CN110197182A - 基于上下文信息和注意力机制的遥感影像语义分割方法 - Google Patents
基于上下文信息和注意力机制的遥感影像语义分割方法 Download PDFInfo
- Publication number
- CN110197182A CN110197182A CN201910499421.6A CN201910499421A CN110197182A CN 110197182 A CN110197182 A CN 110197182A CN 201910499421 A CN201910499421 A CN 201910499421A CN 110197182 A CN110197182 A CN 110197182A
- Authority
- CN
- China
- Prior art keywords
- feature
- convolution
- remote sensing
- sensing image
- semantic segmentation
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于上下文信息和注意力机制的遥感影像语义分割方法。对于待标注的高分辨率遥感影像,首先进行数据预处理和数据扩增,然后利用扩增后的数据对遥感影像语义分割模型进行训练。训练过程中,图像首先经过骨干网络提取初步特征,然后经过多尺度上下文信息模块提取多尺度的特征并融合,其次利用注意力融合模块结合不同层次的特征,最后直接利用双线性插值上采样得到最终的分割结果。对于未标注的影像,首先将它分割为较小的图像块,输入语义分割网络中得到对应结果,再拼接起来得到最终的大尺寸分割结果图。
Description
技术领域
本发明属于遥感影像识别领域,尤其涉及一种基于上下文信息和注意力机制的高分辨率遥感影像语义分割方法。
背景技术
近年来,随着遥感技术的快速发展,高分辨率的遥感影像数据越来越丰富,针对遥感图像的语义分割也逐渐成为一个重要的研究方向。语义分割任务需要对遥感图像中的每个像素按语义进行分类,从而得到整幅图像的分割结果。然而,由于遥感图像本身的大尺寸特性,一幅遥感图像中常常包含大量不同类别的地物,如建筑、植被、林地、汽车等。其中,建筑物有着多种多样的外形,汽车的尺寸相较于其他地物显得非常渺小,而植被和林地在外形上又比较相似,这些都增加了遥感影像语义分割的难度。
传统方法采用特征提取结合分类器的方式对遥感图像进行语义分割。特征提取部分均采用传统的手工特征,如梯度直方图HOG、尺度不变特征SIFT、分割加速特征FAST等,使用时需要对遥感影像进行具体分析,才能选择适用的特征。分类器则采用经典的统计学习方法中的支持向量机SVM、随机森林RF、K-means聚类等方法,但对于包含复杂场景的遥感影像,传统方法难以处理。随着深度学习方法的普及,人们提出了一系列基于卷积神经网络CNN的方法用于处理语义分割任务,如全卷积网络FCN、U型网络U-Net、分割网络SegNet、标注网络DeepLab系列等。FCN网络去掉了常规分类网络的全连接层,对骨干网络的输出上采样得到最终的分类结果,后续网络均基于FCN的思路进行改进,也在自然图像数据集上展现了它们相对于传统方法的优越性。然而,这些方法均是针对自然图像设计的,难以处理好具有复杂场景的大尺度变化的遥感影像。
发明内容
本发明所要解决的技术问题在于提供一种基于上下文信息和注意力机制的遥感影像语义分割方法,该方法能够实现具有复杂场景和大尺度变化的遥感影像的高精度语义分割。
本发明采用的技术方案为:
一种基于上下文信息和注意力机制的遥感影像语义分割方法,包括以下步骤:
步骤1:对遥感影像进行标注,将带标注的遥感影像进行数据预处理和数据扩增;
步骤2:构建语义分割网络,将扩充后带标注的遥感影像输入构建的语义分割网络,对网络进行训练;
其中,构建语义分割网络具体如下:
构建语义分割网络模型,包括骨干网络-深度残差网络ResNet、多尺度上下文信息模块和第一至第三注意力融合模块;
骨干网络-深度残差网络ResNet将带标注的遥感影像提取得到4个不同层次的初步特征,并一一对应输入第一至第三注意力融合模块和多尺度上下文信息模块;
多尺度上下文信息模块将最高层的初步特征进行并行卷积和全局池化,将并行卷积和全局池化的结果进行级联,将级联后的特征提取结果输入第三注意力融合模块;
第三注意力融合模块将多尺度上下文信息模块的特征提取结果与第三层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作再与第三层的初步特征相加,将相加结果输入第二注意力融合模块;
第二注意力融合模块将第三注意力融合模块的特征提取结果与第二层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作再与第二层的初步特征相加,将相加结果输入第一注意力融合模块;
第一注意力融合模块将第二注意力融合模块的特征提取结果与第一层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作再与第一层的初步特征相加;
将第一注意力融合模块的结果通过上采样引入高分辨率特征图,得到最终分割结果;
步骤3:将无标注的遥感影像输入训练好的语义分割网络,得到对应的分割结果。
其中,多尺度上下文信息模块包括并行卷积部分、全局池化部分和级联部分,并行卷积部分包括多个具有不同卷积核大小的支路,每一支路分别包括卷积层、BN层、ReLU层、卷积层和BN层;其中各支路的卷积层分别为3x3卷积、7x7卷积、11x11卷积和15x15卷积;全局池化部分包括全局卷积层、1x1卷积层和BN层;级联部分将并行卷积部分和全局池化部分各支路的特征提取结果进行级联。
其中,三个注意力融合模块结构相同,均包括卷积层、BN层、ReLU层、全局池化层、通道相乘部分和求和部分;处理过程包括以下步骤:
(301)卷积层将下一高层的特征提取结果与本层的初步特征进行级联;
(302)级联后的结果经过卷积-BN-ReLU操作,再进行全局池化操作,得到通道向量;
(303)将通道向量作为权重与经过卷积-BN-ReLU操作后的特征相乘,得到基于通道注意力机制的特征;
(304)将基于通道注意力机制的特征与本层的初步特征相加,得到特征提取结果。
本发明采用以上技术方案与现有技术相比,具有以下优点:
1.利用提出的多尺度上下文信息模块,可以有效处理具有大尺度变化的遥感影像,增强对多尺度地物的识别能力。
