CN109961105A - 一种基于多任务深度学习的高分辨率遥感影像分类方法 - Google Patents
一种基于多任务深度学习的高分辨率遥感影像分类方法 Download PDFInfo
- Publication number
- CN109961105A CN109961105A CN201910274699.3A CN201910274699A CN109961105A CN 109961105 A CN109961105 A CN 109961105A CN 201910274699 A CN201910274699 A CN 201910274699A CN 109961105 A CN109961105 A CN 109961105A
- Authority
- CN
- China
- Prior art keywords
- network
- sampled
- image
- sample
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000003708 edge detection Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多任务深度学习的高分辨率遥感影像分类方法，首先利用四波段影像计算NDVI与NDWI，并以此为基础进行高分辨率遥感影像的样本制作；通过对样本的筛选，将训练数据分为复杂样本与简单样本；同时构建多任务的深度学习网络，先对复杂样本的网络进行训练，然后冻结该部分参数，对简单样本的网络进行训练，得到建筑物与道路加强的分类模型；接着用该模型进行测试数据的分类，得到分类结果；最后对分类结果进行边缘检测与有条件的开运算，去除孔洞。本发明提高了建筑物与道路的识别精度，缩短了训练时间，优化了分类结果，可用于地表信息提取以及变化检测等应用问题。
Description
技术领域
本发明属于遥感和摄影测量技术领域，涉及一种多任务的深度学习方法，尤其是涉及一种基于多任务深度学习针对高分辨率城市遥感影像的地物分类方法。
背景技术
高分辨率遥感影像的自动化分类是卫星影像数据分析与应用中的一个关键问题。随着遥感技术的高速发展，影像空间分辨率已经达到较高水平，机器学习的日渐成熟也为影像自动化识别与分类带来了新的机遇。自动化影像分类有助于高效地利用影像数据，大幅提高以往人工解译的工作效率，提高识别精度，在建筑物提取、道路提取、变化检测等领域都有很好的应用前景。
高分辨率城市遥感影像包含地物信息丰富，地物复杂度高，目前主要的的自动分类方法有马尔科夫随机场、条件随机场、SVM、决策树等，但是由于这些方法依赖于影像特征的选取，难以推广于大面积的影像分类。深度学习网络有效地解决了特征选取的问题，通过深度网络模型的自动学习，可以获得高层次的语义特征，得到更为精确的语义分割结果。
基于深度学习的语义分割是对影像进行像素级端到端的分类，可以得到影像分类的较精细结果，但是由于高分辨率遥感影像的特殊性，像素级的影像分类往往会得到较为破碎的分类结果，不能满足地物的真实特性，尤其是建筑物与道路的破碎情况，使得网络分类的结果不能直接用于生产。受制于网络计算的影像大小，包含的地物信息也很有限，各影像的复杂度不一，都是深度学习网络在遥感影像自动分类应用中面临的问题。
发明内容
本发明主要是解决现有技术在高分辨率遥感影像的分类中，建筑物与道路分类结果较为破碎，误检与漏检率都较高的问题：提供了一种优化的深度学习网络，可以针对不同场景的复杂度进行网络学习的调整，并通过边缘信息对检测结果进行优化，可以有效改善地物分类的精度，同时提高网络参数训练效率。
本发明所采用的技术方案是：
一种基于多任务深度学习的高分辨率遥感影像建筑物提取方法，其特征在于，包括以下步骤：
一预处理
步骤1：选择遥感影像区域用于制作样本，利用四波段(红、绿、蓝、近红外)高分辨率城市遥感影像进行波段计算，首先通过NDWI(归一化水指数)、NDVI(归一化植被指数)对水体与植被进行粗分类；
步骤2：在步骤1基础上继续勾画建筑物与道路的样本，进行人工样本优化，从而得到建筑物、道路、水体、植被以及其它这五类的标定样本类；
步骤3：将选择的遥感影像区域的DSM(Digital Surface Model,数字地表模型)数据作为一个波段，与步骤1中的四波段影像进行合并，得到五波段影像样本；
步骤4：将步骤3的五波段影像样本与步骤2中的标定样本一致裁剪为适合网络计算的大小(本发明中以500*500为例)；
步骤5：依据步骤2的标定样本将步骤4中裁剪后的影像样本分为简单场景、复杂场景两类样本数据(每一个样本中，任一道路、植被或水体的中一种占比超过90％即视为简单场景样本数据，否则视为复杂场景样本数据)；
二构建深度学习网络
