CN111738972B - 建筑检测***、方法和装置 - Google Patents

建筑检测***、方法和装置 Download PDF

Info

Publication number
CN111738972B
CN111738972B CN201910211703.1A CN201910211703A CN111738972B CN 111738972 B CN111738972 B CN 111738972B CN 201910211703 A CN201910211703 A CN 201910211703A CN 111738972 B CN111738972 B CN 111738972B
Authority
CN
China
Prior art keywords
building
new building
moment
image data
sub
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.)
Active
Application number
CN201910211703.1A
Other languages
English (en)
Other versions
CN111738972A (zh
Inventor
陈伟涛
王洪彬
李�昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201910211703.1A priority Critical patent/CN111738972B/zh
Publication of CN111738972A publication Critical patent/CN111738972A/zh
Application granted granted Critical
Publication of CN111738972B publication Critical patent/CN111738972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了建筑检测***、方法、装置及装置。其中，建筑检测方法包括：获取待检测区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。采用这种处理方式，基于深度学习方法对遥感影像中的新增建筑进行检测，能够自动地在涉及广阔区域的遥感影像中，从各个复杂的场景中检测出新增建筑；因此，可以有效提升新增建筑检测召回率和准确率，同时提升检测效率。

Description

建筑检测***、方法和装置
技术领域
本申请涉及遥感图像处理技术领域，具体涉及建筑检测***、方法和装置，以及新增建筑检测设备。
背景技术
通过遥感影像分析了解土地的使用情况对国土部门具有重大的意义，其中对新增建筑的及时检测，可保证时效性的基础上确定违章建筑的位置，对耕地的保护，城市的建设管理都具有较大意义。
目前，常用的检测某区域新增加建筑物的方式主要是人工检测方式，或是通过智能化影像分析软件进行自动检测的方式。其中通过智能化影像分析软件进行检测的处理过程如下所述。首先，基于矢量的分类方法，利用原有建筑物矢量文件将原有建筑物提取出来，可采用assign class算法；利用DTM和DSM文件，将未分类中所有高度高于2米的物体提取出来，命名为升高的对象(Elevated object)，此时的Elevated object中包含新增加的建筑物和高度高于2米的树木；通过NDVI将Elevated object细分为新建筑和树，可采用分类(classification)算法,如将NDVI的值取0.03，大于0.03为树,小于0.03为新建筑；利用合并、去除小面积和区域规范化算法，将新建筑和树进行分类后处理，至此将新增加的建筑物提取出来；最后，还可将提取的新增加的建筑物导出为矢量文件。
然而，在实现本发明过程中，发明人发现上述技术方案至少存在如下问题：1)上述人工检测方式需要大量时间、大量人力对遥感影像进行对比分析，因此导致人工成本高且检测效率低，同时由于检测结果与检测人员的专业经验有关，因此无法保证检测召回率和准确率；2)上述自动检测方式同样存在检测召回率和准确率有待提高的问题。
发明内容
本申请提供建筑检测方法，以解决现有技术存在的新增建筑检测召回率和准确率较低的问题。本申请另外建筑检测装置和***，以及建筑检测设备。
本申请提供一种建筑检测方法，包括：
获取待检测区域的第一时刻图像数据和第二时刻图像数据；
通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；
通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
可选的，所述新增建筑检测模型包括：至少一个新增建筑特征提取子网络，至少一个第一新增建筑预测子网络，以及第二新增建筑预测子网络；
通过所述至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；
通过所述至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；
通过所述第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定所述新增建筑位置。
可选的，所述新增建筑特征提取子网络的输入数据包括与其相邻的前一个新增建筑特征提取子网络输出的前一个深度等级的新增建筑特征。
可选的，还包括：
将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据；
针对各个子区域，通过所述至少一个新增建筑特征提取子网络，从所述第一时刻子图像数据和第二时刻子图像数据中提取所述至少一个深度等级的新增建筑特征；
通过所述至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；
