高分遥感影像云雪共存区轻量云高精度检测方法

云检测是遥感图像预处理过程中的关键步骤, 但是当场景的下垫面中存在雪时, 常用的云检测方法易受到干扰而降低云检测精度。此外, 现有云检测数据集多为中等分辨率, 且并未强调探讨云雪共存区域。因此, 本文创建发布了基于高分辨率云雪共存遥感影像的云检测数据集CloudS, 并提出了一种面向高分辨率云雪共存场景的轻量云检测卷积神经网络RDC-Net。RDC-Net中包含可重构多尺度特征融合模块以用于多尺度云特征的提取; 双重自适应特征融合模块以对有效云特征实现表征重建; 可控深层梯度指导流模块进行网络梯度下降的无偏指导。受益于上述几个技术组件, 该网络能进一步提升复杂区域云检测的稳健性并促进部署的轻量...

Full description

Saved in:
Bibliographic Details
Published inCe hui xue bao Vol. 52; no. 1; pp. 93 - 107
Main Authors 张广斌, 高贤君, 冉树浩, 杨元维, 李丽珊, 张妍
Format Journal Article
LanguageChinese
English
Published Beijing Surveying and Mapping Press 01.01.2023
城市空间信息工程北京市重点实验室,北京 100045
长江大学地球科学学院,湖北 武汉 430100%长江大学地球科学学院,湖北 武汉 430100
湖南科技大学测绘遥感信息工程湖南省重点实验室,湖南 湘潭 411201
自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,江西 南昌 330013%长江大学地球科学学院,湖北 武汉 430100
Subjects
Artificial neural networks
Clouds
Coexistence
Datasets
Feature extraction
Floating point arithmetic
High resolution
Image resolution
Industrial production
Lightweight
Modules
Neural networks
Remote sensing
Snow
云检测
高分辨率遥感影像
云雪共存区域
卷积神经网络
高精度
轻量级
Online AccessGet full text

Cover

More Information
Summary:云检测是遥感图像预处理过程中的关键步骤, 但是当场景的下垫面中存在雪时, 常用的云检测方法易受到干扰而降低云检测精度。此外, 现有云检测数据集多为中等分辨率, 且并未强调探讨云雪共存区域。因此, 本文创建发布了基于高分辨率云雪共存遥感影像的云检测数据集CloudS, 并提出了一种面向高分辨率云雪共存场景的轻量云检测卷积神经网络RDC-Net。RDC-Net中包含可重构多尺度特征融合模块以用于多尺度云特征的提取; 双重自适应特征融合模块以对有效云特征实现表征重建; 可控深层梯度指导流模块进行网络梯度下降的无偏指导。受益于上述几个技术组件, 该网络能进一步提升复杂区域云检测的稳健性并促进部署的轻量化。试验结果表明, 本文方法对遥感影像中的薄云及雪域上空的云具有极佳的提取能力, 同时对雪等高亮地物具有良好的抗干扰能力。此外, RDC-Net具有极少的参数量与前向推理浮点运算量, 这也使得其适合于实际的工业生产部署。
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2023.20210686