步骤6：参考附图2结构，构建多任务的深度学习网络，网络分为两个降采样部分、一个升采样部分和一个多任务网络部分，所述降采样部分包括“第一降采样部分”、“第二降采样部分”，由第二降采样部分、升采样部分构成“网络2”，适用于复杂场景；由第一降采样部分、升采样部分构成“网络1”，适用于简单场景；所述的多任务网络部分构成“网络3”。
步骤6的具体实现方式如下：
步骤6.1：构建复杂场景的“网络2”，复杂场景的学习难度较高，采用resnet50卷积神经网络结构进行训练，采用五层的网络降采样的结构；升采样过程中，结合Unet的设计思路，对每一层进行反卷积，最后还原为500*500*64的影像格式；
步骤6.2：构建简单场景的“网络1”，简单场景需要的网络参数较少，由一个降采样和一个升采样部分构成；降采样部分采用五层网络的结构，每层网络包括两个3*3卷积层与一个relu层，每层之间由max_pooling层进行降采样，经过四层的降采样，将500*500*5的影像变为32*32*1024的格式，然后用二维反卷积进行升采样，升采样的输出结果为500*500*64；
步骤6.3：将步骤6.1与步骤6.2的所有升采样结果都输入到“网络3”，用于进行三种任务的分别学习；“网络3”主要采用3*3卷积层与relu层构成，输入数据格式为500*500*64，主任务学习中，输出数据格式为500*500*5，即分为五种类别，作为一个分类结果；两个辅任务学习中，输出数据格式为500*500*2，该两个辅任务分别是对道路和建筑物的二分类，作为另外两个分类结果。
上述深度网络结构中，简单样本数据经过其中的“网络1”+“网络3”处理，而复杂样本数据是经过“网络2”+“网络3”处理，所述“网络1”、“网络2”共用升采样部分，网络中箭头表示样本数据的流向。
步骤6.4：将步骤6.3中三个分类结果进行loss值计算，主任务权值设为1，两个辅任务的权值都设为0.4，最终loss＝loss1*2+loss2*0.4+loss3*0.4,并对loss值进行AdamOptimizer的计算，通过迭代对网络参数进行训练。
三训练
步骤7：将步骤5中得到的复杂场景影像样本及其对应的标定样本输入所述的深度学习网络，对其中第二降采样部分、升采样部分和多任务网络的部分进行参数的训练；完成训练后，冻结步骤7训练得到模型参数，为步骤8训练步骤做准备；
步骤8：将步骤5中得到的简单场景影像样本及其对应的标定样本输入所述的深度学习网络，进行所述第一降采样网络参数的训练，将步骤7中训练好的升采样和多任务的参数冻结，需要学习的只有第一降采样网络部分的模型参数。
四分类与后处理
步骤9：对测试区影像进行场景信息熵与方差的计算，用阈值法分为复杂场景与简单场景，并用训练得到的模型参数对不同复杂度的测试区域高分辨率城市遥感影像进行地物分类；
步骤10：对测试区的高分辨率遥感影像进行降采样，然后利用canny算子对降采样结果进行边缘信息的提取；
步骤11：依据步骤10得到的边缘信息，对步骤9的分类结果的破碎图斑进行处理，得到较为完整的地物分类结果。
步骤10的具体实现方式如下：
步骤10.1：首先将0.1m的高分辨率影像降采样为0.5m，然后对降采样后的影像进行GaussianBlur(高斯平滑)，抑制虚假边缘；
步骤10.2：进行canny算子的边缘检测，得到边缘检测结果。
步骤11的具体实现方式如下：
步骤11.1：对步骤9的分类结果进行边缘约束的有条件膨胀，将步骤10所得的边缘检测结果作为掩膜，对于步骤9的分类结果进行膨胀，膨胀过程中如果该区域有边缘，则不进行膨胀计算。
步骤11.2：对分类结果进行边缘约束的有条件腐蚀，同样将步骤10所得的边缘检查结果作为掩膜，对步骤11.1得到的膨胀结果进行腐蚀，对于有边缘存在的像元处进行腐蚀处理。
本发明设计的深度学习网络，可以有效改善地物分类的精度，同时提高网络参数训练效率。
附图说明
图1为本发明实施例的总体流程图；
图2为本发明实施例的多任务网络设计示意图；
图3为复杂场景与简单场景示意图；
图4为本发明实施例的Canny算子边缘检测图；
图5为本发明实施例的有条件膨胀与有条件腐蚀示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供一种基于多任务深度学习的高分辨率遥感影像分类方法，包括以下步骤：
步骤1：利用四波段(红、绿、蓝、近红外)高分辨率城市遥感影像进行波段计算，通过NDWI、NDVI对水体与植被进行粗分类，
步骤2：步骤1基础上勾画建筑物与道路的样本，进行人工样本优化，得到建筑物、道路、水体、植被以及其它这五类的标定样本类；
步骤3：将该区域的DSM(Digital Surface Model,数字地表模型)数据作为一个波段，与步骤1中的四波段影像进行合并，得到五波段影像样本，
