CN111860173A - 一种基于弱监督的遥感图像地物要素提取方法及*** - Google Patents
一种基于弱监督的遥感图像地物要素提取方法及*** Download PDFInfo
- Publication number
- CN111860173A CN111860173A CN202010573383.7A CN202010573383A CN111860173A CN 111860173 A CN111860173 A CN 111860173A CN 202010573383 A CN202010573383 A CN 202010573383A CN 111860173 A CN111860173 A CN 111860173A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- pixel
- extracted
- network
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于弱监督的遥感图像地物要素提取方法及***,涉及遥感图像解译领域,方法包括:获取待提取遥感图像的像素聚类集合;将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像;本发明提供的技术方案,使用的图像级弱监督语义标签只需要人工为整张图像赋予一个类别即可,也就是指示出图像中是否含有目标地物。
Description
技术领域
本发明涉及遥感图像解译领域,具体涉及一种基于弱监督的遥感图像地物要素提取方法及***。
背景技术
随着遥感技术的飞速发展,光学遥感图像的获取变得十分容易,从遥感图像中可获取的地物信息越来越丰富,对于遥感图像精细化解译应用的需求也日益急迫。地物要素提取的目的是为遥感图像的每个像素赋予一个地物要素类别标签,它不仅可以识别出图像中有什么地物目标,还会将目标的边界精确地勾勒出来。因此,光学遥感图像地物要素提取在众多领域中有着广泛的应用。但常用的地物要素提取的方法使用手工特征,这种特征提取的方法需要丰富的先验知识和经验,而且特征的表征能力十分有限,在遥感图像这种复杂的场景中很难达到令人满意的效果。
近年来,深度学习的出现给图像分割领域带来了一系列革命性的进展。深度学习方法通过级联非线性的映射将低级别的特征转换为高级别和抽象的特征,而这种高级别的特征在以前的手工特征提取方法中是不容易获得的。深度学习强大的特征学习能力极大的提升了光学遥感图像地物要素提取的性能。然而现有的基于深度学习的地物要素提取的方法大多依赖于大量经过人工精细标注的像素级标签,这类标签的获取存在两个问题。首先,精细标注费时费力。标注人员会通过勾勒物体边缘的方式获得像素级标签,而标注一个目标需要在该目标的边缘处描绘数十条短线才能将其完整且精确地覆盖。其次,对遥感专业知识背景要求较高。光学遥感图像与普通自然场景图像在视角、物体分布、颜色通道等方面有所不同,标注人员需要经过专业的训练才能参与到遥感图像的标注工作中。
因此,现在主流的光学遥感图像地物要素提取方法使用了深度学习策略在性能上有很大的提升,但是它需要依赖于大量经过人工精细标注的像素级标签,存在耗费时间和耗费人力的缺陷,从而导致了大量光学遥感图像由于难以获取像素级标签无法被应用。
发明内容
针对现有技术的不足,本发明的目的是针对现有的光学遥感图像的地物要素提取方法严重依赖的像素级标签难以获取的问题,设计一种使用图像级弱监督语义标签的光学遥感图像的地物要素提取方法。
本发明的目的是采用下述技术方案实现的:
一种基于弱监督的遥感图像地物要素提取方法,其改进之处在于,所述方法包括:
获取待提取遥感图像的像素聚类集合;
将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;
根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。
优选的,所述获取待提取遥感图像的像素聚类集合,包括:
采用SLIC算法获取待提取遥感图像的像素聚类集合。
优选的,所述遥感图像中像素的分类标签包括:0和1,当像素的分类标签为0时,该像素为遥感图像中背景类别的像素,当像素的分类标签为1时,该像素为遥感图像中地物要素类别的像素。
优选的,所述预先训练的分割网络的训练过程包括:
步骤1.人工标注遥感图像数据中遥感图像的分类标签,并将该遥感图像数据作为训练数据,人工标注遥感图像数据中遥感图像的各像素的分类标签,并将该遥感图像数据作为测试数据;
步骤2.对所述训练数据进行数据增强;
步骤3.将所述训练数据和测试数据切片为512x512;
步骤4.利用所述训练数据对初始神经网络模型进行训练;
步骤5.去掉训练完成的初始神经网络模型的全局平均池化层,获取所述预先训练的分割网络;
步骤6.利用所述测试数据对所述分割网络进行测试。
进一步的,所述遥感图像的分类标签包括:0、1和01,当遥感图像的分类标签为0时,该遥感图像为背景类别,当遥感图像的分类标签为1时,该遥感图像为地物要素类别,当遥感图像的分类标签为01时,该遥感图像为背景和地物要素类别。
进一步的,所述数据增强包括:平移、旋转、尺度缩放和/或高斯模糊。
进一步的,所述初始神经网络模型由主体网络、支路网络和全局平均池化层组成,其中,所述主体网络通过kernel为1卷积与所述支路网络进行信息流动,所述主体网络的输出端连接所述全局平均池化层的输入端。
