Resumen

En los últimos años, los métodos de procesamiento de imágenes basados en redes neuronales convolucionales (CNN) han logrado muy buenos resultados. Al mismo tiempo, se han propuesto muchas técnicas de ramificación para mejorar la precisión. Con el objetivo de la tarea de detección de cambios en imágenes de teledetección, en este trabajo proponemos una nueva red basada en U-Net. El mecanismo de atención se aplica inteligentemente en la tarea de detección de cambios, y el método de muestreo ascendente dependiente de los datos (DUpsampling) se utiliza al mismo tiempo, por lo que la red muestra una mejora en la precisión, y la cantidad de cálculo se reduce en gran medida. Los resultados experimentales muestran que, en las imágenes bifásicas de la ciudad de Yinchuan, la red propuesta tiene una mejor capacidad de antinoise y puede evitar en cierta medida la falsa detección.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:tarea de detección de cambios, red neuronal convolucional, imagen de teledetección, imagen de yinchuan, mejor capacidad de antinoise, muchas técnicas de rama, métodos de procesamiento de imágenes, detección de falsos, buenos resultados, cantidad de cálculo
• Keywords:change detection task, convolutional neural network, remote sensing image, image of yinchuan, better antinoise ability, many branch techniques, image processing methods, false detection, good results, calculation amount