步骤4：将步骤3的五波段影像样本与步骤2中的标定样本都裁剪为统一的适合于网络计算的大小(本发明以500*500的尺寸为例)；
步骤5：依据标定样本将步骤4的影像分为简单场景、复杂场景两类，每一个样本中，任一道路、植被或水体的中一种占比超过90％即视为简单场景，否则视为复杂场景)。图3为复杂场景与简单场景示意图。
步骤6.1：请见图2。构建复杂场景的卷积神经“网络2”，复杂场景的学习难度较高，所以使用resnet50网络结构进行训练，采用五层的网络降采样的结构；升采样过程中，结合Unet的设计思路，对每一层进行反卷积，最后还原为500*500*64的影像格式；
步骤6.2：构建简单场景的卷积神经“网络1”，简单场景需要的网络参数较少，采用五层网络的结构，每层网络包括两个3*3卷积层与一个relu层，每层之间由max_pooling层进行降采样，经过四层的降采样，将500*500*5的影像变为32*32*1024的格式，然后用二维反卷积进行升采样，升采样的输出结果为500*500*64，训练过程中只对网络1的降采样参数进行训练，升采样部分还采用步骤6.1的训练结果；
步骤6.3：将步骤6.1与步骤6.2的所有升采样结果都输入到“网络3”，进行三种任务的分别学习，网络3主要用3*3卷积层与relu层构成，输入数据格式为500*500*64，主任务学习中，输出数据格式为500*500*5，即分为五种类别，作为一个分类结果；辅任务学习中，输出数据格式为500*500*2，两个辅任务分别是对道路和建筑物的二分类，作为另外两个分类结果。
步骤6.4：将步骤6.3中三个分类结果分别与样本进行loss值计算，主任务权值设为1，两个辅任务的权值都设为0.4，最终loss＝loss1*2+loss2*0.4+loss3*0.4,并对loss值进行AdamOptimizer的计算，通过迭代对网络参数进行训练。
步骤7：将步骤5中得到的复杂场景影像样本输入所述的深度学习网络，对其中第二降采样部分、升采样部分和多任务网络的部分进行参数的训练；完成训练后，冻结步骤7训练得到模型参数，为步骤8训练步骤做准备；
步骤8：将步骤5中得到的简单场景影像样本输入深度学习网络，进行第一降采样网络参数的训练，将步骤7中训练好的冻结的升采样和多任务参数作为基础，仅参与简单样本的计算，但是在训练中不进行参数的调整，本步骤需要学习的只有第一降采样网络部分的参数；
步骤9：请见图3。对测试区影像进行场景信息熵与方差的计算，用阈值法分为复杂场景与简单场景，并用训练得到的模型参数对不同复杂度的测试区域高分辨率城市遥感影像进行地物分类。
步骤10.1：请见图4。首先将0.1m的高分辨率影像降采样为0.5m，然后对降采样后的影像进行GaussianBlur(高斯平滑)，抑制虚假边缘；
步骤10.2：对步骤10.1的结果进行canny算子的边缘检测，得到边缘检测结果。图4为Canny算子边缘检测结果。
步骤11：依据步骤10得到的边缘信息，对步骤9的分类结果的破碎图斑进行处理，得到较为完整的地物分类结果。
如图5所示，步骤11的具体实现方式如下：
步骤11.1：对步骤9的分类结果进行边缘约束的有条件膨胀，将步骤10所得的边缘检测结果作为掩膜，对于步骤9的分类结果进行膨胀，膨胀过程中如果该区域有边缘，则不进行膨胀计算。
步骤11.2：对分类结果进行边缘约束的有条件腐蚀，同样将步骤10所得的边缘检查结果作为掩膜，对步骤11.1得到的膨胀结果进行腐蚀，对于有边缘存在的像元处进行腐蚀处理。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于多任务深度学习的高分辨率遥感影像建筑物提取方法，其特征在于，包括以下步骤：
一预处理
步骤1：选择遥感影像区域用于制作样本，利用四波段(红、绿、蓝、近红外)高分辨率城市遥感影像进行波段计算，首先通过NDWI(归一化水指数)、NDVI(归一化植被指数)对水体与植被进行粗分类；
步骤2：在步骤1基础上继续勾画建筑物与道路的样本，进行人工样本优化，从而得到建筑物、道路、水体、植被以及其它这五类的标定样本类；
步骤3：将选择的遥感影像区域的DSM(Digital Surface Model,数字地表模型)数据作为一个波段，与步骤1中的四波段影像进行合并，得到五波段影像样本；
步骤4：将步骤3的五波段影像样本与步骤2中的标定样本一致裁剪为适合网络计算的大小；
步骤5：依据步骤2的标定样本将步骤4中裁剪后的影像样本分为简单场景、复杂场景两类样本数据；
二构建深度学习网络
步骤6：构建多任务的深度学习网络，网络分为两个降采样部分、一个升采样部分和一个多任务网络部分，所述降采样部分包括“第一降采样部分”、“第二降采样部分”，由第二降采样部分、升采样部分构成“网络2”，适用于复杂场景；由第一降采样部分、升采样部分构成“网络1”，适用于简单场景；所述的多任务网络部分构成“网络3”。