2.利用提出的注意力融合模块,可以有效结合不同层级的特征,提高分割时的定位精度,并增强特征的判别能力,从而应对具有复杂场景的遥感影像。
3.采用端到端的方式处理遥感影像语义分割问题,比传统的特征工程方法更加简洁,提取的特征也更有针对性。
附图说明
图1为本发明处理过程图。
图2为典型的城区遥感影像。
图3为本发明提出的遥感影像语义分割网络结构图。
图4为本发明提出的多尺度上下文信息模块结构图。
图5为本发明提出的注意力融合模块结构图。
图6为本发明网络输出的遥感影像语义分割结果图。
具体实施方式
本发明提供了一种基于上下文信息和注意力机制的遥感影像语义分割方法。为使本发明的目的,技术方案及效果更加清楚、明确,以下参考附图对本发明进一步详细说明。
图1为本发明处理过程图,首先通过骨干网络提取初步特征,然后利用多尺度上下文信息模块提取多尺度的特征并融合,其次利用注意力融合模块对不同层次的特征进行融合,提高最终的定位精度,最后得到的特征图进行上采样,即为最终的分割结果。网络训练完成后,将大尺寸图像进行裁剪通过训练好的语义分割网络得到分割结果,再进行拼接。
本发明基于上下文信息和注意力机制的遥感影像语义分割方法,主要包含以下步骤:
步骤1:对遥感影像进行标注,图2为典型的城区遥感影像,将带标注的遥感影像进行数据预处理和数据扩增;具体包括:
步骤S101:对标注数据进行类别编码,将以RGB值表示的图像编码为以类别标签(0,1,2,3,…)为亮度值的灰度图像。
步骤S102:采用旋转、缩放、翻转等方式对已有的遥感影像进行扩充。具体地,对已有的遥感影像和对应的标注数据,按顺时针依次旋转90°、180°、270°,或对其进行水平翻转和竖直翻转,或对原图像进行1.25倍的放大和0.75倍的缩小。
步骤2:构建语义分割网络,将扩充后带标注的遥感影像输入构建的语义分割网络,对网络进行训练;
本发明语义分割网络模型结构如图3所示。包括骨干网络-深度残差网络Res1-Res4,多尺度上下文信息模块CFM和三个注意力融合模块AMM,三个注意力融合模块AMM从上到下分别为第一至第三注意力融合模块。下面进行详细描述构建语义分割网络模型:
构建语义分割网络模型,包括骨干网络-深度残差网络ResNet、多尺度上下文信息模块和第一至第三注意力融合模块;
骨干网络-深度残差网络ResNet将带标注的遥感影像提取得到4个不同层次的初步特征,浅层的特征空间分辨率高,具有丰富的结构信息,但缺乏语义信息;深层的特征空间分辨率低,具有高层次语义信息,但缺乏细节结构信息。将4个不同层次的初步特征一一对应输入第一至第三注意力融合模块和上下文信息模块;
多尺度上下文信息模块将最高层的初步特征进行并行卷积和全局池化,将并行卷积和全局池化的结果进行级联,将级联后的特征提取结果输入第三注意力融合模块;
如图4所示,多尺度上下文信息模块包括并行卷积部分、全局池化部分和级联部分,并行卷积部分包括多个具有不同卷积核大小的支路,每一支路分别包括卷积层、BN层、ReLU层、卷积层和BN层;其中各支路的卷积层分别为3x3卷积、7x7卷积、11x11卷积和15x15卷积;全局池化部分包括全局卷积层、1x1卷积层和BN层;级联部分将并行卷积部分和全局池化部分各支路的特征提取结果进行级联。
BN层用于减小数据的协方差,促进网络收敛。ReLU层用作网络的非线性激活函数。输入的图像大小为512x512,经过骨干网络的不断下采样后,最高层特征的空间分辨率变为原来的1/32,即16x16。此时15x15的卷积等同于全局卷积,即类似于分类任务的全连接层,从而提高了网络分辨复杂地物的能力。卷积核的大小可以根据输入图片的大小进行调节,保证最大卷积核支路可以实现全局卷积。通过全局池化引入全局上下文信息,从而消除局部信息的歧义性,提高特征的判别能力。1x1卷积用于调整特征的通道数量,从而与并行卷积部分得到的特征进行特征级联。
第三注意力融合模块将多尺度上下文信息模块的特征提取结果与第三层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作,再进行全局池化操作,得到一个通道向量,将通道向量作为权重与经过卷积-BN-ReLU操作后的特征相乘,得到基于通道注意力机制的特征,将基于通道注意力机制的特征与第三层的初步特征相加,将相加结果输入第二注意力融合模块;
第二注意力融合模块将第三注意力融合模块的结果与第二层的初步特征进行级联,级联后经过卷积-BN-ReLU操作,再进行全局池化操作,得到一个通道向量,将通道向量作为权重与经过卷积-BN-ReLU操作后的特征相乘,得到基于通道注意力机制的特征,将基于通道注意力机制的特征与第二层的初步特征相加,将相加结果输入第一注意力融合模块;
第一注意力融合模块将第二注意力融合模块的结果与第一层的初步特征进行级联,级联后经过卷积-BN-ReLU操作,再进行全局池化操作,得到一个通道向量,将通道向量作为权重与经过卷积-BN-ReLU操作后的特征相乘,得到基于通道注意力机制的特征,将基于通道注意力机制的特征与第一层的初步特征相加;
将第一注意力融合模块的结果通过上采样引入高分辨率特征图,得到最终分割结果;具体地,融合后特征的空间分辨率为原始图像的1/4,可直接通过双线性插值方式得到最终的分割结果。
其中,如图5所示,三个注意力融合模块结构相同,均包括卷积层、BN层、ReLU层、全局池化层、通道相乘部分和求和部分结构;全局池化和相乘操作可以选出更具有分辨力的特征,增强特征的识别能力,而显式的相加则直接引入了低层的高分辨率特征,引入了更丰富的细节信息,提高了最终分割时的定位精度。此外,求和操作使得整个模块有着类似残差模块的结构,从而具有类似残差模块的性能,即促进整个网络的收敛。
步骤3:将无标注的遥感影像输入训练好的语义分割网络,得到对应的分割结果。具体包括:
步骤S301:将无标记的测试图像进行分割,得到512x512的小尺寸图像。然后输入训练好的语义分割网络,得到相同尺寸大小的分割结果。
步骤S302:将相同尺寸大小的分割结果进行拼接,得到最终的大尺度遥感图像分割结果,如图6所示。
完成基于上下文信息和注意力机制的遥感影像语义分割。
Claims (3)
1.一种基于上下文信息和注意力机制的遥感影像语义分割方法,其特征在于,包括以下步骤:
步骤1:对遥感影像进行标注,将带标注的遥感影像进行数据预处理和数据扩增;
步骤2:构建语义分割网络,将扩充后带标注的遥感影像输入构建的语义分割网络,对网络进行训练;