进一步的,所述主体网络为ResNet101为backbone的Deeplabv2网络,所述支路网络由三个block组成,每个block包含三个kernel为3的卷积且每个卷积后均接bn层和relu层,其中,所述三个block的输出通过kernel为1的卷积后分别与主体网络的第2、3和4个block的输出进行逐像素的叠加,当所述三个block的输出通过kernel为1的卷积后得到的输出与主体网络的第2、3或4个block的输出之间分辨率不一致时,将三个block的输出通过kernel为1的卷积后得到的输出下采样至与主体网络的第2、3或4个block的输出的分辨率一致。
优选的,所述根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像,包括:
若待提取遥感图像的像素聚类集合中分类标签为1的像素的个数超过阈值,则提取该像素聚类集合中各像素组成的图像,否则,不操作。
基于同一发明构思,本发明还提供了一种基于弱监督的遥感图像地物要素提取***,其改进之处在于,所述***包括:
获取模块,用于获取待提取遥感图像的像素聚类集合;
分割模块,用于将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;
提取模块,用于根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。
与最接近的现有技术相比,本发明具有的有益效果:
针对现有的光学遥感图像的地物要素提取方法严重依赖的像素级标签难以获取的问题,本发明提供了一种基于弱监督的遥感图像地物要素提取方法及***,方法包括:获取待提取遥感图像的像素聚类集合;将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像;相对于现有技术中像素级标签需要人工精细地为图像中每个像素赋予一个类别,本发明使用的分割网络仅需图像级弱监督语义标签的训练数据进行训练即可,也就是指示出图像中是否含有目标地物,仅使用像素级标签训练0.05%的标注时间就能达到与像素级标签训练的相当的结果,有效的节省了光学遥感图像地物要素提取中像素级标签花费过多的问题,方便大量遥感图像的使用。
附图说明
图1是本发明提供的一种基于弱监督的遥感图像地物要素提取方法流程图;
图2是本发明提供的一种基于弱监督的遥感图像地物要素提取***的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种基于弱监督的遥感图像地物要素提取方法解决了像素级标签难以获取的问题,实现了使用图像级弱监督语义标签就可以完成光学遥感图像地物要素提取,如图1所示,包括:
101获取待提取遥感图像的像素聚类集合;
102将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;
103根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。
其中,所述遥感图像中像素的分类标签包括:0和1,当像素的分类标签为0时,该像素为遥感图像中背景类别的像素,当像素的分类标签为1时,该像素为遥感图像中地物要素类别的像素。
具体的,为了精确的描绘地物要素的边缘,本发明设计了一个SLIC像素集合修正策略,所述步骤101,包括:采用SLIC算法获取待提取遥感图像的像素聚类集合。
SLIC算法可以根据原始遥感图像的颜色和距离信息,将遥感图像分成一些像素集合。由于像素集合主要是依赖于全局底层特征,这些特征擅长刻画图中每个部分的边缘,但是却不知道每个部分的类别。故而,本发明通过基于低层特征辅助的弱监督分割网络得到的地物要素分割结果拥有图像中每个部分的类别,所述预先训练的分割网络的训练过程包括:
步骤1.人工标注遥感图像数据中遥感图像的分类标签,并将该遥感图像数据作为训练数据,人工标注遥感图像数据中遥感图像的各像素的分类标签,并将该遥感图像数据作为测试数据;
步骤2.对所述训练数据进行数据增强;
步骤3.将所述训练数据和测试数据切片为512x512;
步骤4.利用所述训练数据对初始神经网络模型进行训练;
步骤5.去掉训练完成的初始神经网络模型的全局平均池化层,获取所述预先训练的分割网络;
步骤6.利用所述测试数据对所述分割网络进行测试。
其中,所述遥感图像的分类标签包括:0、1和01,当遥感图像的分类标签为0时,该遥感图像为背景类别,当遥感图像的分类标签为1时,该遥感图像为地物要素类别,当遥感图像的分类标签为01时,该遥感图像为背景和地物要素类别。
所述数据增强包括:平移、旋转、尺度缩放和/或高斯模糊。
例如,对所述训练数据按照概率0.5进行水平和垂直方向的随机翻转,角度-20度到20度,步距1度的图像随机旋转操作,90度、180度、270度的固定角度随机旋转操作,以及图像尺寸0.25到4倍随机缩放操作。
所述初始神经网络模型由主体网络、支路网络和全局平均池化层组成,其中,所述主体网络通过kernel为1卷积与所述支路网络进行信息流动,所述主体网络的输出端连接所述全局平均池化层的输入端。
所述主体网络为ResNet101为backbone的Deeplabv2网络,所述支路网络由三个block组成,每个block包含三个kernel为3的卷积且每个卷积后均接bn层和relu层,其中,所述三个block的输出通过kernel为1的卷积后分别与主体网络的第2、3和4个block的输出进行逐像素的叠加,当所述三个block的输出通过kernel为1的卷积后得到的输出与主体网络的第2、3或4个block的输出之间分辨率不一致时,将三个block的输出通过kernel为1的卷积后得到的输出下采样至与主体网络的第2、3或4个block的输出的分辨率一致。
进一步的,步骤101和步骤102各自有各自的优点和缺点,本发明通过结合二者,让SLIC生成的像素集合去修正分割网络输出的地物要素粗略分割,从而提取到具有精细边缘的遥感地物,所述步骤103,包括:
若待提取遥感图像的像素聚类集合中分类标签为1的像素的个数超过阈值,则提取该像素聚类集合中各像素组成的图像,否则,不操作。
基于同一发明构思,本发明还提供了一种基于弱监督的遥感图像地物要素提取***,如图2所示,所述***包括:
获取模块,用于获取待提取遥感图像的像素聚类集合;
分割模块,用于将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;
提取模块,用于根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。
优选的,所述获取模块具体用于:
采用SLIC算法获取待提取遥感图像的像素聚类集合。
优选的,所述遥感图像中像素的分类标签包括:0和1,当像素的分类标签为0时,该像素为遥感图像中背景类别的像素,当像素的分类标签为1时,该像素为遥感图像中地物要素类别的像素。
优选的,所述预先训练的分割网络的训练过程包括:
步骤1.人工标注遥感图像数据中遥感图像的分类标签,并将该遥感图像数据作为训练数据,人工标注遥感图像数据中遥感图像的各像素的分类标签,并将该遥感图像数据作为测试数据;
步骤2.对所述训练数据进行数据增强;
步骤3.将所述训练数据和测试数据切片为512x512;
步骤4.利用所述训练数据对初始神经网络模型进行训练;
步骤5.去掉训练完成的初始神经网络模型的全局平均池化层,获取所述预先训练的分割网络;
步骤6.利用所述测试数据对所述分割网络进行测试。
进一步的,所述遥感图像的分类标签包括:0、1和01,当遥感图像的分类标签为0时,该遥感图像为背景类别,当遥感图像的分类标签为1时,该遥感图像为地物要素类别,当遥感图像的分类标签为01时,该遥感图像为背景和地物要素类别。
进一步的,所述数据增强包括:平移、旋转、尺度缩放和/或高斯模糊。
进一步的,所述初始神经网络模型由主体网络、支路网络和全局平均池化层组成,其中,所述主体网络通过kernel为1卷积与所述支路网络进行信息流动,所述主体网络的输出端连接所述全局平均池化层的输入端。
进一步的,所述主体网络为ResNet101为backbone的Deeplabv2网络,所述支路网络由三个block组成,每个block包含三个kernel为3的卷积且每个卷积后均接bn层和relu层,其中,所述三个block的输出通过kernel为1的卷积后分别与主体网络的第2、3和4个block的输出进行逐像素的叠加,当所述三个block的输出通过kernel为1的卷积后得到的输出与主体网络的第2、3或4个block的输出之间分辨率不一致时,将三个block的输出通过kernel为1的卷积后得到的输出下采样至与主体网络的第2、3或4个block的输出的分辨率一致。
优选的,所述提取模块具体用于:
若待提取遥感图像的像素聚类集合中分类标签为1的像素的个数超过阈值,则提取该像素聚类集合中各像素组成的图像,否则,不操作。
本领域内的技术人员应明白,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。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于弱监督的遥感图像地物要素提取方法,其特征在于,所述方法包括:
获取待提取遥感图像的像素聚类集合;
将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;
根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。
2.如权利要求1所述的方法,其特征在于,所述获取待提取遥感图像的像素聚类集合,包括:
采用SLIC算法获取待提取遥感图像的像素聚类集合。
3.如权利要求1所述的方法,其特征在于,所述遥感图像中像素的分类标签包括:0和1,当像素的分类标签为0时,该像素为遥感图像中背景类别的像素,当像素的分类标签为1时,该像素为遥感图像中地物要素类别的像素。
4.如权利要求1所述的方法,其特征在于,所述预先训练的分割网络的训练过程包括:
步骤1.人工标注遥感图像数据中遥感图像的分类标签,并将该遥感图像数据作为训练数据,人工标注遥感图像数据中遥感图像的各像素的分类标签,并将该遥感图像数据作为测试数据;
步骤2.对所述训练数据进行数据增强;
步骤3.将所述训练数据和测试数据切片为512x512;
步骤4.利用所述训练数据对初始神经网络模型进行训练;
步骤5.去掉训练完成的初始神经网络模型的全局平均池化层,获取所述预先训练的分割网络;
步骤6.利用所述测试数据对所述分割网络进行测试。
5.如权利要求4所述的方法,其特征在于,所述遥感图像的分类标签包括:0、1和01,当遥感图像的分类标签为0时,该遥感图像为背景类别,当遥感图像的分类标签为1时,该遥感图像为地物要素类别,当遥感图像的分类标签为01时,该遥感图像为背景和地物要素类别。
6.如权利要求4所述的方法,其特征在于,所述数据增强包括:平移、旋转、尺度缩放和/或高斯模糊。
7.如权利要求4所述的方法,其特征在于,所述初始神经网络模型由主体网络、支路网络和全局平均池化层组成,其中,所述主体网络通过kernel为1卷积与所述支路网络进行信息流动,所述主体网络的输出端连接所述全局平均池化层的输入端。
8.如权利要求7所述的方法,其特征在于,所述主体网络为ResNet101为backbone的Deeplabv2网络,所述支路网络由三个block组成,每个block包含三个kernel为3的卷积且每个卷积后均接bn层和relu层,其中,所述三个block的输出通过kernel为1的卷积后分别与主体网络的第2、3和4个block的输出进行逐像素的叠加,当所述三个block的输出通过kernel为1的卷积后得到的输出与主体网络的第2、3或4个block的输出之间分辨率不一致时,将三个block的输出通过kernel为1的卷积后得到的输出下采样至与主体网络的第2、3或4个block的输出的分辨率一致。
9.如权利要求1所述的方法,其特征在于,所述根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像,包括:
若待提取遥感图像的像素聚类集合中分类标签为1的像素的个数超过阈值,则提取该像素聚类集合中各像素组成的图像,否则,不操作。
10.一种基于弱监督的遥感图像地物要素提取***,其特征在于,所述***包括:
获取模块,用于获取待提取遥感图像的像素聚类集合;
分割模块,用于将待提取遥感图像输入至预先训练的分割网络,获取所述预先训练的分割网络输出的待提取遥感图像中各像素的分类标签;
提取模块,用于根据待提取遥感图像的像素聚类集合中各像素的分类标签提取待提取遥感图像的地物要素图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573383.7A CN111860173B (zh) | 2020-06-22 | 2020-06-22 | 一种基于弱监督的遥感图像地物要素提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573383.7A CN111860173B (zh) | 2020-06-22 | 2020-06-22 | 一种基于弱监督的遥感图像地物要素提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860173A true CN111860173A (zh) | 2020-10-30 |
CN111860173B CN111860173B (zh) | 2021-10-15 |
Family
ID=72987099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573383.7A Active CN111860173B (zh) | 2020-06-22 | 2020-06-22 | 一种基于弱监督的遥感图像地物要素提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860173B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537063A (zh) * | 2021-07-16 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512661A (zh) * | 2015-11-25 | 2016-04-20 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN107871124A (zh) * | 2017-11-15 | 2018-04-03 | 陕西师范大学 | 一种基于深度神经网络的遥感图像目标检测方法 |
AU2018101336A4 (en) * | 2018-09-12 | 2018-10-11 | Hu, Yuan Miss | Building extraction application based on machine learning in Urban-Suburban-Integration Area |
CN109215034A (zh) * | 2018-07-06 | 2019-01-15 | 成都图必优科技有限公司 | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 |
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 |
CN109685067A (zh) * | 2018-12-26 | 2019-04-26 | 江西理工大学 | 一种基于区域和深度残差网络的图像语义分割方法 |
CN109815859A (zh) * | 2019-01-10 | 2019-05-28 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
CN110334578A (zh) * | 2019-05-05 | 2019-10-15 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
CN110555830A (zh) * | 2019-08-15 | 2019-12-10 | 浙江工业大学 | 基于DeepLabv3+的深度神经网络皮肤检测方法 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
CN111291826A (zh) * | 2020-02-25 | 2020-06-16 | 西安电子科技大学 | 基于相关性融合网络的多源遥感图像的逐像素分类方法 |
CN111428762A (zh) * | 2020-03-12 | 2020-07-17 | 武汉大学 | 联合深度数据学习和本体知识推理的可解释性遥感影像地物分类方法 |
-
2020
- 2020-06-22 CN CN202010573383.7A patent/CN111860173B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512661A (zh) * | 2015-11-25 | 2016-04-20 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
CN106023145A (zh) * | 2016-05-06 | 2016-10-12 | 哈尔滨工程大学 | 基于超像素标注的遥感图像的分割与识别方法 |
CN107067003A (zh) * | 2017-03-09 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 感兴趣区域边界的提取方法、装置、设备和计算机存储介质 |
CN107392925A (zh) * | 2017-08-01 | 2017-11-24 | 西安电子科技大学 | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 |
CN107871124A (zh) * | 2017-11-15 | 2018-04-03 | 陕西师范大学 | 一种基于深度神经网络的遥感图像目标检测方法 |
CN109215034A (zh) * | 2018-07-06 | 2019-01-15 | 成都图必优科技有限公司 | 一种基于空间金字塔掩盖池化的弱监督图像语义分割方法 |
EP3614308A1 (en) * | 2018-08-24 | 2020-02-26 | Ordnance Survey Limited | Joint deep learning for land cover and land use classification |
AU2018101336A4 (en) * | 2018-09-12 | 2018-10-11 | Hu, Yuan Miss | Building extraction application based on machine learning in Urban-Suburban-Integration Area |
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 |
CN109685067A (zh) * | 2018-12-26 | 2019-04-26 | 江西理工大学 | 一种基于区域和深度残差网络的图像语义分割方法 |
CN109815859A (zh) * | 2019-01-10 | 2019-05-28 | 中交信息技术国家工程实验室有限公司 | 一种低等级道路自动提取及变化分析方法 |
CN110334578A (zh) * | 2019-05-05 | 2019-10-15 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
CN110555830A (zh) * | 2019-08-15 | 2019-12-10 | 浙江工业大学 | 基于DeepLabv3+的深度神经网络皮肤检测方法 |
CN111291826A (zh) * | 2020-02-25 | 2020-06-16 | 西安电子科技大学 | 基于相关性融合网络的多源遥感图像的逐像素分类方法 |
CN111428762A (zh) * | 2020-03-12 | 2020-07-17 | 武汉大学 | 联合深度数据学习和本体知识推理的可解释性遥感影像地物分类方法 |
Non-Patent Citations (6)
Title |
---|
BIN WANG 等: "Boundary Perception Guidance: A Scribble-Supervised Semantic Segmentation Approach", 《IJCAI-19》 * |
DONGMEI SONG 等: "Integration of super-pixel segmentation and deep-learning methods for evaluating earthquake-damaged buildings using single-phase remote sensing imagery", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 * |
KUN FU 等: "WSF-NET: Weakly Supervised Feature-Fusion Network for Binary Segmentation in Remote Sensing Image", 《REMOTE SENSING》 * |
LIANG-CHIEH CHEN 等: "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,and Fully Connected CRFs", 《ARXIV》 * |
XUN GAO 等: "An End-to-End Neural Network for Road Extraction From Remote Sensing Imagery by Multiple Feature Pyramid Network", 《IEEE ACCESS》 * |
赵斐 等: "基于多特征图金字塔融合深度网络的遥感图像语义分割", 《电子与信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537063A (zh) * | 2021-07-16 | 2021-10-22 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
CN113537063B (zh) * | 2021-07-16 | 2022-09-13 | 海南省林业科学研究院(海南省红树林研究院) | 一种基于综合遥感技术的森林环境遥感监测方法及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111860173B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723585B (zh) | 一种风格可控的图像文本实时翻译与转换方法 | |
CN111145209B (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
CN109657612B (zh) | 一种基于人脸图像特征的质量排序***及其使用方法 | |
KR20010110416A (ko) | 비디오 스트림 분류가능 심볼 고립 방법 및 시스템 | |
CN110751154B (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
CN112418216A (zh) | 一种复杂自然场景图像中的文字检测方法 | |
CN110443235B (zh) | 一种智能纸质试卷总分识别方法及*** | |
CN112085017B (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN111027538A (zh) | 一种基于实例分割模型的集装箱检测方法 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111798470A (zh) | 一种应用于智能农业的农作物图像实体分割方法及*** | |
Zhu et al. | Automatic object detection and segmentation from underwater images via saliency-based region merging | |
CN110390228A (zh) | 基于神经网络的交通标志图片识别方法、装置及存储介质 | |
CN111860173B (zh) | 一种基于弱监督的遥感图像地物要素提取方法及*** | |
CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 | |
CN112580629A (zh) | 一种基于深度学习的车牌字符识别方法以及相关装置 | |
Zhang et al. | A novel approach for binarization of overlay text | |
CN110633666A (zh) | 一种基于手指颜色贴片的手势轨迹识别方法 | |
CN106066887A (zh) | 一种广告序列图像快速检索和分析方法 | |
Patel et al. | A novel approach for detecting number plate based on overlapping window and region clustering for Indian conditions | |
Callier et al. | Automatic road area extraction from printed maps based on linear feature detection | |
Toaha et al. | Automatic signboard detection from natural scene image in context of Bangladesh Google street view | |
CN109086774B (zh) | 基于朴素贝叶斯的彩色图像二值化方法和*** |
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 |