CN112084842B - 一种基于深度语义模型的水文遥感图像目标识别方法 - Google Patents
一种基于深度语义模型的水文遥感图像目标识别方法 Download PDFInfo
- Publication number
- CN112084842B CN112084842B CN202010735037.4A CN202010735037A CN112084842B CN 112084842 B CN112084842 B CN 112084842B CN 202010735037 A CN202010735037 A CN 202010735037A CN 112084842 B CN112084842 B CN 112084842B
- Authority
- CN
- China
- Prior art keywords
- semantic
- remote sensing
- image
- sensing image
- convolution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 12
- 210000000746 body region Anatomy 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000000691 measurement method Methods 0.000 abstract 2
- 238000003064 k means clustering Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度语义模型的目标识别方法,实现对于水文遥感图像中的水体区域进行自动标注识别。基于水文遥感图像光谱特性,发明一种引入深度语义模型的水文遥感图像语义特征提取方法,以及引入K‑means聚类的语义空间距离度量方法,最后基于所提出的自适应分割网络结构,实现水文遥感图像的水体区域分割识别。该方法通过对于水文遥感图像进行基于人工神经网络的深度语义模型的语义特征提取,并基于语义空间度量方法选择语义空间距离最近的最优自适应分割网络模型,最终实现对于水文遥感图像中水体区域的自动识别标注。
Description
技术领域
本发明涉及深度学习技术领域,尤其是涉及一种基于深度语义模型的水文遥感图像的目标识别方法。
背景技术
在水文观测领域,针对于水环境的识别与观测一直是重要的研究任务之一,其可通过实地标定测量、远程视频监控等途径进行河道区域的数据获取和观测分析。传统的实地测量受到时间和人力资源的限制,对于河流观测的空间范围与时间频率存在极大的物理局限性。随着空间探测科学技术的不断发展与完善,以水文遥感卫星为主的对地遥感观测方式逐渐成为了更具竞争力的水文观测重要数据来源与分析途径。但同时,海量和高时空复杂度的水文遥感图像也对目标识别方法在时效性、精确度、深入度、多类别对象识别等方面提出了更高的要求。
本发明技术所针对的水文遥感图像是一种多光谱类型的卫星影像,目标旨在对遥感图像中的水体区域进行高效、准确的标注,最终实现对于图像中河道的识别任务。现有的传统水文遥感图像分析方法主要包括人工分析识别与基于经验阈值的半自动分析为主。传统的人工标注准确率较高,但需要大量的人员、时间成本。基于经验阈值的半自动分析主要依靠对于所研究地表区域的目标物光谱表征进行研究,随后基于统计学数值分析,寻找合理的经验数值进行阈值标定,进而在一定的先验概率前提下达到较好的识别准确率。这种基于经验参数对目标对象的光谱进行运算与标定,虽然在一定程度上提高了水文遥感图像中河流目标的识别水平,但每次更换新的地理研究区域,都需要重新标定经验阈值,否则识别率会出现大幅波动。
随着以深度学习为代表的人工神经网络技术的不断发展,包括自编码深度学习网络、对抗神经网络、深度语义模型等新型深度学习网络不断出现。其中,深度语义模型作为重要的目标识别网络模型,其旨在设计和利用基于深层卷积神经网络结构,实现对于当前图像中的特定目标所处区域的分割标记,进而实现该目标的图像识别。
本发明针对于现有水文遥感图像目标识别的人工标注方法存在的人工、时间成本高的问题,以及基于经验阈值的半自动分析方法存在的更换识别区域需要重新标定阈值的弊端,提出了一种基于深度语义模型的水文遥感图像目标识别方法,在保证高识别准确率的同时,有效减少遥感图像识别过程的人工成本,提高水文遥感图像识别的时效性。
发明内容
本发明所要解决的技术问题是针对传统水文遥感图像目标识别方法存在的人工时间成本高,以及基于经验阈值的半自动分析方法存在的更换识别区域需要重新标定阈值的问题,提出一种基于深度语义模型的水文遥感图像目标识别方法,在保证高识别准确率的同时,有效减少遥感图像识别过程的人工成本,提高水文遥感图像识别的时效性。
本发明解决上述技术问题所采用的技术方案为:一种基于深度语义模型的目标识别方法,实现对于水文遥感图像中的水体区域进行自动标注识别。本发明的方法包含如下步骤:
1)水文遥感图像读入与归一化预处理:
为便于本文提出的深度语义模型进行训练与识别,进行基于统计的归一化预处理操作:
