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...
Saved in:
Published in | Ce hui xue bao Vol. 52; no. 1; pp. 93 - 107 |
---|---|
Main Authors | , , , , , |
Format | Journal Article |
Language | Chinese 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 | |
Online Access | Get full text |
Cover
Loading…
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 |