其中,构建语义分割网络具体如下:
构建语义分割网络模型,包括骨干网络-深度残差网络ResNet、多尺度上下文信息模块和第一至第三注意力融合模块;
骨干网络-深度残差网络ResNet将带标注的遥感影像提取得到4个不同层次的初步特征,并一一对应输入第一至第三注意力融合模块和多尺度上下文信息模块;
多尺度上下文信息模块将最高层的初步特征进行并行卷积和全局池化,将并行卷积和全局池化的结果进行级联,将级联后的特征提取结果输入第三注意力融合模块;
第三注意力融合模块将多尺度上下文信息模块的特征提取结果与第三层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作再与第三层的初步特征相加,将相加结果输入第二注意力融合模块;
第二注意力融合模块将第三注意力融合模块的特征提取结果与第二层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作再与第二的初步特征相加,将相加结果输入第一注意力融合模块;
第一注意力融合模块将第二注意力融合模块的特征提取结果与第一层的初步特征进行级联,级联后经过卷积-BN-ReLU和池化操作再与第一层的初步特征相加;
将第一注意力融合模块的结果通过上采样引入高分辨率特征图,得到最终分割结果;
步骤3:将无标注的遥感影像输入训练好的语义分割网络,得到对应的分割结果。
2.根据权利要求1所述的基于上下文信息和注意力机制的遥感影像语义分割方法,其特征在于,多尺度上下文信息模块包括并行卷积部分、全局池化部分和级联部分,并行卷积部分包括多个具有不同卷积核大小的支路,每一支路从上到下分别包括卷积层、BN层、ReLU层、卷积层和BN层;其中各支路的卷积层分别为3x3卷积、7x7卷积、11x11卷积和15x15卷积;全局池化部分包括全局卷积层、1x1卷积层和BN层;级联部分将并行卷积部分和全局池化部分各支路的特征提取结果进行级联。
3.根据权利要求1所述的基于上下文信息和注意力机制的遥感影像语义分割方法,其特征在于,三个注意力融合模块结构相同,均包括卷积层、BN层、ReLU层、全局池化层、通道相乘部分和求和部分;处理过程包括以下步骤:
(301)卷积层将下一高层的特征提取结果与本层的初步特征进行级联;
(302)级联后的结果经过卷积-BN-ReLU操作,再进行全局池化操作,得到通道向量;
(303)将通道向量作为权重与经过卷积-BN-ReLU操作后的特征相乘,得到基于通道注意力机制的特征;
(304)将基于通道注意力机制的特征与本层的初步特征相加,得到特征提取结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910499421.6A CN110197182A (zh) | 2019-06-11 | 2019-06-11 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910499421.6A CN110197182A (zh) | 2019-06-11 | 2019-06-11 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197182A true CN110197182A (zh) | 2019-09-03 |
Family
ID=67754189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910499421.6A Pending CN110197182A (zh) | 2019-06-11 | 2019-06-11 | 基于上下文信息和注意力机制的遥感影像语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197182A (zh) |
Cited By (59)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675405A (zh) * | 2019-09-12 | 2020-01-10 | 电子科技大学 | 基于注意力机制的one-shot图像分割方法 |
CN110781850A (zh) * | 2019-10-31 | 2020-02-11 | 深圳金信诺高新技术股份有限公司 | 道路识别的语义分割***和方法、计算机存储介质 |
CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
CN111028253A (zh) * | 2019-11-25 | 2020-04-17 | 北京科技大学 | 一种铁精粉分割方法及分割装置 |
CN111127470A (zh) * | 2019-12-24 | 2020-05-08 | 江西理工大学 | 一种基于上下文和浅层空间编解码网络的图像语义分割方法 |
CN111179217A (zh) * | 2019-12-04 | 2020-05-19 | 天津大学 | 一种基于注意力机制的遥感图像多尺度目标检测方法 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
CN111274892A (zh) * | 2020-01-14 | 2020-06-12 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及*** |
CN111368843A (zh) * | 2020-03-06 | 2020-07-03 | 电子科技大学 | 一种基于语义分割的冰上湖提取的方法 |
CN111539922A (zh) * | 2020-04-17 | 2020-08-14 | 中山大学 | 基于多任务网络的单目深度估计与表面法向量估计方法 |
CN111563491A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 利用网络模型对遥感影像进行分割的方法、设备及装置 |
CN111582104A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感图像语义分割方法及装置 |
CN111626300A (zh) * | 2020-05-07 | 2020-09-04 | 南京邮电大学 | 基于上下文感知的图像语义分割模型及建模方法 |