具体实现：
步骤6.1：构建复杂场景的“网络2”，复杂场景的学习难度较高，采用resnet50卷积神经网络结构进行训练，采用五层的网络降采样的结构；升采样过程中，结合Unet的设计思路，对每一层进行反卷积，最后还原为500*500*64的影像格式；
步骤6.2：构建简单场景的“网络1”，简单场景需要的网络参数较少，由一个降采样和一个升采样部分构成；降采样部分采用五层网络的结构，每层网络包括两个3*3卷积层与一个relu层，每层之间由max_pooling层进行降采样，经过四层的降采样，将500*500*5的影像变为32*32*1024的格式，然后用二维反卷积进行升采样，升采样的输出结果为500*500*64；
步骤6.3：将步骤6.1与步骤6.2的所有升采样结果都输入到“网络3”，用于进行三种任务的分别学习；“网络3”主要采用3*3卷积层与relu层构成，输入数据格式为500*500*64，主任务学习中，输出数据格式为500*500*5，即分为五种类别，作为一个分类结果；两个辅任务学习中，输出数据格式为500*500*2，该两个辅任务分别是对道路和建筑物的二分类，作为另外两个分类结果。
步骤6.4：将步骤6.3中三个分类结果进行loss值计算，主任务权值设为1，两个辅任务的权值都设为0.4，最终loss＝loss1*2+loss2*0.4+loss3*0.4,并对loss值进行AdamOptimizer的计算，通过迭代对网络参数进行训练。
三训练
步骤7：将步骤5中得到的复杂场景影像样本及其对应的标定样本输入所述的深度学习网络，对其中第二降采样部分、升采样部分和多任务网络的部分进行参数的训练；完成训练后，冻结步骤7训练得到模型参数，为步骤8训练步骤做准备；
步骤8：将步骤5中得到的简单场景影像样本及其对应的标定样本输入所述的深度学习网络，进行所述第一降采样网络参数的训练，将步骤7中训练好的升采样和多任务的参数冻结，需要学习的只有第一降采样网络部分的模型参数。
四分类与后处理
步骤9：对测试区影像进行场景信息熵与方差的计算，用阈值法分为复杂场景与简单场景，并用训练得到的模型参数对不同复杂度的测试区域高分辨率城市遥感影像进行地物分类；
步骤10：对测试区的高分辨率遥感影像进行降采样，然后利用canny算子对降采样结果进行边缘信息的提取；
步骤11：依据步骤10得到的边缘信息，对步骤9的分类结果的破碎图斑进行处理，得到较为完整的地物分类结果。
2.一种基于多任务深度学习的高分辨率遥感影像建筑物提取方法，其特征在于，所述步骤10的具体实现方式如下：
步骤10.1：首先将0.1m的高分辨率影像降采样为0.5m，然后对降采样后的影像进行GaussianBlur(高斯平滑)，抑制虚假边缘；
步骤10.2：进行canny算子的边缘检测，得到边缘检测结果。
3.一种基于多任务深度学习的高分辨率遥感影像建筑物提取方法，其特征在于，步骤11的具体实现方式如下：
步骤11.1：对步骤9的分类结果进行边缘约束的有条件膨胀，将步骤10所得的边缘检测结果作为掩膜，对于步骤9的分类结果进行膨胀，膨胀过程中如果该区域有边缘，则不进行膨胀计算；
步骤11.2：对分类结果进行边缘约束的有条件腐蚀，同样将步骤10所得的边缘检查结果作为掩膜，对步骤11.1得到的膨胀结果进行腐蚀，对于有边缘存在的像元处进行腐蚀处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910274699.3A CN109961105B (zh) | 2019-04-08 | 2019-04-08 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910274699.3A CN109961105B (zh) | 2019-04-08 | 2019-04-08 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109961105A true CN109961105A (zh) | 2019-07-02 |
| CN109961105B CN109961105B (zh) | 2020-03-27 |
Family
ID=67025731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910274699.3A Active CN109961105B (zh) | 2019-04-08 | 2019-04-08 | 一种基于多任务深度学习的高分辨率遥感影像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961105B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
| CN111553272A (zh) * | 2020-04-28 | 2020-08-18 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
| CN113569760A (zh) * | 2021-07-29 | 2021-10-29 | 重庆交通大学 | 基于多模态深度学习的三维变化检测方法 |
| CN114037024A (zh) * | 2022-01-07 | 2022-02-11 | 心鉴智控(深圳)科技有限公司 | 一种基于多任务神经网络数据识别***及方法 |
| CN115546649A (zh) * | 2022-10-24 | 2022-12-30 | 中国矿业大学(北京) | 一种单视遥感影像高度估计和语义分割多任务预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150186792A1 (en) * | 2013-12-26 | 2015-07-02 | Xerox Corporation | System and method for multi-task learning for prediction of demand on a system |
| CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
| CN107833183A (zh) * | 2017-11-29 | 2018-03-23 | 安徽工业大学 | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN108550115A (zh) * | 2018-04-25 | 2018-09-18 | 中国矿业大学 | 一种图像超分辨率重建方法 |
| CN109345547A (zh) * | 2018-10-19 | 2019-02-15 | 天津天地伟业投资管理有限公司 | 基于深度学习多任务网络的交通车道线检测方法及装置 |
-
2019
- 2019-04-08 CN CN201910274699.3A patent/CN109961105B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150186792A1 (en) * | 2013-12-26 | 2015-07-02 | Xerox Corporation | System and method for multi-task learning for prediction of demand on a system |
| CN105912790A (zh) * | 2016-04-15 | 2016-08-31 | 重庆大学 | 基于深度回归模型的遥感水质监测方法 |
| CN107833183A (zh) * | 2017-11-29 | 2018-03-23 | 安徽工业大学 | 一种基于多任务深度神经网络的卫星图像同时超分辨和着色的方法 |
| CN108052940A (zh) * | 2017-12-17 | 2018-05-18 | 南京理工大学 | 基于深度学习的sar遥感图像水面目标检测方法 |
| CN108550115A (zh) * | 2018-04-25 | 2018-09-18 | 中国矿业大学 | 一种图像超分辨率重建方法 |
| CN109345547A (zh) * | 2018-10-19 | 2019-02-15 | 天津天地伟业投资管理有限公司 | 基于深度学习多任务网络的交通车道线检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘大伟等: ""基于深度学习的高分辨率遥感影像分类研究"", 《光学学报》 * |
| 杨诗寓: ""基于深度学习的多源遥感影像目标检测技术的研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
| CN111160127B (zh) * | 2019-12-11 | 2023-07-21 | 中国四维测绘技术有限公司 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
| CN111553272A (zh) * | 2020-04-28 | 2020-08-18 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
| CN111553272B (zh) * | 2020-04-28 | 2022-05-06 | 上海市测绘院 | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 |
| CN113569760A (zh) * | 2021-07-29 | 2021-10-29 | 重庆交通大学 | 基于多模态深度学习的三维变化检测方法 |
| CN114037024A (zh) * | 2022-01-07 | 2022-02-11 | 心鉴智控(深圳)科技有限公司 | 一种基于多任务神经网络数据识别***及方法 |
| CN115546649A (zh) * | 2022-10-24 | 2022-12-30 | 中国矿业大学(北京) | 一种单视遥感影像高度估计和语义分割多任务预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109961105B (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961105A (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
| Chen et al. | Road extraction in remote sensing data: A survey | |
| CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 | |
| CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
| CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
| CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
| CN112016436A (zh) | 一种基于深度学习的遥感影像变化检测方法 | |
| CN115170979B (zh) | 一种多源数据融合的矿区精细用地分类方法 | |
| CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
| CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
| CN105139395A (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
| CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
| CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
| CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及*** | |
| CN113919226B (zh) | 基于权重的采矿植被生态累积效应扰动范围识别方法 | |
| Doi et al. | The effect of focal loss in semantic segmentation of high resolution aerial image | |
| CN112767413B (zh) | 综合区域连通和共生知识约束的遥感影像深度语义分割方法 | |
| CN112037244B (zh) | 联合指数和轮廓指示器SLIC的Landsat-8图像养殖池提取方法 | |
| CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
| CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
| CN111738052A (zh) | 基于深度学习的多特征融合高光谱遥感地物分类方法 | |
| Liu | A SAM-based method for large-scale crop field boundary delineation | |
| CN111553272B (zh) | 基于深度学习的高分辨率卫星光学遥感影像建筑物变化检测方法 | |
| CN114913430A (zh) | 一种基于高分影像和Unet阴影检测的物体高度识别方法 | |
| CN113515969B (zh) | 基于卷积神经网络的多时态遥感影像地表覆盖分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |