项目名称: 基于语义理解的高分辨率遥感图像变化分析方法研究

项目编号: No.61302170

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 无线电电子学、电信技术

项目作者: 陈克明

作者单位: 中国科学院电子学研究所

项目金额: 23万元

中文摘要: 随着遥感图像空间和时间分辨率的不断提升,图像中蕴含的语义信息越发丰富,基于语义理解的高分辨率遥感图像分析及应用的重要性日渐凸显。本项目针对高分辨率遥感图像视觉特征多样性和语义信息丰富性,从图像语义目标的视觉表征出发,分析目标对象底层视觉特征到高层语义信息的映射途径,重点研究高分辨率遥感图像中典型地物目标对象之间的语义约束关系表征方式;针对高分辨率遥感图像中单个目标语义信息的局限性和多个目标语义信息的复杂性,以场景语义理解为目的,研究基于超图模型的复杂语义约束关系网构建方法,并结合半监督学习方法,完成语义变化信息的主动传递;针对语义表达的模糊性和认知应用的精确性,面向认知理解,通过目标物理层变化信息与语义层次变化信息有机结合,实现对变化信息的精细化解译,并探索典型目标变化信息分析与专家知识推理协同模式,增强对目标动向情况的简单推理能力,提升高分辨率遥感图像变化分析的应用价值。

中文关键词: 变化分析;语义理解;超图模型;精细化;高分辨率遥感图像时间序列

英文摘要: With the increasing improvements in spatial resolution and temporal resolution, there is more and more semantic information contained in high resolution (HR) remote sensing images, so semantic understanding based HR remote sensing imagery change analysis becomes more and more important. However, the sophisticated imagery scene and various target semantic information cause the change detection for HR remote sensing images even more difficult compared with low/medium resolution images. This program tries to propose new algorithms for HR remote sensing imagery change information fine analysis on the foundation of image semantic understanding. To this end, we first thoroughly investigate the possible ways to define and describe the high-level object semantic information in the complex scene by making full use of the abundant image low-level visual features. Then, we build a hypergraph instead of a pairwise graph to model the various semantic relationships among the image objects. In this way, a semantic relation network is constructed by expressing the semantic relationships quantitatively. Moreover, to take advantages of the large quantity of unlabeled samples, semi-supervised graph-based learning is adopted and labels are iteratively propagated to the unlabeled samples on the graph guided by an energy function wit

英文关键词: Change Analysis;Semantic Understanding;Hypergraph Model;Change Information Fine Analysis;High Resolution Satellite Image Time Series

成为VIP会员查看完整内容
0

相关内容

专知会员服务
97+阅读 · 2021年6月23日
专知会员服务
15+阅读 · 2021年6月6日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
60+阅读 · 2021年3月25日
跨媒体分析与推理技术研究综述
专知会员服务
69+阅读 · 2021年3月11日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
221+阅读 · 2020年5月6日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
一种关键字提取新方法
1号机器人网
21+阅读 · 2018年11月15日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年5月4日
Arxiv
18+阅读 · 2021年6月10日
小贴士
相关VIP内容
专知会员服务
97+阅读 · 2021年6月23日
专知会员服务
15+阅读 · 2021年6月6日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
69+阅读 · 2021年3月29日
专知会员服务
60+阅读 · 2021年3月25日
跨媒体分析与推理技术研究综述
专知会员服务
69+阅读 · 2021年3月11日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
221+阅读 · 2020年5月6日
 图像内容自动描述技术综述
专知会员服务
85+阅读 · 2019年11月17日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于深度学习的超分辨率图像技术一览
极市平台
17+阅读 · 2019年8月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
一种关键字提取新方法
1号机器人网
21+阅读 · 2018年11月15日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
基于图片内容的深度学习图片检索(一)
七月在线实验室
20+阅读 · 2017年10月1日
相关基金
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员