CN111680695A (zh) * | 2020-06-08 | 2020-09-18 | 河南工业大学 | 一种基于反向注意力模型的语义分割方法 |
CN111680667A (zh) * | 2020-07-13 | 2020-09-18 | 北京理工大学重庆创新中心 | 一种基于深度神经网络的遥感图像地物分类方法 |
CN111798426A (zh) * | 2020-06-30 | 2020-10-20 | 天津大学 | 用于移动端的胃肠道间质瘤中核***象深度学习检测*** |
CN111860398A (zh) * | 2020-07-28 | 2020-10-30 | 河北师范大学 | 遥感图像目标检测方法、***及终端设备 |
CN111986204A (zh) * | 2020-07-23 | 2020-11-24 | 中山大学 | 一种息肉分割方法、装置及存储介质 |
CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
CN112183602A (zh) * | 2020-09-22 | 2021-01-05 | 天津大学 | 一种带有并行卷积块的多层特征融合细粒度图像分类方法 |
CN112232173A (zh) * | 2020-10-12 | 2021-01-15 | 济南博观智能科技有限公司 | 一种行人属性识别方法、深度学习模型、设备及介质 |
CN112287983A (zh) * | 2020-10-15 | 2021-01-29 | 西安电子科技大学 | 一种基于深度学习的遥感图像目标提取***和方法 |
CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
CN112465820A (zh) * | 2020-12-22 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于语义分割的融合全局上下文信息的水稻病害检测方法 |
CN112508960A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种基于改进注意力机制的低精度图像语义分割方法 |
CN112528803A (zh) * | 2020-12-03 | 2021-03-19 | 中国地质大学(武汉) | 道路特征提取方法、装置、设备及存储介质 |
CN112541503A (zh) * | 2020-12-11 | 2021-03-23 | 南京邮电大学 | 基于上下文注意力机制和信息融合的实时语义分割方法 |
CN112580649A (zh) * | 2020-12-15 | 2021-03-30 | 重庆邮电大学 | 一种基于区域上下文关系模块的语义分割方法 |
CN112614112A (zh) * | 2020-12-24 | 2021-04-06 | 苏州大学 | Mcsli图像中条纹损伤的分割方法 |
CN112633085A (zh) * | 2020-12-08 | 2021-04-09 | 特斯联科技集团有限公司 | 一种基于注意力导向机制的人脸检测方法、***、存储介质及终端 |
CN112699855A (zh) * | 2021-03-23 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像场景识别方法、装置及电子设备 |
CN112734715A (zh) * | 2020-12-31 | 2021-04-30 | 同济大学 | 一种肺部ct图像的肺结节分割方法 |
CN112784779A (zh) * | 2021-01-28 | 2021-05-11 | 武汉大学 | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 |
CN112784856A (zh) * | 2021-01-29 | 2021-05-11 | 长沙理工大学 | 胸部x射线图像的通道注意力特征提取方法和识别方法 |
CN112819837A (zh) * | 2021-02-26 | 2021-05-18 | 南京大学 | 一种基于多源异构遥感影像的语义分割方法 |
CN112927255A (zh) * | 2021-02-22 | 2021-06-08 | 武汉科技大学 | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 |
CN112989919A (zh) * | 2020-12-25 | 2021-06-18 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
CN113255676A (zh) * | 2021-05-21 | 2021-08-13 | 福州大学 | 基于多源数据融合的高分遥感影像语义分割模型及方法 |
CN113283270A (zh) * | 2020-02-20 | 2021-08-20 | 京东方科技集团股份有限公司 | 图像处理方法和装置、筛查***、计算机可读存储介质 |
WO2021169852A1 (en) * | 2020-02-26 | 2021-09-02 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for real-time, simultaneous object detection and semantic segmentation |
CN113537195A (zh) * | 2021-07-21 | 2021-10-22 | 北京数美时代科技有限公司 | 一种图像文本识别方法、***和电子设备 |
CN113554655A (zh) * | 2021-07-13 | 2021-10-26 | 中国科学院空间应用工程与技术中心 | 基于多特征增强的光学遥感图像分割方法及装置 |
WO2021232771A1 (zh) * | 2020-05-18 | 2021-11-25 | 中科视语(北京)科技有限公司 | 多任务的目标检测方法、装置、电子设备及存储介质 |
CN113743300A (zh) * | 2021-09-03 | 2021-12-03 | 中化现代农业有限公司 | 基于语义分割的高分遥感图像云检测方法和装置 |