通过所述第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定与所述子区域对应的新增建筑位置。
可选的，还包括：
获取包括新增建筑位置标注信息的训练数据集；
构建神经网络；所述神经网络包括所述新增建筑特征提取子网络和新增建筑预测子网络；
根据所述训练数据集训练所述神经网络。
本申请还提供一种建筑检测***，包括：
客户端，用于向网页服务模块发送针对目标区域的新增建筑检测请求；以及，接收所述网页服务模块回送的所述目标区域的包括新增建筑位置标识的影像，显示所述影像；
网页服务模块，用于接收所述请求，向新增建筑检测模块发送新增建筑检测指令；以及，接收文件传输服务模块发送的新增建筑位置数据；根据所述新增建筑位置数据生成所述影像，向所述客户端回送所述影像；
新增建筑检测模块，用于根据所述指令获取所述目标区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述目标区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述目标区域在第一时刻相对第二时刻的新增建筑位置；向文件传输服务模块发送新增建筑位置数据文件；
文件传输服务模块，用于接收所述新增建筑位置数据文件，将新增建筑位置数据发送至所述网页服务模块。
可选的，所述新增建筑检测模块，具体用于将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据；针对各个子区域，通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻子图像数据和第二时刻子图像数据中提取所述子区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；通过所述模型包括的至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定与所述子区域对应的新增建筑位置。
本申请还提供一种建筑检测设备，包括：
网页服务模块，用于接收客户端发送的针对目标区域的新增建筑检测请求，向新增建筑检测模块发送新增建筑检测指令；以及，接收文件传输服务模块发送新增建筑位置数据；根据所述新增建筑位置数据生成所述目标区域的包括新增建筑位置标识的影像，向所述客户端回送所述影像；
新增建筑检测模块，用于根据所述指令获取所述目标区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述目标区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述目标区域在第一时刻相对第二时刻的新增建筑位置；向文件传输服务模块发送新增建筑位置数据文件；
文件传输服务模块，用于接收所述新增建筑位置数据文件，将新增建筑位置数据发送至所述网页服务模块。
本申请还提供一种建筑检测装置，包括：
图像数据获取单元，用于获取待检测区域的第一时刻图像数据和第二时刻图像数据；
特征提取单元，用于通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；
新增建筑位置确定单元，用于通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
可选的，所述新增建筑检测模型包括：至少一个新增建筑特征提取子网络，与所述至少一个新增建筑特征提取子网络分别对应的至少一个第一新增建筑预测子网络，以及第二新增建筑预测子网络；
所述特征提取单元，具体用于通过所述至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述至少一个层级的新增建筑特征；
所述新增建筑位置确定单元包括第一子单元和第二子单元；
所述第一子单元，用于通过所述至少一个第一新增建筑预测子网络，根据所述至少一个层级的新增建筑特征获取与至少一个层级分别对应的新增建筑得分；
所述第二子单元，用于通过所述第二新增建筑预测子网络，根据与至少一个层级分别对应的新增建筑得分，确定所述新增建筑位置。
可选的，还包括：
图像分割单元，用于将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各种方法。
本申请还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种方法。
与现有技术相比，本申请具有以下优点：
本申请实施例提供的建筑检测方法，通过获取待检测区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置；这种处理方式，使得基于深度学习方法对遥感影像中的新增建筑进行检测，能够自动地在涉及广阔区域的遥感影像中，从各个复杂的场景中检测出新增建筑；因此，可以有效提升新增建筑检测召回率和准确率，同时提升检测效率。
附图说明
图1是本申请提供的一种建筑检测方法的实施例的流程图；
图2a是本申请提供的一种建筑检测方法的实施例的第一时刻影像图；
图2b是本申请提供的一种建筑检测方法的实施例的第二时刻影像图；
图3是本申请提供的一种建筑检测方法的实施例的模型示意图；
图4a是本申请提供的一种建筑检测方法的实施例的比对结果图；
图4b是本申请提供的一种建筑检测方法的实施例的比对结果可视化图；
图5是本申请提供的一种建筑检测方法的实施例的模型效果比对图；
图6是本申请提供的一种建筑检测方法的实施例的具体流程图；
图7是本申请提供的一种建筑检测方法的实施例的模型生成流程图；
图8是本申请提供的一种建筑检测装置的实施例的示意图；
图9是本申请提供的一种建筑检测装置的实施例的具体示意图；
图10是本申请提供的建筑检测***的实施例的示意图；
图11是本申请提供的建筑检测***的实施例的交互示意图；
图12是本申请提供的建筑检测设备的实施例的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
在本申请中，提供了建筑检测***、方法和装置，以及新增建筑检测设备。在下面的实施例中逐一对各种方案进行详细说明。
本申请提供的技术方案，其核心的技术思想为：基于深度学习解决遥感影像新增建筑的自动检测问题，具体是通过基于神经网络的新增建筑检测模型，从待检测区域的第一时刻图像数据和第二时刻图像数据中提取待检测区域在第一时刻相对第二时刻的新增建筑特征，并根据提取出的新增建筑特征确定待检测区域在第一时刻相对第二时刻的新增建筑位置。由于基于深度学习方法对遥感影像中的新增建筑进行检测，能够自动地在涉及广阔区域的遥感影像中，从各个复杂的场景中检测出新增建筑；因此，可以有效提升新增建筑检测召回率和准确率，同时提升检测效率。
第一实施例
请参考图1，其为本申请提供的一种建筑检测方法实施例的流程图，该方法的执行主体包括建筑检测装置。本申请提供的一种建筑检测方法包括：
步骤S101：获取待检测区域的第一时刻图像数据和第二时刻图像数据。
所述图像数据包括通过遥感技术对待检测区域观测得到的遥感数据，根据该数据显示的遥感影像图如图2所示。具体实施时，可从遥感技术平台获取卫星数据、由遥感仪器以及信息接受、处理与分析。
所述第一时刻是相对第二时刻的较晚时刻，如第一时刻为2018/12/1，第二时刻2018/11/1等等。图2a和图2b分别示出了本实施例的第一时刻图像数据和第二时刻图像数据。
在本实施例中，根据所述第一时刻图像数据和第二时刻图像数据各自对应的URL地址，分别下载得到所述第一时刻图像数据和第二时刻图像数据。
在获取待检测区域的第一时刻图像数据和第二时刻图像数据后，就可以进入下一步骤通过新增建筑检测模型进行新增建筑特征提取。
步骤S103：通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征。
所述新增建筑检测模型，可以是一个编解码的结构，包括编码部分的新增建筑特征提取子网络，以及解码部分的新增建筑预测子网络。其中，新增建筑特征提取子网络用于从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
所述新增建筑，可以是在第二时刻后且在第一时刻前的某个时刻建造的建筑，在该中间时刻建造的建筑对第一时刻而言实际上是已有建筑；所述新增建筑，也可以是在第一时刻建造完成的建筑，甚至还可以是在第一时刻处于建造过程中的建筑。无论新增建筑属于上述哪种情况，该新增建筑在第二时刻图像数据中并不存在，而在第一时刻图像数据中存在，新增建筑可体现出第一时刻相对第二时刻的建筑变化情况。
所述模型的输入数据，包括所述第一时刻图像数据和第二时刻图像数据，例如，图像数据为包括112*112像素点的RGB图像数据，则模型的输入数据的维度112*112*3*2，其中3表示三种颜色，2表示两个时刻。在本实施例中，把不同时间的比对图像在通道维度合成作为输入，相应的第一个卷积层输入通道数也由单图的通道数增加成双图的通道数。通过新增建筑特征提取子网络，可对这两个图像数据进行非线性变换后得到新增建筑特征，该新增建筑特征的维度可低于新增建筑特征提取子网络输入层的图像数据维度。所述新增建筑特征提取子网络，可包括多个卷积层和池化层等等。
请参考图3，其为本申请提供的一种建筑检测方法实施例的新增建筑检测模型示意图。在本实施例中，所述新增建筑检测模型包括：至少一个新增建筑特征提取子网络，与所述至少一个新增建筑特征提取子网络分别对应的至少一个第一新增建筑预测子网络，以及第二新增建筑预测子网络。其中，通过所述至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征。所述新增建筑特征提取子网络的输入数据包括与其相邻的前一个新增建筑特征提取子网络输出的前一个深度等级的新增建筑特征。相较于前一个深度等级的新增建筑特征，后一个深度等级的新增建筑特征是更深层表达的新增建筑特征，也可以称为深度的新增建筑特征。由此可见，本实施例利用深度学习算法对遥感影像中的新增建筑进行检测。
在本实施例中，编码部分的第一层是一个卷积核大小为1x1的卷积层，该层的输入通道为两张比对图像(第一时刻图像数据和第二时刻图像数据)通道之和。接下来，是5个相似的模块，即5个新增建筑特征提取子网络，不同特征提取子网络抽取出不同深度的新增建筑特征。每个特征提取子网络又由若干加了批处理归一化并激活和池化的卷积层组成，每个卷积层的卷积核大小都是3x3，但不同的特征提取子网络的输出通道数并不相同。其中，第一个特征提取子网络由2个输出通道数为32的卷积层串联组成，第二个特征提取子网络由2个输出通道数为64的卷积层组成，第三个特征提取子网络由3个输出通道数为128的卷积层组成，第四个特征提取子网络由3个输出通道数为256的卷积层组成，第五个特征提取子网络由3个输出通道数为512的卷积层组成，每个特征提取子网络的输入数据为上一个特征提取子网络的池化层输出数据，由此提取出深度逐级增加的新增建筑特征，根据深层表达的新增建筑特征确定新增建筑位置，可以有效提升新增建筑召回率及准确率。
需要说明的是，可根据检测准确率和召回率的具体需求，确定新增建筑特征提取子网络的数量，新增建筑特征提取子网络的数量越小，也就是说深度等级的数量越少，则检测准确率和召回率越低。
在提取出待检测区域在第一时刻相对第二时刻的新增建筑特征后，就可以进入下一步通过新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
步骤S105：通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
新增建筑检测模型可预测出待检测区域的图像数据中每一个像素点属于新增建筑的概率。新增建筑预测子网络的输入数据，包括通过新增建筑特征提取子网络提取得到的新增建筑特征，新增建筑预测子网络根据这些特征即可预测图像中各个点属于新增建筑的概率，即新增建筑得分，并由此确定出所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
所述新增建筑预测子网络的输出层大小可以是图像像素点的数目，例如，对于一个112*112的图像数据，该子网络输出的是一个112*112的矩阵，矩阵中每个元素的值可表示该像素点是否为新增建筑位置。
如图3所示，在本实施例中，所述新增建筑检测模型包括与至少一个新增建筑特征提取子网络分别对应的至少一个第一新增建筑预测子网络，以及第二新增建筑预测子网络。其中，不同第一新增建筑预测子网络的输入数据为不同深度等级的新增建筑特征，每个第一新增建筑预测子网络可预测出不同深度等级的新增建筑得分，然后通过第二新增建筑预测子网络融合多个深度等级的新增建筑得分，得到最终的新增建筑得分，由此确定出新增建筑位置。采用这种处理方式，使得综合考虑与多个深度等级分别对应的新增建筑得分确定出新增建筑位置；因此，可以有效提升召回率和准确率。
由图3可见，与编码部分相对应，本实施例的解码部分也由5个相似的模块组成，即5个第一新增建筑预测子网络，每个模块的输入为编码部分对应模块没池化前的输出。每个第一新增建筑预测子网络都包含四个卷积层，第一个卷积层的卷积核大小为1x1，输出通道数各个模块各不相同，第一个模块输出通道数为32，第二模块输出通道数为64，第三个模块输出通道数为128，第四个模块输出通道数为256，第五个模块输出通道数为512,；第二个卷积层卷积核大小为3x3，输出通道数为1，并经过批归一化后激活，第三个卷积层卷积核大小为3x3，输出通道数为1，并通过批归一化后激活，第四个卷积层卷积核大小为1x1，输出通道数为1，不采取任何激活，除了第一个模块，其它模块在第一个卷积层后还有一个上采样层，第2个模块上采样后输出宽高是原来的2倍，第3个模块上采样后输出宽高是原来的4倍，第四个模块上采样后输出宽高是原来8倍，第5个模块上采样后输出宽高是原来的16倍，每个解码模块都对应一个输出值。编解码后网络把5个解码模块的输出值在通道维度上合并，把合并的结果通过一个卷积核大小为1x1，输出维度数为1的卷积层融合，最后由一个sigmoid函数得到最终的分割结果。图4a和图4b分别示出了本实施例的比对结果图和展示给用户的比对结果可视化图。
需要说明的是，具体实施时也可以仅根据最高深度等级的新增建筑特征确定出新增建筑位置，但是由于只参考了一个深度等级的新增建筑特征，而未结合其它较低深度等级的新增建筑特征，因此将导致检测准确率稍低。
本实施例采用图3所示的模型结构图，对一张大小为2048x2048的大图(待检测区域的第一时刻图像数据和第二时刻图像数据)，处理时间为1到2分钟，优于初步统计的人工处理6分钟时间，且不需要专家知识。
请参考图5，其为本申请提供的一种建筑检测方法实施例的模型效果比对图。在本实施例中，离线的评测结果以PR(准确率和召回率)曲线的形式展示，其中检测效果最好的是图3描述模型的结果，其次是VGG网络和UNet型网络的融合结果，再次是UNet型网络的结果，最次是采用VGG网络的结果，可以看到与本申请实施例提供的模型对应的曲线不仅比其它单模型结果好，也比其它单模型融合的结果要好。
请参考图6，其为本申请提供的一种建筑检测方法实施例的具体流程图。在本实施例中，所述方法还包括如下步骤：
步骤S601：将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据。
由于建筑物目标大部分较小，不需要太大的感受野，而输入模型网络的图像尺寸增加会引起显存的使用增加，因此网络的输入图像大小设定为一个较小的尺寸，如112*112像素数。
相应的，针对各个子区域分别执行步骤S103和S105，检测得到各个子区域的新增建筑位置，直至检测完所有子区域后，得到整个待检测区域的新增建筑位置。
本实施例通过将涉及广阔区域的遥感影像分割为较小尺寸的子图像，并采用较小尺寸的卷积核(如3*3)；这种处理方式，可以有效降低模型输入数据维度，并可以有效控制模型参数数量，新型建筑检测模型适应嵌入式设备的算力和资源，是一种适用于嵌入式设备的神经网络结构，同时还可以有效提升检测速度。
请参考图7，其为本申请提供的一种建筑检测方法实施例的模型生成流程图。
步骤S701：获取包括新增建筑位置标注信息的训练数据集。
所述训练数据，包括检测区域的第一时刻图像数据、第二时刻图像数据、及新增建筑位置标注信息。训练数据集包括多条训练数据。
步骤S703：构建神经网络。
所述神经网络，包括所述新增建筑特征提取子网络和新增建筑预测子网络。所述神经网络可以采用深度神经网络。
在一个示例中，所述神经网络包括至少一个新增建筑特征提取子网络，与所述至少一个新增建筑特征提取子网络分别对应的至少一个第一新增建筑预测子网络，以及第二新增建筑预测子网络。
步骤S705：根据所述训练数据集训练所述神经网络。
在获取到训练数据集后，就可以通过机器学习算法，从所述训练数据集中学习得到所述新增建筑检测模型。
在本实施例中，采用Focal loss(焦点损失)作为损失函数。不同于普通的交叉熵损失函数，Focal loss有助于解决样本不均衡的问题，而对一个大范围的遥感影像来说，作为正样本的新增建筑是极少的一部分，因此采用改损失函数来改善这种情况。Focal loss的定义如下：
FL(p_t)＝-alpha*(1-p_t)**gamma*log(p_t)
其中p＝sigmoid(x),当标签为正例时p_t＝p当标签为负例时p_t＝1–p。x为网络输出的预测结果。
从上述实施例可见，本申请实施例提供的建筑检测方法，通过获取待检测区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置；这种处理方式，使得基于深度学习方法对遥感影像中的新增建筑进行检测，能够自动地在涉及广阔区域的遥感影像中，从各个复杂的场景中检测出新增建筑；因此，可以有效提升新增建筑检测召回率和准确率，同时提升检测效率。
在上述的实施例中，提供了一种建筑检测方法，与之相对应的，本申请还提供一种建筑检测装置。该装置是与上述方法的实施例相对应。
第二实施例
请参看图8，其为本申请的建筑检测装置的实施例的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种建筑检测装置，包括：
图像数据获取单元801，用于获取待检测区域的第一时刻图像数据和第二时刻图像数据；
特征提取单元802，用于通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；
新增建筑位置确定单元803，用于通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
可选的，所述新增建筑检测模型包括：至少一个新增建筑特征提取子网络，与所述至少一个新增建筑特征提取子网络分别对应的至少一个第一新增建筑预测子网络，以及第二新增建筑预测子网络；
所述特征提取单元802，具体用于通过所述至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述至少一个层级的新增建筑特征；
所述新增建筑位置确定单元803包括第一子单元和第二子单元；
所述第一子单元，用于通过所述至少一个第一新增建筑预测子网络，根据所述至少一个层级的新增建筑特征获取与至少一个层级分别对应的新增建筑得分；
所述第二子单元，用于通过所述第二新增建筑预测子网络，根据与至少一个层级分别对应的新增建筑得分，确定所述新增建筑位置。
可选的，所述新增建筑特征提取子网络的输入数据包括与其相邻的前一个新增建筑特征提取子网络输出的前一个深度等级的新增建筑特征。
请参看图9，其为本申请的建筑检测装置的实施例的具体示意图。可选的，还包括：
图像分割单元901，用于将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据；
所述特征提取单元802，具体用于针对各个子区域，通过所述至少一个新增建筑特征提取子网络，从所述第一时刻子图像数据和第二时刻子图像数据中提取所述至少一个深度等级的新增建筑特征；
通过所述至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；
通过所述第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定与所述子区域对应的新增建筑位置。
可选的，还包括：
训练数据获取单元，用于获取包括新增建筑位置标注信息的训练数据集；
网络构建单元，用于构建神经网络；所述神经网络包括所述新增建筑特征提取子网络和新增建筑预测子网络；
网络训练单元，用于根据所述训练数据集训练所述神经网络。
第三实施例
请参考图10，其为本申请的建筑检测***实施例的示意图。由于***实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的***实施例仅仅是示意性的。
本实施例的一种建筑检测***，该***包括：客户端1000,网页服务模块1001，新增建筑检测模块1002，以及文件传输服务模块1003。
客户端1000，通常部署在个人电脑等等终端设备，供用户使用；网页服务模块1001，又可称为HTTP模块，通常部署于服务器，但并不局限于服务器，也可以是能够实现相应功能的任何设备；新增建筑检测模块1002，通常部署于嵌入式设备，但并不局限于嵌入式设备，也可以是直接部署在服务器等等；文件传输服务模块1003，又可称为FTP模块，通常部署于服务器，但并不局限于服务器，也可以是能够实现相应功能的任何设备。
请参考图11，其为本申请的建筑检测***实施例的交互示意图。在本实施例中，客户端1000，用于向网页服务模块1001发送针对目标区域的新增建筑检测请求；网页服务模块1001，用于接收客户端1000发送的针对目标区域的新增建筑检测请求，所述请求可包括目标区域的第一时刻图像数据和第二时刻图像数据的URL地址，并向新增建筑检测模块1002发送新增建筑检测指令；新增建筑检测模块1002，用于根据所述指令携带的URL地址，下载得到所述目标区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据提取所述目标区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述目标区域在第一时刻相对第二时刻的新增建筑位置；向文件传输服务模块1003发送新增建筑位置数据文件；文件传输服务模块1003，用于接收所述新增建筑位置数据文件，将新增建筑位置数据发送至所述网页服务模块1001；网页服务模块1001接收文件传输服务模块1003发送的新增建筑位置数据，并根据所述新增建筑位置数据生成所述目标区域的包括新增建筑位置标识的影像，向所述客户端回送所述影像，以供客户端将该影像展示给用户查看。
在一个示例中，所述新增建筑检测模块，具体用于将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据；针对各个子区域，通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻子图像数据和第二时刻子图像数据中提取所述子区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；通过所述模型包括的至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定与所述子区域对应的新增建筑位置。
在本实施例中，将网页服务模块1001和文件传输服务模块1003部署在服务器中，新增建筑检测模块1002部署于嵌入式设备，并将嵌入式设备安装在服务器中，形成一体机***。采用嵌入式设备具有成本上和便携性上的优势，并通过将目标区域的图像分割为多个子区域的图像，使得新增建筑检测模型的输入数据维度限定为一个较小的值(如112*112*3*2)，同时仅采用1x1和3x3的小卷积，由此保证了新增建筑检测模型参数控制在100M以内，最后又用一个1x1的卷积融合各层特征，保证新增建筑检测模型在较少参数的前提下也能高效地复用各个深度等级的新增建筑特征，在模型大小和模型效果上保障了该模型可部署到嵌入式设备上。
具体实施时，该一体机***可包括：1)一台x86架构的服务器，该服务器主要提供FTP服务，HTTP服务和可视化模块；其中，FTP服务接收新增建筑检测模块1002处理好的结果，发送给HTTP服务，通过HTTP服务中的可视化模块处理把最终结果展示给客户端用户；HTTP服务接收用户请求，并把请求提交给算法服务(新增建筑检测模块1002)进行处理。可视化模块主要把新增建筑检测模块1002处理好的掩模覆盖到目标区域的遥感影像原图，同时解析出原图的经纬度信息；2)一台带GPU的ARM64嵌入式设备，提供具体的如上述实施例一所述的新增建筑检测服务，并把处理结果返回给服务器，其中建筑检测方法是一种基于嵌入式设备硬件情况改进的神经网络分割方法。
具体实施时，服务器和嵌入式设备之间可通过回调结果进行通信。新增建筑检测模块1002提供和服务器交互的回调模块，当新增建筑检测结果成功传送给服务器的时候，会返回一个成功的回调给服务器，否则返回一个失败的回调给服务器。在本实施例中，新增建筑检测模块1002提供的服务主要由pack和dispatch两个模块组成，dispatch模块用于下图和访问pack模块，建筑检测方法的执行主体又被封装成初始化，处理和释放三个模块，整体可作为一个插件被pack调用。调用行为描述如下：首先进行初始化载入新增建筑检测模型，在初始化后且没有释放之前处理模块可持续响应新增建筑检测处理请求，当服务停止时则调用释放模块。
具体实施时，可在嵌入式设备上采用安全编译产生算法库文件，防止反编译，对提供新增建筑检测服务的嵌入式设备采用高级别的安全策略。
具体实施时，新增建筑检测模型文件转化成UFF文件给tensorRT库的加载，并通过tensorRT库重写网络前向进行加速，同时把模型参数从全精度减少成半精度，以进一步提速。
本实施例提供的***，通过将网页服务模块1001、新增建筑检测模块1002、及文件传输服务模块1003在硬件组成形成一体机形式，并将新增建筑检测模块1002单独部署在嵌入式设备中，使得不仅利用深度学习算法对遥感影像中的新增建筑进行检测，而且可降低服务器的GPU(图形处理器)硬件成本，并且由于从硬件上解耦新增建筑检测模块1002和网页服务模块1001，因此在更新新增检测模型时，无需重新部署网页服务模块1001，由此实现以一种实用的工程部署方式将所述***落地到具体的应用需求中，实现***的快速部署。
在本实施例中，客户端1000还可具体用于向网页服务模块1001发送针对多个目标区域的新增建筑检测请求，以实现批量检测新增建筑。新增建筑检测请求，可包括多个区域的第一时刻图像数据和第二时刻图像数据的URL地址，从这些URL地址中下载得到多个区域的第一时刻图像数据和第二时刻图像数据，并逐一对各个区域进行新增建筑检测。
本申请实施例提供的建筑检测***，通过获取待检测区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置；这种处理方式，使得基于深度学习方法对遥感影像中的新增建筑进行检测，能够自动地在涉及广阔区域的遥感影像中，从各个复杂的场景中检测出新增建筑；因此，可以有效提升新增建筑检测的召回率和准确率，以及提升新增建筑检测效率。
在上述的实施例中，提供了一种建筑检测***，与之相对应的，本申请还提供一种建筑检测设备。该方法是与上述***的实施例相对应。
第四实施例
请参考图12，其为本申请提供的一种建筑检测设备实施例的流程图。由于该设备实施例是实施例一的方法实施例的一部分，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的一种建筑检测设备包括：
网页服务模块1201，用于接收客户端发送的针对目标区域的新增建筑检测请求，向新增建筑检测模块1202发送新增建筑检测指令；以及，接收文件传输服务1203模块发送新增建筑位置数据；根据所述新增建筑位置数据生成所述目标区域的包括新增建筑位置标识的影像，向所述客户端回送所述影像；
新增建筑检测模块1202，用于根据所述指令获取所述目标区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述目标区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述目标区域在第一时刻相对第二时刻的新增建筑位置；向文件传输服务模块1203发送新增建筑位置数据文件；
文件传输服务模块1203，用于接收所述新增建筑位置数据文件，将新增建筑位置数据发送至所述网页服务模块1201。
在本实施例中，将网页服务模块1201和文件传输服务模块1203部署在服务器中，新增建筑检测模块1202部署于嵌入式设备，并将嵌入式设备安装在服务器中，形成所述建筑检测设备，该设备也可称为一体机***。
从上述实施例可见，本申请实施例提供的通过获取待检测区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的新增建筑特征；通过所述模型包括的新增建筑预测子网络，根据所述新增建筑特征确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置；这种处理方式，使得基于深度学习方法对遥感影像中的新增建筑进行检测，能够自动地在涉及广阔区域的遥感影像中，从各个复杂的场景中检测出新增建筑；因此，可以有效提升新增建筑检测的召回率和准确率，以及提升新增建筑检测效率。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
2、本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (8)

1.一种建筑检测方法，其特征在于，包括：
获取待检测区域的第一时刻图像数据和第二时刻图像数据；
通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；
通过所述模型包括的至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征，获取与至少一个深度等级分别对应的新增建筑得分；
通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
2.根据权利要求1所述的方法，其特征在于，所述新增建筑特征提取子网络的输入数据包括与其相邻的前一个新增建筑特征提取子网络输出的前一个深度等级的新增建筑特征。
3.根据权利要求1所述的方法，其特征在于，还包括：
将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据；
针对各个子区域，通过所述至少一个新增建筑特征提取子网络，从所述第一时刻子图像数据和第二时刻子图像数据中提取所述至少一个深度等级的新增建筑特征；
通过所述至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；
通过所述第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定与所述子区域对应的新增建筑位置。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取包括新增建筑位置标注信息的训练数据集；
构建神经网络；所述神经网络包括所述新增建筑特征提取子网络和新增建筑预测子网络；
根据所述训练数据集训练所述神经网络。
5.一种建筑检测***，其特征在于，包括：
客户端，用于向网页服务模块发送针对目标区域的新增建筑检测请求；以及，接收所述网页服务模块回送的所述目标区域的包括新增建筑位置标识的影像，显示所述影像；
网页服务模块，用于接收所述请求，向新增建筑检测模块发送新增建筑检测指令；以及，接收文件传输服务模块发送的新增建筑位置数据；根据所述新增建筑位置数据生成所述影像，向所述客户端回送所述影像；
新增建筑检测模块，用于根据所述指令获取所述目标区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述目标区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；通过所述模型包括的至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征，获取与至少一个深度等级分别对应的新增建筑得分；通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定所述目标区域在第一时刻相对第二时刻的新增建筑位置；向文件传输服务模块发送新增建筑位置数据文件；
文件传输服务模块，用于接收所述新增建筑位置数据文件，将新增建筑位置数据发送至所述网页服务模块。
6.根据权利要求5所述的***，其特征在于，
所述新增建筑检测模块，具体用于将所述第一时刻图像数据和第二时刻图像数据分割为与多个子区域分别对应的第一时刻子图像数据和第二时刻子图像数据；针对各个子区域，通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻子图像数据和第二时刻子图像数据中提取所述子区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；通过所述模型包括的至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征获取与至少一个深度等级分别对应的新增建筑得分；通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定与所述子区域对应的新增建筑位置。
7.一种建筑检测设备，其特征在于，包括：
网页服务模块，用于接收客户端发送的针对目标区域的新增建筑检测请求，向新增建筑检测模块发送新增建筑检测指令；以及，接收文件传输服务模块发送新增建筑位置数据；根据所述新增建筑位置数据生成所述目标区域的包括新增建筑位置标识的影像，向所述客户端回送所述影像；
新增建筑检测模块，用于根据所述指令获取所述目标区域的第一时刻图像数据和第二时刻图像数据；通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述目标区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；通过所述模型包括的至少一个深度等级的新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征，获取与至少一个深度等级分别对应的新增建筑得分；通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定所述目标区域在第一时刻相对第二时刻的新增建筑位置；向文件传输服务模块发送新增建筑位置数据文件；
文件传输服务模块，用于接收所述新增建筑位置数据文件，将新增建筑位置数据发送至所述网页服务模块。
8.一种建筑检测装置，其特征在于，包括：
图像数据获取单元，用于获取待检测区域的第一时刻图像数据和第二时刻图像数据；
特征提取单元，用于通过新增建筑检测模型包括的至少一个新增建筑特征提取子网络，从所述第一时刻图像数据和第二时刻图像数据中提取所述待检测区域在第一时刻相对第二时刻的至少一个深度等级的新增建筑特征；
新增建筑位置确定单元，用于通过所述模型包括的至少一个第一新增建筑预测子网络，根据所述至少一个深度等级的新增建筑特征，获取与至少一个深度等级分别对应的新增建筑得分；通过所述模型包括的第二新增建筑预测子网络，根据与至少一个深度等级分别对应的新增建筑得分，确定所述待检测区域在第一时刻相对第二时刻的新增建筑位置。
CN201910211703.1A 2019-03-19 2019-03-19 建筑检测***、方法和装置 Active CN111738972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910211703.1A CN111738972B (zh) 2019-03-19 2019-03-19 建筑检测***、方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910211703.1A CN111738972B (zh) 2019-03-19 2019-03-19 建筑检测***、方法和装置

Publications (2)

Publication Number Publication Date
CN111738972A CN111738972A (zh) 2020-10-02
CN111738972B true CN111738972B (zh) 2024-05-28

Family

ID=72645632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910211703.1A Active CN111738972B (zh) 2019-03-19 2019-03-19 建筑检测***、方法和装置

Country Status (1)

Country Link
CN (1) CN111738972B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651931B (zh) * 2020-12-15 2024-04-26 浙江大华技术股份有限公司 建筑物变形监测方法、装置和计算机设备
CN112819753B (zh) * 2021-01-12 2021-11-30 香港理工大学深圳研究院 一种建筑物变化检测方法、装置、智能终端及存储介质
CN112801109A (zh) * 2021-04-14 2021-05-14 广东众聚人工智能科技有限公司 一种基于多尺度特征融合的遥感图像分割方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077515A (zh) * 2012-12-29 2013-05-01 北方工业大学 一种多光谱图像建筑物变化检测方法
CN108197583A (zh) * 2018-01-10 2018-06-22 武汉大学 基于图割优化和影像结构特征的建筑物变化检测方法
CN108447057A (zh) * 2018-04-02 2018-08-24 西安电子科技大学 基于显著性和深度卷积网络的sar图像变化检测方法
CN108681692A (zh) * 2018-04-10 2018-10-19 华南理工大学 一种基于深度学习的遥感图像内新增建筑识别方法
CN109063569A (zh) * 2018-07-04 2018-12-21 北京航空航天大学 一种基于遥感影像的语义级变化检测方法
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077515A (zh) * 2012-12-29 2013-05-01 北方工业大学 一种多光谱图像建筑物变化检测方法
CN108197583A (zh) * 2018-01-10 2018-06-22 武汉大学 基于图割优化和影像结构特征的建筑物变化检测方法
CN108447057A (zh) * 2018-04-02 2018-08-24 西安电子科技大学 基于显著性和深度卷积网络的sar图像变化检测方法
CN108681692A (zh) * 2018-04-10 2018-10-19 华南理工大学 一种基于深度学习的遥感图像内新增建筑识别方法
CN109063569A (zh) * 2018-07-04 2018-12-21 北京航空航天大学 一种基于遥感影像的语义级变化检测方法
CN109409263A (zh) * 2018-10-12 2019-03-01 武汉大学 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法

Also Published As

Publication number Publication date
CN111738972A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
US10943145B2 (en) Image processing methods and apparatus, and electronic devices
JP7295906B2 (ja) ニューラルネットワークを使用したシーンの理解および生成
CN108229478B (zh) 图像语义分割及训练方法和装置、电子设备、存储介质和程序
CN111738972B (zh) 建筑检测***、方法和装置
Kim et al. CityCraft: 3D virtual city creation from a single image
CN112418345B (zh) 细粒度小目标快速识别的方法和装置
WO2022135108A1 (zh) 图像信号处理方法、装置、电子设备及计算机可读存储介质
EP4020317A1 (en) Methods and apparatus for high-fidelity vision tasks using deep neural networks
CN111310770B (zh) 目标检测方法和装置
Lu et al. Multi-scale feature progressive fusion network for remote sensing image change detection
Ejimuda et al. Using deep learning and computer vision techniques to improve facility corrosion risk management systems 2.0
CN113378897A (zh) 基于神经网络的遥感图像分类方法、计算设备及存储介质
CN118097157B (zh) 基于模糊聚类算法的图像分割方法及***
Taşyürek ODRP: a new approach for spatial street sign detection from EXIF using deep learning-based object detection, distance estimation, rotation and projection system
CN112668675B (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN114612402A (zh) 对象数量的确定方法、装置、设备、介质及程序产品
KR102521565B1 (ko) 3차원 그래프 뉴럴 네트워크 검출을 이용하여 증강현실 서비스를 제공하고 재생하는 장치 및 방법
Grard et al. Object segmentation in depth maps with one user click and a synthetically trained fully convolutional network
CN112347976B (zh) 遥感卫星影像的区域提取方法、装置、电子设备和介质
CN113744280A (zh) 图像处理方法、装置、设备及介质
CN111881996A (zh) 目标检测方法、计算机设备和存储介质
CN116630302A (zh) 细胞图像分割方法、装置以及电子设备
CN115019218B (zh) 图像处理方法和处理器
Jin et al. Semantic segmentation of remote sensing images based on dilated convolution and spatial-channel attention mechanism
Taşyürek et al. DSHFS: a new hybrid approach that detects structures with their spatial location from large volume satellite images using CNN, GeoServer and TileCache

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