предыдущий|следующий

Метод обнаружения теней объектов на местности на основе априорной информации по направлению теней на высокоразрешающихся изображениях снимков с удалённого зондирования

  • role： First author第一作者
  • Affiliation：

    School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China

  • Email：qikunlun@cug.edu.cn
  • Introduction：祁昆仑，研究方向为遥感影像解译和时空大数据。E-mail： qikunlun@cug.edu.cn
QI Kunlun1,  
  • Affiliation：

    China Mobile (Hangzhou) Information Technology Co., Ltd., Hangzhou 311100, China

MA Xinyue2,  
  • Affiliation：

    School of Geography and Information Engineering, China University of Geosciences, Wuhan 430074, China

JIN Zhun1,  
  • Affiliation：

    National Engineering Research Center of Geographic Information System, Wuhan 430074, China

QING Yaxian3,  
  • role： Corresponding author通信作者
  • Affiliation：

    State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

  • Email：lizhenqiang@cug.edu.cn
  • Introduction：李真强，研究方向为时空大数据挖掘。E-mail： lizhenqiang@cug.edu.cn
LI Zhenqiang4*,  
  • Affiliation：

    State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China

YANG Chao4,  
  • Affiliation：

    National Engineering Research Center of Geographic Information System, Wuhan 430074, China

WU Huayi3

реферат

Подпись теневых объектов на местности – это не только дорогостоящее, но и сложное задание, которое трудно выполнить полностью для извлечения богатой информации из высокоразрешающихся изображений снимков с удалённого зондирования. Недостаточное количество обучающих образцов серьёзно ограничивает производительность моделей обучения с учителем. Для решения указанных проблем предлагается метод обнаружения теней от объектов на местности на высокоразрешающихся изображениях снимков с удалённого зондирования на основе априорной информации по направлению теней. В данной работе исследуется эффективность априорной информации по направлению теней для отображения высокоуровневых семантических особенностей теней от объектов на местности на изображениях снимков с удалённого зондирования и на её основе создана вспомогательная задача для обнаружения теней от объектов на местности на изображениях снимков с удалённого зондирования, что позволяет реализовать метод обнаружения теней от объектов на местности с использованием полу-надзорного обучения. В данной работе разрабатывается механизм обработки шума, независимого от сменяющихся направлений и создаётся стратегия увеличения данных для полу-надзорного обучения обнаружению теней. Это дополнительно повышает способность глубоких нейронных сетей к изучению ключевых особенностей теней объектов на местности. Результаты экспериментов на наборе данных AISD показывают, что предложенный метод значительно повышает точность обнаружения теней объектов на местности с использованием лишь небольшого количества этикеток, а также границы теней объектов на местности становятся более плавными и регулярными, что ближе к реальной ситуации на местности.

ключеви́че слова́

Обнаружение теней; Полу-надзорное обучение; Увеличение данных; Априорная информация по направлению теней; Высокоразрешающие изображения снимков с удалённого зондирования

References

  1. 1.
    Belkin M, Hsu D, Ma S Y and Mandal S. 2019. Reconciling modern machine-learning practice and the classical bias-variance trade-off. Proceedings of the National Academy of Sciences of the United States of America, 116(32): 15849-15854
  2. 2.
    Duan G Y, Gong H L, Li X J and Chen B B. 2014. Shadow extraction based on characteristic components and object-oriented method for high-resolution images. Journal of Remote Sensing (in Chinese), 18(4): 760-770
  3. 3.
    Han B, Yao Q M, Yu X R, Niu G, Xu M, Hu W H, Tsang I W and Sugiyama M. 2018. Co-teaching: robust training of deep neural networks with extremely noisy labels//Proceedings of the 32nd International Conference on Neural Information Processing Systems. Montréal: Curran Associates Inc.: 8536-8546
  4. 4.
    He K M, Fan H Q, Wu Y X, Xie S N and Girshick R. 2020. Momentum contrast for unsupervised visual representation learning//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE: 9726-9735
  5. 5.
    He K M, Zhang X Y, Ren S Q and Sun J. 2016. Deep residual learning for image recognition//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE: 770-778
  6. 6.
    Hou L, Vicente T F Y, Hoai M and Samaras D. 2021. Large scale shadow annotation and detection using lazy annotation and stacked CNNs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(4): 1337-1351
  7. 7.
    Ji S P, Wei S Q and Lu M. 2019. Fully convolutional networks for multisource building extraction from an open aerial and satellite imagery data set. IEEE Transactions on Geoscience and Remote Sensing, 57(1): 574-586
  8. 8.
    Jing L L and Tian Y L. 2021. Self-supervised visual feature learning with deep neural networks: a survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43(11): 4037-4058
  9. 9.
    Jung H, Oh Y, Jeong S, Lee C and Jeon T. 2022. Contrastive self-supervised learning with smoothed representation for remote sensing. IEEE Geoscience and Remote Sensing Letters, 19: 8010105
  10. 10.
    Khan S H, Bennamoun M, Sohel F and Togneri R. 2014. Automatic feature learning for robust shadow detection//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus: IEEE: 1939-1946
  11. 11.
    Li D R, Tong Q X, Li R X, Gong J Y and Zhang L P. 2012. Current issues in high-resolution Earth observation technology. Science China Earth Science, 55(7): 1043-1051
  12. 12.
    Li J Y, Hu Q W and Ai M Y. 2016. Joint model and observation cues for single-image shadow detection. Remote Sensing, 8(6): 484
  13. 13.
    Li Y, Gong P. 2005. Integrating photogrammetry and image analysis for shadow detection. Journal of Remote Sensing (in Chinese), 9(4): 357-362
  14. 14.
    Liao C J, Zhao J, Xing J, Wen J G and Liu Q H. 2023. Research on classification of GF satellite data application products and construction of common product system. National Remote Sensing Bulletin, 27(3): 563-572
  15. 15.
    Lin Z Q, Sun J, Davis A and Snavely N. 2020. Visual chirality//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle: IEEE: 12292-12300
  16. 16.
    Liu D Y, Zhang J P, Wu Y H and Zhang Y. 2021a. A shadow detection algorithm based on multiscale spatial attention mechanism for aerial remote sensing images. IEEE Geoscience and Remote Sensing Letters, 19: 6003905
  17. 17.
    Liu X, Zhang F J, Hou Z Y, Mian L, Wang Z Y, Zhang J and Tang J. 2021b. Self-supervised learning: generative or contrastive. IEEE Transactions on Knowledge and Data Engineering, 35(1): 857-876
  18. 18.
    Luo S, Li H F and Shen H F. 2020. Deeply supervised convolutional neural network for shadow detection based on a novel aerial shadow imagery dataset. ISPRS Journal of Photogrammetry and Remote Sensing, 167: 443-457
  19. 19.
    Luo S, Li H F, Zhu R Z, Gong Y T and Shen H F. 2021. ESPFNet: an edge-aware spatial pyramid fusion network for salient shadow detection in aerial remote sensing images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 4633-4646
  20. 20.
    Ma C, Feng D J and Zhang L. 2012. Detecting the building shadow with the two algorithms of threshold segmentation and mathematical morphology. Surveying and Mapping, 35(4): 151-154
  21. 21.
    Makarau A, Richter R, Muller R and Reinartz P. 2011. Adaptive shadow detection using a blackbody radiator model. IEEE Transactions on Geoscience and Remote Sensing, 49(6): 2049-2059
  22. 22.
    Mu X D, Bai K, You X, Zhu Y Q and Chen X B. 2021. Remote sensing image feature extraction and classification based on contrastive learning method. Optics and Precision Engineering, 29(9): 2222-2234
  23. 23.
    Peng X Y, Wang K, Zhu Z, Wang M and You Y. 2022. Crafting better contrastive views for Siamese representation learning//Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans: IEEE: 16010-16019
  24. 24.
    Selvaraju R R, Cogswell M, Das A, Vedantam R, Parikh D and Batra D. 2017. Grad-CAM: visual explanations from deep networks via gradient-based localization//Proceedings of 2017 IEEE International Conference on Computer Vision. Venice: IEEE: 618-626
  25. 25.
    Shahtahmassebi A, Yang N, Wang K, Moore N and Shen Z Q. 2013. Review of shadow detection and de-shadowing methods in remote sensing. Chinese Geographical Science, 23(4): 403-420
  26. 26.
    Shen L, Wee Chua T and Leman K. 2015. Shadow optimization from structured deep edge detection//Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE: 2067-2074
  27. 27.
    Shi L, Fang J and Zhao Y F. 2023. Automatic shadow detection in high-resolution multispectral remote sensing images. Computers and Electrical Engineering, 105: 108557
  28. 28.
    Stojnic V and Risojevic V. 2021. Self-supervised learning of remote sensing scene representations using contrastive multiview coding//Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Nashville: IEEE: 1182-1191
  29. 29.
    Su N, Zhang Y, Tian S, Yan Y M and Miao X Y. 2016. Shadow detection and removal for occluded object information recovery in urban high-resolution panchromatic satellite images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(6): 2568-2582
  30. 30.
    Tao C, Qi J, Lu W P, Wang H and Li H F. 2022. Remote sensing image scene classification with self-supervised paradigm under limited labeled samples. IEEE Geoscience and Remote Sensing Letters, 19: 8004005
  31. 31.
    Tao C, Yin Z W, Zhu Q and Li H F. 2021. Remote sensing image intelligent interpretation: from supervised learning to self-supervised learning. Acta Geodaetica et Cartographica Sinica, 50(8): 1122-1134
  32. 32.
    Tong X D. 2016. Development of China high-resolution earth observation system. Journal of Remote Sensing (in Chinese), 20(5): 775-780
  33. 33.
    Wang Q J, Yan L, Yuan Q Q and Ma Z L. 2017. An automatic shadow detection method for VHR remote sensing orthoimagery. Remote Sensing, 9(5): 469
  34. 34.
    Xie Y K, Feng D J, Chen H Y, Liao Z Y, Zhu J, Li C N and Baik S W. 2022. An omni-scale global-local aware network for shadow extraction in remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 193: 29-44
  35. 35.
    Yang Y, Guo M Q and Zhu Q Q. 2021. CADNet: top-down contextual saliency detection network for high spatial resolution remote sensing image shadow detection//Proceedings of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. Brussels: IEEE: 4075-4078
  36. 36.
    Yu D F, Yin J P and Zhang G M. 2008. An automatic shadow detection method for remote sensing images based on gray histogram. Computer Engineering and Science, 30(12): 43-44, 93
  37. 37.
    Zhou P C, Cheng G, Yao X W and Han J W. 2021. Machine learning paradigms in high-resolution remote sensing image interpretation. National Remote Sensing Bulletin, 25(1): 182-197
  38. 38.
    Zhu Q Q, Yang Y, Sun X L and Guo M Q. 2022. CDANet: contextual detail-aware network for high-spatial-resolution remote-sensing imagery shadow detection. IEEE Transactions on Geoscience and Remote Sensing, 60: 5617415

Читать полностью

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website