CN113761976A (zh) * | 2020-06-04 | 2021-12-07 | 华为技术有限公司 | 基于全局引导选择性上下文网络的场景语义解析方法 |
CN113887517A (zh) * | 2021-10-29 | 2022-01-04 | 桂林电子科技大学 | 基于并行注意力机制的农作物遥感图像语义分割方法 |
CN113887373A (zh) * | 2021-09-27 | 2022-01-04 | 中关村科学城城市大脑股份有限公司 | 基于城市智慧体育的并行融合网络的姿态识别方法和*** |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN114119997A (zh) * | 2021-11-26 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 图像特征提取模型的训练方法、装置、服务器和存储介质 |
CN114155247A (zh) * | 2021-08-26 | 2022-03-08 | 航天恒星科技有限公司 | 一种高分辨率遥感图像实例分割模型的训练方法及装置 |
CN114170167A (zh) * | 2021-11-29 | 2022-03-11 | 深圳职业技术学院 | 基于注意力引导上下文校正的息肉分割方法和计算机设备 |
CN114332800A (zh) * | 2022-03-09 | 2022-04-12 | 西南石油大学 | 一种用于自动驾驶的街道场景解析语义分割方法 |
CN114387439A (zh) * | 2022-01-13 | 2022-04-22 | 中国电子科技集团公司第五十四研究所 | 一种基于光学和PolSAR特征融合的语义分割网络 |
CN114913325A (zh) * | 2022-03-24 | 2022-08-16 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
CN116030057A (zh) * | 2023-03-29 | 2023-04-28 | 中国电子科技集团公司第五十四研究所 | 一种基于注意力机制的遥感影像能见度估计方法 |
CN116258971A (zh) * | 2023-05-15 | 2023-06-13 | 江西啄木蜂科技有限公司 | 一种多源融合的林业遥感影像智能解译方法 |
CN116630626A (zh) * | 2023-06-05 | 2023-08-22 | 吉林农业科技学院 | 连通双注意力多尺度融合语义分割网络 |
CN116645505A (zh) * | 2023-05-12 | 2023-08-25 | 中国地质大学(武汉) | 基于多尺度和级联的神经网络遥感影像语义分割方法 |
CN117274608A (zh) * | 2023-11-23 | 2023-12-22 | 太原科技大学 | 基于空间细节感知和注意力引导的遥感图像语义分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
-
2019
- 2019-06-11 CN CN201910499421.6A patent/CN110197182A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198333A (zh) * | 2013-04-15 | 2013-07-10 | 中国科学院电子学研究所 | 一种高分辨率遥感图像自动语义标记方法 |
CN107016677A (zh) * | 2017-03-24 | 2017-08-04 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
Non-Patent Citations (1)
Title |
---|
WENSHENG CHENG ET AL: "Context Aggregation Network for Semantic Labeling in Aerial Images", 《REMOTE SENSING》 * |
Cited By (90)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675405B (zh) * | 2019-09-12 | 2022-06-03 | 电子科技大学 | 基于注意力机制的one-shot图像分割方法 |
CN110675405A (zh) * | 2019-09-12 | 2020-01-10 | 电子科技大学 | 基于注意力机制的one-shot图像分割方法 |
CN110781850A (zh) * | 2019-10-31 | 2020-02-11 | 深圳金信诺高新技术股份有限公司 | 道路识别的语义分割***和方法、计算机存储介质 |
CN111028253A (zh) * | 2019-11-25 | 2020-04-17 | 北京科技大学 | 一种铁精粉分割方法及分割装置 |
CN111028253B (zh) * | 2019-11-25 | 2023-05-30 | 北京科技大学 | 一种铁精粉分割方法及分割装置 |
CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
CN111179217A (zh) * | 2019-12-04 | 2020-05-19 | 天津大学 | 一种基于注意力机制的遥感图像多尺度目标检测方法 |
CN111127470A (zh) * | 2019-12-24 | 2020-05-08 | 江西理工大学 | 一种基于上下文和浅层空间编解码网络的图像语义分割方法 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
CN111274892A (zh) * | 2020-01-14 | 2020-06-12 | 北京科技大学 | 一种鲁棒的遥感影像变化检测方法及*** |
CN113283270A (zh) * | 2020-02-20 | 2021-08-20 | 京东方科技集团股份有限公司 | 图像处理方法和装置、筛查***、计算机可读存储介质 |
WO2021169852A1 (en) * | 2020-02-26 | 2021-09-02 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for real-time, simultaneous object detection and semantic segmentation |
US11481862B2 (en) | 2020-02-26 | 2022-10-25 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for real-time, simultaneous object detection and semantic segmentation |
CN111368843A (zh) * | 2020-03-06 | 2020-07-03 | 电子科技大学 | 一种基于语义分割的冰上湖提取的方法 |
CN111368843B (zh) * | 2020-03-06 | 2022-06-10 | 电子科技大学 | 一种基于语义分割的冰上湖提取的方法 |
CN111539922B (zh) * | 2020-04-17 | 2023-03-31 | 中山大学 | 基于多任务网络的单目深度估计与表面法向量估计方法 |
CN111539922A (zh) * | 2020-04-17 | 2020-08-14 | 中山大学 | 基于多任务网络的单目深度估计与表面法向量估计方法 |
CN111582104A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感图像语义分割方法及装置 |
CN111626300A (zh) * | 2020-05-07 | 2020-09-04 | 南京邮电大学 | 基于上下文感知的图像语义分割模型及建模方法 |
CN111626300B (zh) * | 2020-05-07 | 2022-08-26 | 南京邮电大学 | 基于上下文感知的图像语义分割模型的图像分割方法及建模方法 |
WO2021232771A1 (zh) * | 2020-05-18 | 2021-11-25 | 中科视语(北京)科技有限公司 | 多任务的目标检测方法、装置、电子设备及存储介质 |
WO2021244621A1 (zh) * | 2020-06-04 | 2021-12-09 | 华为技术有限公司 | 基于全局引导选择性上下文网络的场景语义解析方法 |
CN113761976A (zh) * | 2020-06-04 | 2021-12-07 | 华为技术有限公司 | 基于全局引导选择性上下文网络的场景语义解析方法 |
CN111680695A (zh) * | 2020-06-08 | 2020-09-18 | 河南工业大学 | 一种基于反向注意力模型的语义分割方法 |
CN111798426A (zh) * | 2020-06-30 | 2020-10-20 | 天津大学 | 用于移动端的胃肠道间质瘤中核***象深度学习检测*** |
CN111798426B (zh) * | 2020-06-30 | 2022-09-06 | 天津大学 | 用于移动端的胃肠道间质瘤中核***象深度学习检测*** |
CN111680667A (zh) * | 2020-07-13 | 2020-09-18 | 北京理工大学重庆创新中心 | 一种基于深度神经网络的遥感图像地物分类方法 |
CN111680667B (zh) * | 2020-07-13 | 2022-06-24 | 北京理工大学重庆创新中心 | 一种基于深度神经网络的遥感图像地物分类方法 |
CN111563491A (zh) * | 2020-07-14 | 2020-08-21 | 浙江大华技术股份有限公司 | 利用网络模型对遥感影像进行分割的方法、设备及装置 |
CN111986204B (zh) * | 2020-07-23 | 2023-06-16 | 中山大学 | 一种息肉分割方法、装置及存储介质 |
CN111986204A (zh) * | 2020-07-23 | 2020-11-24 | 中山大学 | 一种息肉分割方法、装置及存储介质 |
CN111860398A (zh) * | 2020-07-28 | 2020-10-30 | 河北师范大学 | 遥感图像目标检测方法、***及终端设备 |
CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
CN112183602A (zh) * | 2020-09-22 | 2021-01-05 | 天津大学 | 一种带有并行卷积块的多层特征融合细粒度图像分类方法 |
CN112232173B (zh) * | 2020-10-12 | 2023-04-07 | 济南博观智能科技有限公司 | 一种行人属性识别方法、深度学习模型、设备及介质 |
CN112232173A (zh) * | 2020-10-12 | 2021-01-15 | 济南博观智能科技有限公司 | 一种行人属性识别方法、深度学习模型、设备及介质 |
CN112287983B (zh) * | 2020-10-15 | 2023-10-10 | 西安电子科技大学 | 一种基于深度学习的遥感图像目标提取***和方法 |
CN112287983A (zh) * | 2020-10-15 | 2021-01-29 | 西安电子科技大学 | 一种基于深度学习的遥感图像目标提取***和方法 |
CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
CN112464745B (zh) * | 2020-11-09 | 2023-07-07 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
CN112528803B (zh) * | 2020-12-03 | 2023-12-19 | 中国地质大学(武汉) | 道路特征提取方法、装置、设备及存储介质 |
CN112528803A (zh) * | 2020-12-03 | 2021-03-19 | 中国地质大学(武汉) | 道路特征提取方法、装置、设备及存储介质 |
CN112633085A (zh) * | 2020-12-08 | 2021-04-09 | 特斯联科技集团有限公司 | 一种基于注意力导向机制的人脸检测方法、***、存储介质及终端 |