Step1:定义水文遥感图像集合C,设C中的任意水文遥感图像矩阵I的维度为m*n*p,其中m为图像长,n为图像宽,p为图像的通道数。随后,沿p维度方向定义每个m*n的子矩阵为光谱特征矩阵F_i,其中i为自然数,如F_1、F_2…;
Step2:对于光谱特征矩阵F_i,首先得到F_i矩阵中的最大元素值F_max和最小元素值F_min;
Step3:随后对于每个F_i中的矩阵元素a进行归一化尺度变换,先计算a’=a-F_min,随后计算a”=F_max-F_min,最后a”’=a’/a”。由此得到归一化光谱特征矩阵F_i’,其中i与F_i中的i相对应,表示同一光谱特征矩阵的归一化前后的结果。最终由I经过上述归一化方法,得到归一化遥感图像矩阵I’;
遍历前述过程,将C转化为归一化水文遥感图像集合C’,平均划分为训练集A和测试集B两个部分。同时对于训练集A,人工标注其中的区域作为训练的真值,便于深度语义模型的有监督训练过程。
2)深度语义模型训练与语义特征提取:
首先,定义深度语义模型结构,设输入遥感图像的光谱通道数量为p,网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、卷积层7、输出层组成。其中,卷积层、输出层的卷积核尺寸为3*3,卷积深度依次为:4×p、8×p、4×p、1、4×p、8×p、4×p、1。基于深度语义模型结构,首先采用训练集A进行模型训练,训练过程的损失函数选择二元交叉熵;
基于已训练好的深度语义模型M,分别对训练集A和测试集B进行深度语义特征提取。以训练集A中的一副图像矩阵A_1为例,具体操作是将A_1作为模型M的图2所示输入层的输入,获取深度语义模型结构的语义特征层的输出S_1。由此,得到A的语义特征集合AS,和B的语义特征集合BS。重复该过程,对训练集A和测试集B的每幅图像进行深度语义特征提取。
3)基于K-means的语义空间度量:
Step1:对集合AS的各个语义特征矩阵进行空间维度变换,由长、宽分别为m、n的二维空间矩阵,开展为一维向量,长度为k,k=m×n;
Step2:随后进行基于K-means的k维空间的空间聚类,得到g个类别组N_j,j为自然数。各个类别组的空间中心坐标N_center的各个坐标数值为X0,X1,…,Xk;
同时,定义任意两个语义特征矩阵的欧式空间距离为语义空间距离。
4)基于语义空间距离选择对应图像分割模型进行图像分割:
首先,定义语义分割网络结构,设输入遥感图像的光谱通道数量为p,网络依次由输入层、自适应光谱特征提取模块、卷积层1、卷积层2、卷积层3、卷积层4、输出层组成。其中,卷积层、输出层的卷积核尺寸为3*3,卷积深度依次为:32、16、8、4、1。其中,自适应光谱特征提取模块的自适应体现在针对于不同光谱边带数Z的多光谱遥感图像,模块可以自适应地在光谱边带分离后,开设Z个特征提取子通道网络,分别对Z个多光谱边带进行基于“卷积—池化—卷积”的特征提取操作,随后进行不同通道光谱特征的合并。
随后,基于3)的空间聚类所得的g个类别组,分别训练g个语义分割网络结构。
随后在对于测试集B进行逐一测试,过程如下:
Step1:对于测试集B的任意一幅测试图像B_h,其中h自然数,基于2)过程得到语义特征BS_h;
Step2:计算BS_h与3)过程得到的各个类别组N_j的语义空间距离D-BS_h-N_j。
Step3:基于最小的语义空间距离D-BS_h-N_j,得到与测试图像语义特征最为接近的类别组N_j,以及该类别组对应的分割网络模型U_p。
Step4:采用分割网络模型U_p对测试图像B_h进行图像分割,标记出图像中水体所在区域。
与传统的人工标注方法以及基于经验阈值的半自动分析方法相比,本发明的优点在于:
1、本发明对高维数据结构类型的遥感图像进行基于深度学习网络的语义特征提取,并利用该语义特征和基于人工神经网络的深度语义模型进行水文遥感图像中水体区域的识别。该识别方法对于遥感图像的水体区域提取更有针对性。
2、本发明提出了一种基于语义空间距离,选择对应图像分割模型进行图像分割的方法。相比于传统深度学习方法将全部训练样本训练单一模型进行图像分割,本发明方法对训练样本先进行了基于语义相关性的分组,随后只将同类样本训练对应模型,因此深度学习模型对于该类样本的识别效果更好,针对性更强。
实际性能测试结果如下:
实验采用了13维多光谱遥感数据源,对来自个大洲的40条主要河流,共计400幅河流遥感图像进行了河流区域识别。测试前,首先人工标注对这400幅河流测试样本进行了人工标注,标注出了其中的河流与陆地的各自区域。测试环境为Window10操作***,CPU为多核Intel-i7处理器,显卡为GTX-2080。测试结果中,对于水体区域识别的准确率达到了85.36%,每幅河流遥感图像的平均测试识别用时平均少于为2秒。证明了该方法在保证较高河流区域识别准确率的同时,有效较低了识别用时,提高了水文遥感图像水体区域的时效性。
附图说明
图1是本发明方法的流程图;
图2是深度语义模型结构示意图;
图3是自适应光谱特征提取模块;
表1是语义分割网络结构说明表格
具体实施方式
以下结合附图对本发明作进一步详细阐述。
本发明针对水文遥感图像的水体区域光谱特性,设计了基于深度语义模型的目标识别方法,实现对于水文遥感图像中的水体区域进行自动标注识别。在实际的使用中,计算机将调用基于本发明方法流程的程序完成具体的遥感图像水体区域识别标注工作。图1为本发明方法的流程图。本发明的方法步骤如下:
第一步:水文遥感图像读入与归一化预处理:
Step1:定义水文遥感图像集合C,设C中的任意水文遥感图像矩阵I的维度为m*n*p,其中m为图像长,n为图像宽,p为图像的通道数。随后,沿p维度方向定义每个m*n的子矩阵为光谱特征矩阵F_i,其中i为自然数,如F_1、F_2…;
Step2:对于光谱特征矩阵F_i,首先得到F_i矩阵中的最大元素值F_max和最小元素值F_min;
Step3:随后对于每个F_i中的矩阵元素a进行归一化尺度变换,先计算a’=a-F_min,随后计算a”=F_max-F_min,最后a”’=a’/a”。由此得到归一化光谱特征矩阵F_i’,其中i与F_i中的i相对应,表示同一光谱特征矩阵的归一化前后的结果。最终由I经过上述归一化方法,得到归一化遥感图像矩阵I’;
遍历前述过程,将C转化为归一化水文遥感图像集合C’,平均划分为训练集A和测试集B两个部分。同时对于训练集A,人工标注其中的区域作为训练的真值,便于深度语义模型的有监督训练过程。
第二步:深度语义模型训练与语义特征提取:
首先,定义深度语义模型结构,设输入遥感图像的光谱通道数量为p,网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、卷积层7、输出层组成。其中,卷积层、输出层的卷积核尺寸为3*3,卷积深度依次为:4×p、8×p、4×p、1、4×p、8×p、4×p、1。基于深度语义模型结构,首先采用训练集A进行模型训练,训练过程的损失函数选择二元交叉熵;
基于已训练好的深度语义模型M,分别对训练集A和测试集B进行深度语义特征提取。以训练集A中的一副图像矩阵A_1为例,具体操作是将A_1作为模型M的图2所示输入层的输入,获取深度语义模型结构的语义特征层的输出S_1。由此,得到A的语义特征集合AS,和B的语义特征集合BS。重复该过程,对训练集A和测试集B的每幅图像进行深度语义特征提取。
第三步:基于K-means的语义空间度量:
Step1:对集合AS的各个语义特征矩阵进行空间维度变换,由长、宽分别为m、n的二维空间矩阵,开展为一维向量,长度为k,k=m×n;
Step2:随后进行基于K-means的k维空间的空间聚类,得到g个类别组N_j,j为自然数。各个类别组的空间中心坐标N_center的各个坐标数值为X0,X1,…,Xk;
同时,定义任意两个语义特征矩阵的欧式空间距离为语义空间距离。
第四步:基于语义空间距离选择对应图像分割模型进行图像分割:
首先,定义语义分割网络结构,设输入遥感图像的光谱通道数量为p,网络依次由输入层、自适应光谱特征提取模块、卷积层1、卷积层2、卷积层3、卷积层4、输出层组成。其中,卷积层、输出层的卷积核尺寸为3*3,卷积深度依次为:32、16、8、4、1。其中,自适应光谱特征提取模块的自适应体现在针对于不同光谱边带数Z的多光谱遥感图像,模块可以自适应地在光谱边带分离后,开设Z个特征提取子通道网络,分别对Z个多光谱边带进行基于“卷积—池化—卷积”的特征提取操作,随后进行不同通道光谱特征的合并。
随后,基于3)的空间聚类所得的g个类别组,分别训练g个语义分割网络结构。
随后在对于测试集B进行逐一测试,过程如下:
Step1:对于测试集B的任意一幅测试图像B_h,其中h自然数,基于2)过程得到语义特征BS_h;
Step2:计算BS_h与3)过程得到的各个类别组N_j的语义空间距离D-BS_h-N_j。
Step3:基于最小的语义空间距离D-BS_h-N_j,得到与测试图像语义特征最为接近的类别组N_j,以及该类别组对应的分割网络模型U_p。
Step4:采用分割网络模型U_p对测试图像B_h进行图像分割,标记出图像中水体所在区域。
Claims (4)
1.一种基于深度语义模型的目标识别方法,其特征在于包括以下步骤:
a)水文遥感图像读入与归一化预处理:
Step1:定义水文遥感图像集合C,设C中的任意水文遥感图像矩阵I的维度为m*n*p,其中m为图像长,n为图像宽,p为图像的通道数;随后,沿p维度方向定义每个m*n的子矩阵为光谱特征矩阵F_i,其中i为自然数,F_1、F_2…;
Step2:对于光谱特征矩阵F_i,首先得到F_i矩阵中的最大元素值F_max和最小元素值F_min;
Step3:随后对于每个F_i中的矩阵元素a进行归一化尺度变换,先计算a’=a-F_min,随后计算a’’=F_max-F_min,最后a’’’=a’/a’’;由此得到归一化光谱特征矩阵F_i’,其中i与F_i中的i相对应,表示同一光谱特征矩阵的归一化前后的结果;最终由I经过上述归一化方法,得到归一化遥感图像矩阵I’;
遍历Step1-Step3,将C转化为归一化水文遥感图像集合C’,平均划分为训练集A和测试集B两个部分;同时对于训练集A,人工标注其中的区域作为训练的真值;
b)深度语义模型训练与语义特征提取:
首先,定义深度语义模型结构,设输入遥感图像的光谱通道数量为p,网络依次由输入层、卷积层1、卷积层2、卷积层3、卷积层4、卷积层5、卷积层6、卷积层7、输出层组成;其中,卷积层、输出层的卷积核尺寸为3*3,卷积深度依次为:4×p、8×p、4×p、1、4×p、8×p、4×p、1;基于深度语义模型结构,首先采用训练集A进行模型训练,训练过程的损失函数选择二元交叉熵;
基于已训练好的深度语义模型M,分别对训练集A和测试集B进行深度语义特征提取;以训练集A中的一副图像矩阵A_1为例,具体操作是将A_1作为模型M的输入层的输入,获取深度语义模型结构的语义特征层的输出S_1;由此,得到A的语义特征集合AS,和B的语义特征集合BS;重复该过程,对训练集A和测试集B的每幅图像进行深度语义特征提取;
c)基于K-means的语义空间度量:
Step1:对集合AS的各个语义特征矩阵进行空间维度变换,由长、宽分别为m、n的二维空间矩阵,开展为一维向量,长度为k,k=m×n;
Step2:随后进行基于K-means的k维空间的空间聚类,得到g个类别组N_j,j为自然数;各个类别组的空间中心坐标N_center的各个坐标数值为X0,X1,…,Xk;
同时,定义任意两个语义特征矩阵的欧式空间距离为语义空间距离;
d)基于语义空间距离选择对应图像分割模型进行图像分割:
首先,定义语义分割网络结构,设输入遥感图像的光谱通道数量为p,网络依次由输入层、自适应光谱特征提取模块、卷积层1、卷积层2、卷积层3、卷积层4、输出层组成;其中,卷积层、输出层的卷积核尺寸为3*3,卷积深度依次为:32、16、8、4、1;其中,自适应光谱特征提取模块的自适应体现在针对于不同光谱边带数Z的多光谱遥感图像,模块自适应地在光谱边带分离后,开设Z个特征提取子通道网络,分别对Z个多光谱边带进行基于“卷积—池化—卷积”的特征提取操作,随后进行不同通道光谱特征的合并;
随后,基于步骤c)的空间聚类所得的g个类别组,分别训练g个语义分割网络结构;
随后在对于测试集B进行逐一测试,过程如下:
Step1:对于测试集B的任意一幅测试图像B_h,其中h自然数,基于b)过程得到语义特征BS_h;
Step2:计算BS_h与c)过程得到的各个类别组N_j的语义空间距离D-BS_h-N_j;
Step3:基于最小的语义空间距离D-BS_h-N_j,得到与测试图像语义特征最为接近的类别组N_j,以及该类别组对应的分割网络模型U_p;
Step4:采用分割网络模型U_p对测试图像B_h进行图像分割,标记出图像中水体所在区域。
2.根据权利要求1所述的方法,其特征在于,所述步骤b)中采用了基于深度语义模型结构进行水文遥感图像的语义特征提取,进而实现对于水文遥感图像中水体区域的自动识别标注。
3.根据权利要求1所述的方法,其特征在于,所述步骤c)中对于水文遥感图像语义特征矩阵首先进行了矩阵变换,随后进行基于K-means的空间聚类,并利用欧式空间距离对语义义空间距离进行度量,选择对应语义空间距离最近的最优自适应分割网络模型。
4.根据权利要求1所述的方法,其特征在于,所述步骤d)中对水文遥感图像,采用了基于自适应分割网络模型结构进行语义分割,最终实现了水文遥感图像中水体区域的自动识别标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735037.4A CN112084842B (zh) | 2020-07-28 | 2020-07-28 | 一种基于深度语义模型的水文遥感图像目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010735037.4A CN112084842B (zh) | 2020-07-28 | 2020-07-28 | 一种基于深度语义模型的水文遥感图像目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084842A CN112084842A (zh) | 2020-12-15 |
CN112084842B true CN112084842B (zh) | 2024-06-21 |
Family
ID=73735635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010735037.4A Active CN112084842B (zh) | 2020-07-28 | 2020-07-28 | 一种基于深度语义模型的水文遥感图像目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084842B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861824B (zh) * | 2023-02-23 | 2023-06-06 | 汕头大学 | 基于改进Transformer的遥感图像识别方法 |
CN116580302B (zh) * | 2023-05-09 | 2023-11-21 | 湖北一方科技发展有限责任公司 | 一种高维水文数据处理***及方法 |
CN117110217B (zh) * | 2023-10-23 | 2024-01-12 | 安徽农业大学 | 一种立体化水质监测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN111259900A (zh) * | 2020-01-13 | 2020-06-09 | 河海大学 | 一种卫星遥感图像的语义分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985238B (zh) * | 2018-07-23 | 2021-10-22 | 武汉大学 | 联合深度学习和语义概率的不透水面提取方法及*** |
-
2020
- 2020-07-28 CN CN202010735037.4A patent/CN112084842B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN111259900A (zh) * | 2020-01-13 | 2020-06-09 | 河海大学 | 一种卫星遥感图像的语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112084842A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084842B (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
Wang et al. | Remote sensing image classification based on the optimal support vector machine and modified binary coded ant colony optimization algorithm | |
Li et al. | Apple leaf disease identification and classification using resnet models | |
CN109063594A (zh) | 基于YOLOv2的遥感图像快速目标检测方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN112052754B (zh) | 基于自监督表征学习的极化sar影像地物分类方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN104765768A (zh) | 海量人脸库的快速准确检索方法 | |
CN102096825A (zh) | 基于图的半监督高光谱遥感图像分类方法 | |
CN106611423B (zh) | 基于脊波滤波器和反卷积结构模型的sar图像分割方法 | |
CN102567963A (zh) | 基于量子多目标聚类的遥感图像分割方法 | |
CN102945553B (zh) | 基于自动差分聚类算法的遥感图像分割方法 | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN109472801A (zh) | 一种用于多尺度的神经形态检测和分割方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和*** | |
CN117765313A (zh) | 一种基于空间连续视图对比学习的多源遥感图像分类方法 | |
Nie et al. | Adap-EMD: Adaptive EMD for aircraft fine-grained classification in remote sensing | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
CN109670408A (zh) | 一种基于对象的遥感图像水体提取方法 | |
CN104331711B (zh) | 基于多尺度模糊测度与半监督学习的sar图像识别方法 | |
CN103955711A (zh) | 一种成像光谱目标识别分析中的模式识别方法 | |
CN108133387A (zh) | 基于软信息的多标记k近邻算法 | |
Chen et al. | DGCNN network architecture with densely connected point pairs in multiscale local regions for ALS point cloud classification | |
CN110222793B (zh) | 基于多视角主动学习的在线半监督分类方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |