CN111597861A - 遥感影像地物自动解译***及方法 - Google Patents
遥感影像地物自动解译***及方法 Download PDFInfo
- Publication number
- CN111597861A CN111597861A CN201910128490.6A CN201910128490A CN111597861A CN 111597861 A CN111597861 A CN 111597861A CN 201910128490 A CN201910128490 A CN 201910128490A CN 111597861 A CN111597861 A CN 111597861A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- ground
- data
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000013135 deep learning Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000005012 migration Effects 0.000 abstract description 5
- 238000013508 migration Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
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)
- Image Processing (AREA)
Abstract
本发明提供了一种遥感影像地物自动解译***及方法。该***包括:样本自动化采集服务,结合地图数据的地物类别随机采集样本标签数据,按照深度学***台进行模型训练并生成最优预测模型;地物分类服务,用于根据所述最优预测模型从遥感影像中获取地物分类结果;分类后处理服务,用于对所述地物分类结果进行后续处理。本发明采用服务容器化的技术架构,减少了***耦合程度,方便***升级、迁移部署,使得遥感影像地物自动化解译的工程化应用易于实现。
Description
技术领域
本发明涉及遥感技术领域,特别地,涉及一种基于深度学习的遥感影像地物自动解译***和方法。
背景技术
从遥感影像中获取地物信息的手段包括人工解译和计算机自动分类两种,人工解译具有解译速度慢、精度高等特点,是工程化应用主要手段,计算机自动分类具有解译速度快、精度低的特点,是工程化应用的辅助手段;随着对地观测技术的不断发展,遥感数据急剧增加,利用遥感影像对地物进行自动分类从理论研究逐渐走向工程化应用。
随着深度学习技术的理论突破,人工智能取得了令人瞩目的成绩,利用深度学习进行遥感影像地物分类逐渐成为研究热点,深度学习与传统自动分类技术相比有以下特点:第一、分类精度高,单个地物分类精度最高可达到95%;第二、分类结果中地物边界锯齿感不明显,局部更接近于地物分布规律;第三、深度学习自动进行特征学习,不需要人工筛选特征波段作为分类数据源。
但是在遥感影像地物自动分类的工程化应用中,使用深度学***台应用处理过程复杂,对人员的专业能力要求较高。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,根据本发明的第一方面,提供了一种遥感影像地物自动解译***,其特征在于,包括:
样本自动化采集服务,用于结合地图数据的地物类别属性随机采集样本标签数据,按照深度学习平台要求从遥感影像中获取样本标签对应的影像瓦片,并基于所述影像瓦片生成样本数据;
模型训练服务,用于接收所述样本数据,利用深度学习平台进行模型训练并生成最优预测模型;
地物分类服务,用于根据所述最优预测模型从遥感影像中获取地物分类结果;
分类后处理服务,用于对所述地物分类结果进行后续处理。
进一步地,所述样本自动化采集服务基于开源地图和地图瓦片技术采集样本标签数据,从遥感影像中采集样本标签对应的影像瓦片。
进一步地,所述深度学习平台要求的样本数据格式包括真彩色图像、地物类别描述文件、遥感影像瓦片和训练验证统计文件。
进一步地,在所述模型训练服务中将全卷积神经网络fcnn算法集成深度学习平台。
进一步地,所述后续处理包括地物分类结果矢量化转换以及与GIS平台的集成和展示。
根据本发明的第二方面,提供了一种遥感影像地物自动解译方法,其特征在于,由根据第一方面所述的***执行。
进一步地,所述样本自动化采集步骤包括:
从开源地图中剪裁出感兴趣区域的矢量地图瓦片;
按照随机性算法,在感兴趣区域内选择M个地图矢量瓦片,并生成瓦片描述文件;
基于地图矢量瓦片的地物属性信息,生成每个瓦片对应的真彩色图像和灰度图像;
参照所述瓦片描述文件,从遥感影像中提取每个矢量瓦片对应的影像瓦片;
删除遥感影像和真彩色图像的同名文件中地物不一致的文件;
将全部样本数据集按预定比例分配到训练、验证、测试阶段,并存储在训练验证统计文件中。
进一步地,所述模型训练步骤包括:
接收预训练模型的选择、样本数据以及迭代次数、步长参数的输入,由深度学***台集成了全卷积神经网络fcnn算法;
根据训练过程中的反馈结果不断调整参数,当分类精度超过阈值时完成训练,生成最优预测模型。
进一步地,所述地物分类步骤包括:
将一副遥感影像进行瓦片化处理生成遥感影像瓦片;
基于遥感影像瓦片,利用所述最优预测模型推导获取多个地物分类子数据;
将多个地物分类子数据拼接生成一个完整图片,作为地物分类结果。
进一步地,所述分类后处理步骤包括:
将所述地物分类结果进行矢量化处理,生成矢量化地物分类数据;
剔除所述矢量化地物分类数据中的碎片化多边形,生成合并后的矢量数据;
将所述合并后的矢量数据与最新遥感影像地图叠加,使用矢量编辑工具修改与所述最新遥感影像中不符的地物数据。
将所述修改后的矢量数据发布成标准的瓦片,发布到GIS平台上进行可视化展示。
本发明采用服务容器化的技术架构,减少了***耦合程度,方便***升级、迁移部署;结合开源地图和瓦片技术实现了样本采集的自动化,为大规模的开展深度学***台应用的流程化处理问题,从而使得遥感影像地物自动化解译的工程化应用易于实现。
本发明的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明的遥感影像地物自动解译***的结构图;
图2是根据本发明的遥感影像地物自动解译方法的流程图;
图3是根据本发明的一个实施例的遥感影像地物自动解译过程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
参考图1,其示出了根据本发明的一种遥感影像地物自动解译***。本发明采用服务化的技术架构,将服务进行容器化的封装,生成样本自动化采集服务11、模型训练服务12、地物分类服务13和分类后处理服务14。
样本自动化采集服务11结合地图数据的地物类别属性随机采集样本标签数据,按照深度学习平台要求从遥感影像中获取样本标签对应的影像瓦片,并基于所述影像瓦片生成样本数据;
进一步地,所述样本自动化采集服务11基于开源地图和地图瓦片技术生成训练样本数据,样本数据内容包括真彩色图像、地物类别描述文件、遥感影像瓦片和训练验证统计文件。
模型训练服务12用于接收样本数据,利用深度学习平台进行模型训练并生成最优预测模型;
进一步地,在所述模型训练服务12中全卷积神经网络fcnn算法与深度学***台例如为Caffe平台。
地物分类服务13用于根据所述最优预测模型从遥感影像中获取地物分类结果;
分类后处理服务14用于对所述地物分类结果进行后续处理。
进一步地,所述后续处理包括地物分类结果矢量化转换以及与GIS平台的集成和展示。
参考图2,其示出了根据本发明的一种遥感影像地物自动解译方法,该方法由参考图1所述的***执行,所述方法包括:
S21、样本自动化采集步骤:随机选择地图上的若干区域,按照深度学习平台要求的样本数据格式生成样本数据;
具体地,所述步骤S21包括:
从开源地图中剪裁出感兴趣区域的矢量地图瓦片;
按照随机性算法,在感兴趣区域内选择M个地图矢量瓦片,并生成瓦片描述文件;M可选地为50000。
基于地图矢量瓦片的地物属性信息,生成每个瓦片对应的真彩色图像和灰度图像;
参照所述瓦片描述文件,从遥感影像中提取每个矢量瓦片对应的影像瓦片;
删除遥感影像和真彩色图像的同名文件中地物不一致的文件;
将全部样本数据集按预定比例分配到训练、验证、测试阶段,并存储在训练验证统计文件中。
S22、模型训练步骤:接收样本数据,利用深度学习平台进行模型训练并生成最优预测模型;
具体地,所述步骤S22包括:
接收预训练模型的选择、样本数据以及迭代次数、步长参数的输入,由深度学***台集成了全卷积神经网络fcnn算法;
根据训练过程中的反馈结果不断调整参数,当分类精度超过阈值时完成训练,生成最优预测模型。
S23、地物分类步骤:根据所述最优预测模型从遥感影像中获取地物分类结果;
具体地,所述步骤S23包括:
将一副遥感影像进行瓦片化处理生成遥感影像瓦片;
基于遥感影像瓦片,利用所述最优预测模型推导获取多个地物分类子数据;
将多个地物分类子数据拼接生成一个完整图片,作为地物分类结果。
S24、分类后处理步骤:对所述地物分类结果进行后续处理。
具体地,所述步骤S24包括:
将所述地物分类结果进行矢量化处理,生成矢量化地物分类数据;
剔除所述矢量化地物分类数据中的碎片化多边形,生成合并后的矢量数据;
将所述合并后的矢量数据与最新遥感影像地图叠加,使用矢量编辑工具修改与所述最新遥感影像中不符的地物数据后进行展示。
参考图3,其示出了根据本发明的一个实施例的遥感影像地物自动解译过程。基于深度学习的遥感影像地物自动解译***采用服务容器化的技术架构,减少***耦合程度,方便***升级、迁移部署,处理过程包括自动化采集、模型训练、地物分类、分类后处理四部分,每部分都是一个容器化的服务。
样本自动化采集被封装为brain-data服务,主要基于开源地图和地图瓦片技术随机选择地图上的若干区域,每个区域就是一个标准的512*512像素大小的地图瓦片,存储为一个栅格化的图像和描述文件。模型训练在caffe平台(一种深度学***台的集成和展示。
其中,brain-data服务实现样本自动化采集,包括:
下载开源地图的全球矢量数据,输入区域范围作为样本采集的感兴趣区域;
设置地图瓦片的采集规则,明确需要采集的地物类别,可选地,瓦片大小为512*512像素或者256*256像素,每次采集尽量保持在1-3种地物;在感兴趣区域内随机选择50000个地图矢量瓦片,根据用户配置自动完成采集,并生成瓦片描述文件,描述采集样本的瓦片信息;
基于地图矢量瓦片,生成每个瓦片对应的真彩色图像和灰度图像,作为训练样本的标签,真彩色图像中能清晰的看到地物分布,而深度卷积神经网络的样本输入必须是灰度图像;
参照瓦片描述文件,从原始遥感影像或者将遥感影像瓦片化后得到的遥感影像图中提取每个矢量瓦片对应的影像瓦片;
接收操作指令,对于相同文件名的真彩色图像和遥感影像瓦片,删除同名文件中地物不一致的文件,以避免错误的训练样本标记对模型训练的影响,可由人工逐一对照真彩色图像和遥感影像瓦片并发出操作指令;
将全部训练样本数据集按2:2:1比例分配到训练、验证、测试阶段,并存储在一个描述性文件中。
brain-train服务实现模型训练,包括:
接收预训练模型(在COCO数据集上预训练)的选择,输入的样本数据、迭代次数、步长等参数,执行模型训练;
接收对参数的调整,该调整是由用户观察训练过程中的曲线,并根据反馈结果不断调整的;当分类精度经过超过阈值,即用户心理预期值(用户可接受的自动分类精度),则完成最终的机器训练,生成最优预测模型。
brain-run服务实现地物分类,包括:
输入需要分类的一副遥感影像,进行瓦片化处理,生成标准瓦片大小为512*512像素的遥感影像瓦片;
使用上述最优预测模型对生成的遥感影像瓦片进行地物分类预测,输出地物分类子数据,该地物分类子数据为栅格化图片;
将生成的多个地物分类子数据的图片拼接生成一个完整图片,作为地物分类结果。
brain-mapping服务实现分类后处理,包括:
将地物分类结果的完整图片进行矢量化处理,生成矢量化地物分类数据;
设置最小多边形阈值,将面积不足的多边形合并到周围多边形中,剔除碎片化多边形,生成合并后的矢量数据;
将矢量数据与最新遥感影像地图叠加后,用户使用矢量编辑工具,将地物分类结果与遥感影像不符的区域进行修改调整,并展示;
此外,brain-mapping服务还可以随机采集若干自动分类后的矢量数据,与开源矢量数据进行对比,求取自动分类的最终分类精度。
将所述修改后的矢量数据发布成标准的瓦片,发布到GIS平台上进行可视化展示。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中。以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种遥感影像地物自动解译***,其特征在于,包括:
样本自动化采集服务,用于结合地图数据的地物类别属性随机采集样本标签数据,按照深度学习平台要求从遥感影像中获取样本标签对应的影像瓦片,并基于所述影像瓦片生成样本数据;
模型训练服务,用于接收样本数据,利用深度学习平台进行模型训练并生成最优预测模型;
地物分类服务,用于根据所述最优预测模型从遥感影像中获取地物分类结果;
分类后处理服务,用于对所述地物分类结果进行后续处理。
2.根据权利要求1所述的***,其特征在于,所述样本自动化采集服务基于开源地图和地图瓦片技术获取样本标签,从遥感影像中采集样本标签对应的影像瓦片。
3.根据权利要求1或2所述的***,其特征在于,所述深度学习平台要求的样本数据格式包括真彩色图像、地物类别描述文件、遥感影像瓦片和训练验证统计文件。
4.根据权利要求1所述的***,其特征在于,在所述模型训练服务中将全卷积神经网络fcnn算法集成在深度学习平台。
5.根据权利要求1所述的***,其特征在于,所述后续处理包括地物分类结果矢量化转换以及与GIS平台的集成和展示。
6.一种遥感影像地物自动解译方法,其特征在于,由根据权利要求1-5中任一所述的***执行,所述方法包括:
样本自动化采集步骤:结合地图数据的地物类别属性随机采集样本标签数据,按照深度学习平台要求从遥感影像中获取样本标签对应的影像瓦片,并基于所述影像瓦片生成样本数据;
模型训练步骤:接收样本数据,利用深度学习平台进行模型训练并生成最优预测模型;
地物分类步骤:根据所述最优预测模型从遥感影像中获取地物分类结果;
分类后处理步骤:对所述地物分类结果进行后续处理。
7.根据权利要求6所述的方法,其特征在于,所述样本自动化采集步骤包括:
从开源地图中剪裁出感兴趣区域的矢量地图瓦片;
按照随机性算法,在感兴趣区域内选择M个地图矢量瓦片,并生成瓦片描述文件;
基于地图矢量瓦片的地物属性信息,生成每个瓦片对应的真彩色图像和灰度图像;
参照所述瓦片描述文件,从遥感影像中提取每个矢量瓦片对应的影像瓦片;
删除遥感影像和真彩色图像的同名文件中地物不一致的文件;
将全部样本数据集按2:1:1比例分配到训练、验证、测试阶段,并将分配规则存储在训练验证统计文件中。
8.根据权利要求7所述的方法,其特征在于,所述模型训练步骤包括:
接收预训练模型的选择、样本数据以及迭代次数、步长参数的输入,由深度学***台集成了全卷积神经网络fcnn算法;
根据训练过程中的反馈结果不断调整参数,当分类精度超过阈值时完成训练,生成最优预测模型。
9.根据权利要求8所述的方法,其特征在于,所述地物分类步骤包括:
将一副遥感影像进行瓦片化处理生成遥感影像瓦片;
基于遥感影像瓦片,利用所述最优预测模型推导获取多个地物分类子数据;
将多个地物分类子数据拼接生成一个完整图片,作为地物分类结果。
10.根据权利要求9所述的方法,其特征在于,所述分类后处理步骤包括:
将所述地物分类结果进行矢量化处理,生成矢量化地物分类数据;
剔除所述矢量化地物分类数据中的碎片化多边形,生成合并后的矢量数据;
将所述合并后的矢量数据与最新遥感影像地图叠加,使用矢量编辑工具修改与所述最新遥感影像中不符的地物数据;
将所述修改后的矢量数据发布成标准的瓦片,发布到GIS平台上进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128490.6A CN111597861A (zh) | 2019-02-21 | 2019-02-21 | 遥感影像地物自动解译***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910128490.6A CN111597861A (zh) | 2019-02-21 | 2019-02-21 | 遥感影像地物自动解译***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597861A true CN111597861A (zh) | 2020-08-28 |
Family
ID=72184816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910128490.6A Pending CN111597861A (zh) | 2019-02-21 | 2019-02-21 | 遥感影像地物自动解译***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597861A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101464A (zh) * | 2020-09-17 | 2020-12-18 | 西安泽塔云科技股份有限公司 | 基于深度学习的影像样本数据的获取方法和装置 |
CN112329751A (zh) * | 2021-01-06 | 2021-02-05 | 北京道达天际科技有限公司 | 一种基于深度学习的多尺度遥感影像目标识别***及方法 |
CN112906537A (zh) * | 2021-02-08 | 2021-06-04 | 北京艾尔思时代科技有限公司 | 一种基于卷积神经网络的农作物识别方法及*** |
CN113034025A (zh) * | 2021-04-08 | 2021-06-25 | 成都国星宇航科技有限公司 | 一种遥感图像标注***和方法 |
CN113158855A (zh) * | 2021-04-08 | 2021-07-23 | 成都国星宇航科技有限公司 | 一种基于在线学习的遥感图像辅助处理方法和装置 |
CN113496220A (zh) * | 2021-09-07 | 2021-10-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 影像处理方法、***、计算机可读存储介质 |
CN115690593A (zh) * | 2022-03-31 | 2023-02-03 | 中国科学院空天信息创新研究院 | 一种土地分类方法、装置和云服务器 |
CN115965622A (zh) * | 2023-02-15 | 2023-04-14 | 航天宏图信息技术股份有限公司 | 一种遥感瓦片数据的变化检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN108921025A (zh) * | 2018-06-01 | 2018-11-30 | 苏州中科天启遥感科技有限公司 | 一种协同变化检测的对象级分类样本自动选择方法 |
CN109033998A (zh) * | 2018-07-04 | 2018-12-18 | 北京航空航天大学 | 基于注意力机制卷积神经网络的遥感影像地物标注方法 |
CN109189870A (zh) * | 2018-07-23 | 2019-01-11 | 樊东晓 | 一种监控辅助应用*** |
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
- 2019-02-21 CN CN201910128490.6A patent/CN111597861A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564587A (zh) * | 2018-03-07 | 2018-09-21 | 浙江大学 | 一种基于全卷积神经网络的大范围遥感影像语义分割方法 |
CN108921025A (zh) * | 2018-06-01 | 2018-11-30 | 苏州中科天启遥感科技有限公司 | 一种协同变化检测的对象级分类样本自动选择方法 |
CN109033998A (zh) * | 2018-07-04 | 2018-12-18 | 北京航空航天大学 | 基于注意力机制卷积神经网络的遥感影像地物标注方法 |
CN109189870A (zh) * | 2018-07-23 | 2019-01-11 | 樊东晓 | 一种监控辅助应用*** |
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 |
---|
杨柯: "基于ENVI的遥感图像自动解译分类结果优化", 《世界有色金属》, no. 18, 16 October 2016 (2016-10-16), pages 130 - 131 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101464A (zh) * | 2020-09-17 | 2020-12-18 | 西安泽塔云科技股份有限公司 | 基于深度学习的影像样本数据的获取方法和装置 |
CN112101464B (zh) * | 2020-09-17 | 2024-03-15 | 西安锐思数智科技股份有限公司 | 基于深度学习的影像样本数据的获取方法和装置 |
CN112329751A (zh) * | 2021-01-06 | 2021-02-05 | 北京道达天际科技有限公司 | 一种基于深度学习的多尺度遥感影像目标识别***及方法 |
CN112906537A (zh) * | 2021-02-08 | 2021-06-04 | 北京艾尔思时代科技有限公司 | 一种基于卷积神经网络的农作物识别方法及*** |
CN112906537B (zh) * | 2021-02-08 | 2023-12-01 | 北京艾尔思时代科技有限公司 | 一种基于卷积神经网络的农作物识别方法及*** |
CN113034025A (zh) * | 2021-04-08 | 2021-06-25 | 成都国星宇航科技有限公司 | 一种遥感图像标注***和方法 |
CN113158855A (zh) * | 2021-04-08 | 2021-07-23 | 成都国星宇航科技有限公司 | 一种基于在线学习的遥感图像辅助处理方法和装置 |
CN113034025B (zh) * | 2021-04-08 | 2023-12-01 | 成都国星宇航科技股份有限公司 | 一种遥感图像标注***和方法 |
CN113496220A (zh) * | 2021-09-07 | 2021-10-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 影像处理方法、***、计算机可读存储介质 |
CN115690593A (zh) * | 2022-03-31 | 2023-02-03 | 中国科学院空天信息创新研究院 | 一种土地分类方法、装置和云服务器 |
CN115965622A (zh) * | 2023-02-15 | 2023-04-14 | 航天宏图信息技术股份有限公司 | 一种遥感瓦片数据的变化检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597861A (zh) | 遥感影像地物自动解译***及方法 | |
JP7011146B2 (ja) | 画像処理装置、画像処理方法、画像処理プログラム、及び教師データ生成方法 | |
US20210216792A1 (en) | System and method for instance-level lane detection for autonomous vehicle control | |
CN105930841A (zh) | 对图像进行自动语义标注的方法、装置与计算机设备 | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
CN109190631A (zh) | 图片的目标对象标注方法及装置 | |
WO2011023247A1 (en) | Generating raster image representing road existence probability based on probe measurements | |
WO2011023245A1 (en) | Realigning road networks in a digital map based on reliable road existence probability data | |
CN111062441A (zh) | 基于自监督机制和区域建议网络的场景分类方法及装置 | |
Marangoz et al. | Analysis of land use land cover classification results derived from sentinel-2 image | |
CN112329751A (zh) | 一种基于深度学习的多尺度遥感影像目标识别***及方法 | |
CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及*** | |
CN111612891A (zh) | 模型生成方法、点云数据处理方法、装置、设备及介质 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及*** | |
CN113033516A (zh) | 对象识别统计方法及装置、电子设备、存储介质 | |
CN108229515A (zh) | 高光谱图像的对象分类方法和装置、电子设备 | |
KR20150108241A (ko) | 빠르고 자연스러운 지형 생성 방법 및 그 장치 | |
CN117252988A (zh) | 图像数据的处理方法、设备及计算机可读存储介质 | |
CN112884074B (zh) | 基于决策树的图像设计方法、设备、存储介质及装置 | |
CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 | |
CN107045727A (zh) | 一种纹理合成方法及其装置 | |
CN114419057A (zh) | 一种基于图像的路面分割方法及*** | |
CN114140551A (zh) | 一种基于轨迹图像的高速道路分歧合流点推测方法及*** | |
CN114299460A (zh) | 隧道中步道的提取方法、装置、计算机设备、存储介质 |
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 |