CN112541503A (zh) * | 2020-12-11 | 2021-03-23 | 南京邮电大学 | 基于上下文注意力机制和信息融合的实时语义分割方法 |
CN112541503B (zh) * | 2020-12-11 | 2022-08-26 | 南京邮电大学 | 基于上下文注意力机制和信息融合的实时语义分割方法 |
CN112580649B (zh) * | 2020-12-15 | 2022-08-02 | 重庆邮电大学 | 一种基于区域上下文关系模块的语义分割方法 |
CN112580649A (zh) * | 2020-12-15 | 2021-03-30 | 重庆邮电大学 | 一种基于区域上下文关系模块的语义分割方法 |
CN112508960A (zh) * | 2020-12-21 | 2021-03-16 | 华南理工大学 | 一种基于改进注意力机制的低精度图像语义分割方法 |
CN112465820A (zh) * | 2020-12-22 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于语义分割的融合全局上下文信息的水稻病害检测方法 |
CN112614112A (zh) * | 2020-12-24 | 2021-04-06 | 苏州大学 | Mcsli图像中条纹损伤的分割方法 |
CN112614112B (zh) * | 2020-12-24 | 2023-05-12 | 苏州大学 | Mcsli图像中条纹损伤的分割方法 |
CN112989919B (zh) * | 2020-12-25 | 2024-04-19 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
CN112989919A (zh) * | 2020-12-25 | 2021-06-18 | 首都师范大学 | 一种从影像中提取目标对象的方法及*** |
CN112734715A (zh) * | 2020-12-31 | 2021-04-30 | 同济大学 | 一种肺部ct图像的肺结节分割方法 |
CN112784779A (zh) * | 2021-01-28 | 2021-05-11 | 武汉大学 | 一种基于特征金字塔多级特征融合的遥感影像场景分类方法 |
CN112784856A (zh) * | 2021-01-29 | 2021-05-11 | 长沙理工大学 | 胸部x射线图像的通道注意力特征提取方法和识别方法 |
CN112927255A (zh) * | 2021-02-22 | 2021-06-08 | 武汉科技大学 | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 |
CN112927255B (zh) * | 2021-02-22 | 2022-06-21 | 武汉科技大学 | 一种基于上下文注意力策略的三维肝脏影像语义分割方法 |
CN112819837B (zh) * | 2021-02-26 | 2024-02-09 | 南京大学 | 一种基于多源异构遥感影像的语义分割方法 |
CN112819837A (zh) * | 2021-02-26 | 2021-05-18 | 南京大学 | 一种基于多源异构遥感影像的语义分割方法 |
CN112699855A (zh) * | 2021-03-23 | 2021-04-23 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像场景识别方法、装置及电子设备 |
CN113255676A (zh) * | 2021-05-21 | 2021-08-13 | 福州大学 | 基于多源数据融合的高分遥感影像语义分割模型及方法 |
CN113554655A (zh) * | 2021-07-13 | 2021-10-26 | 中国科学院空间应用工程与技术中心 | 基于多特征增强的光学遥感图像分割方法及装置 |
CN113554655B (zh) * | 2021-07-13 | 2021-12-31 | 中国科学院空间应用工程与技术中心 | 基于多特征增强的光学遥感图像分割方法及装置 |
CN113537195A (zh) * | 2021-07-21 | 2021-10-22 | 北京数美时代科技有限公司 | 一种图像文本识别方法、***和电子设备 |
CN114155247A (zh) * | 2021-08-26 | 2022-03-08 | 航天恒星科技有限公司 | 一种高分辨率遥感图像实例分割模型的训练方法及装置 |
CN114155247B (zh) * | 2021-08-26 | 2024-07-12 | 航天恒星科技有限公司 | 一种高分辨率遥感图像实例分割模型的训练方法及装置 |
CN113743300A (zh) * | 2021-09-03 | 2021-12-03 | 中化现代农业有限公司 | 基于语义分割的高分遥感图像云检测方法和装置 |
CN113887373A (zh) * | 2021-09-27 | 2022-01-04 | 中关村科学城城市大脑股份有限公司 | 基于城市智慧体育的并行融合网络的姿态识别方法和*** |
CN113887517B (zh) * | 2021-10-29 | 2024-04-09 | 桂林电子科技大学 | 基于并行注意力机制的农作物遥感图像语义分割方法 |
CN113887517A (zh) * | 2021-10-29 | 2022-01-04 | 桂林电子科技大学 | 基于并行注意力机制的农作物遥感图像语义分割方法 |
CN113936204B (zh) * | 2021-11-22 | 2023-04-07 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN113936204A (zh) * | 2021-11-22 | 2022-01-14 | 安徽师范大学 | 融合地形数据与深度神经网络的高分辨率遥感影像云雪识别方法及装置 |
CN114119997A (zh) * | 2021-11-26 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 图像特征提取模型的训练方法、装置、服务器和存储介质 |
CN114170167B (zh) * | 2021-11-29 | 2022-11-18 | 深圳职业技术学院 | 基于注意力引导上下文校正的息肉分割方法和计算机设备 |
CN114170167A (zh) * | 2021-11-29 | 2022-03-11 | 深圳职业技术学院 | 基于注意力引导上下文校正的息肉分割方法和计算机设备 |
CN114387439B (zh) * | 2022-01-13 | 2023-09-12 | 中国电子科技集团公司第五十四研究所 | 一种基于光学和PolSAR特征融合的语义分割网络 |
CN114387439A (zh) * | 2022-01-13 | 2022-04-22 | 中国电子科技集团公司第五十四研究所 | 一种基于光学和PolSAR特征融合的语义分割网络 |
CN114332800A (zh) * | 2022-03-09 | 2022-04-12 | 西南石油大学 | 一种用于自动驾驶的街道场景解析语义分割方法 |
CN114913325B (zh) * | 2022-03-24 | 2024-05-10 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
CN114913325A (zh) * | 2022-03-24 | 2022-08-16 | 北京百度网讯科技有限公司 | 语义分割方法、装置及计算机程序产品 |
CN116030057B (zh) * | 2023-03-29 | 2023-06-09 | 中国电子科技集团公司第五十四研究所 | 一种基于注意力机制的遥感影像能见度估计方法 |
CN116030057A (zh) * | 2023-03-29 | 2023-04-28 | 中国电子科技集团公司第五十四研究所 | 一种基于注意力机制的遥感影像能见度估计方法 |
CN116645505A (zh) * | 2023-05-12 | 2023-08-25 | 中国地质大学(武汉) | 基于多尺度和级联的神经网络遥感影像语义分割方法 |
CN116258971B (zh) * | 2023-05-15 | 2023-08-08 | 江西啄木蜂科技有限公司 | 一种多源融合的林业遥感影像智能解译方法 |
CN116258971A (zh) * | 2023-05-15 | 2023-06-13 | 江西啄木蜂科技有限公司 | 一种多源融合的林业遥感影像智能解译方法 |
CN116630626A (zh) * | 2023-06-05 | 2023-08-22 | 吉林农业科技学院 | 连通双注意力多尺度融合语义分割网络 |
CN116630626B (zh) * | 2023-06-05 | 2024-04-26 | 吉林农业科技学院 | 连通双注意力多尺度融合语义分割网络 |
CN117274608A (zh) * | 2023-11-23 | 2023-12-22 | 太原科技大学 | 基于空间细节感知和注意力引导的遥感图像语义分割方法 |
CN117274608B (zh) * | 2023-11-23 | 2024-02-06 | 太原科技大学 | 基于空间细节感知和注意力引导的遥感图像语义分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197182A (zh) | 基于上下文信息和注意力机制的遥感影像语义分割方法 | |
CN110738207B (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN111210443B (zh) | 基于嵌入平衡的可变形卷积混合任务级联语义分割方法 | |
CN110175613B (zh) | 基于多尺度特征和编解码器模型的街景图像语义分割方法 | |
CN111310773B (zh) | 一种高效的卷积神经网络的车牌定位方法 | |
Long et al. | Fully convolutional networks for semantic segmentation | |
CN111860233B (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及*** | |
CN112771578B (zh) | 使用细分缩放和深度上缩放的图像生成 | |
CN110929621B (zh) | 一种基于拓扑信息细化的道路提取方法 | |
CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
CN114648684A (zh) | 一种用于图像目标检测的轻量级双分支卷积神经网络及其检测方法 | |
WO2023030182A1 (zh) | 图像生成方法及装置 | |
CN113903022B (zh) | 基于特征金字塔与注意力融合的文本检测方法及*** | |
CN114049280A (zh) | 图像消除修复方法及其装置、设备、介质、产品 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN115311555A (zh) | 一种基于批风格混合的遥感影像建筑物提取模型泛化方法 | |
CN111860683A (zh) | 一种基于特征融合的目标检测方法 | |
CN113034506A (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
CN116612283A (zh) | 一种基于大卷积核骨干网络的图像语义分割方法 | |
CN115527113A (zh) | 一种遥感图像裸土地分类方法及装置 | |
CN116863194A (zh) | 一种足溃疡图像分类方法、***、设备及介质 | |
CN116310325A (zh) | 一种从patch到region架构的大幅面遥感影像语义分割方法 | |
CN115830592A (zh) | 一种重叠宫颈细胞分割方法及*** | |
CN112580382B (zh) | 基于目标检测二维码定位方法 | |
CN109583584B (zh) | 可使具有全连接层的cnn接受不定形状输入的方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |