
卷积神经网络
遥感图像
深度学习
基于卷积神经网络的图像检测识别算法综述
卷积神经网络
图像检测
图像识别
基于图像匹配的遥感图像建筑物变化检测
高空间分辨率
遥感图像
局部图像匹配
建筑物变化检测
最稳定极值区域
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于卷积神经网络的遥感图像变化检测
来源期刊 现代测绘 学科 工学
关键词 变化检测 深度学习 卷积神经网络 孪生卷积神经网络
年,卷(期) 2019,(5) 所属期刊栏目 科技专栏·地理大数据理论与方法
研究方向 页码范围 1-5
页数 5页 分类号 TP751
字数 3897字 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 赵银娣 中国矿业大学环境与测绘学院 34 234 9.0 14.0
2 孟琮棠 中国矿业大学环境与测绘学院 1 2 1.0 1.0
3 向阳 中国矿业大学环境与测绘学院 7 2 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (8)
共引文献  (1807)
参考文献  (11)
节点文献
引证文献  (2)
同被引文献  (13)
二级引证文献  (0)
1958(1)
  • 参考文献(1)
  • 二级参考文献(0)
1989(2)
  • 参考文献(2)
  • 二级参考文献(0)
1992(1)
  • 参考文献(0)
  • 二级参考文献(1)
1994(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(2)
  • 参考文献(1)
  • 二级参考文献(1)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(4)
  • 参考文献(0)
  • 二级参考文献(4)
2000(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(3)
  • 参考文献(3)
  • 二级参考文献(0)
2019(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2020(2)
  • 引证文献(2)
  • 二级引证文献(0)
研究主题发展历程
节点文献
变化检测
深度学习
卷积神经网络
孪生卷积神经网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
现代测绘
双月刊
1672-4097
32-1694/P
大16开
江苏省南京市北京西路75号
1978
chi
出版文献量(篇)
2052
总下载数(次)
3
论文1v1指导