CN112801929A - 一种用于建筑物变化检测的局部背景语义信息增强方法 - Google Patents

一种用于建筑物变化检测的局部背景语义信息增强方法 Download PDF

Info

Publication number
CN112801929A
CN112801929A CN202110382282.6A CN202110382282A CN112801929A CN 112801929 A CN112801929 A CN 112801929A CN 202110382282 A CN202110382282 A CN 202110382282A CN 112801929 A CN112801929 A CN 112801929A
Authority
CN
China
Prior art keywords
deep learning
module
learning model
image
height
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
Application number
CN202110382282.6A
Other languages
English (en)
Inventor
吴敦
应良中
孙华
高广
费佳宁
李东
卞婷玉
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.)
Baolue Technology Zhejiang Co ltd
Original Assignee
Baolue Technology Zhejiang Co 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 Baolue Technology Zhejiang Co ltd filed Critical Baolue Technology Zhejiang Co ltd
Priority to CN202110382282.6A priority Critical patent/CN112801929A/zh
Publication of CN112801929A publication Critical patent/CN112801929A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

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

Abstract

本发明涉及一种用于建筑物变化检测的局部背景语义信息增强方法，即：对比前后时相的两张建筑物原图，在两张原图上标注出建筑物变化区域，生成标注矢量文件，将原图裁切成N块高为H、宽为W的小图，将标注矢量文件转换为和原图等宽、等高的二值图，然后裁切出N块高为h，宽为w的标签，其中h=H/2，w=W/2，形成的图作为训练样本，构建出深度学习模型，对深度学习模型进行训练，任意选取一张待检测的遥感图像输入到训练得到的模型中，该方法实现了局部背景语义信息增强，即W与w之间的差值部分以及H与h之间的差值部分的背景像素对边缘区域的检测形成了信息增强，从源头为深度学习模型判别提供了决定性的上下文特征，显著提高检测准确率。

Description

一种用于建筑物变化检测的局部背景语义信息增强方法
技术领域
本发明涉及计算机视觉技术领域，尤其是涉及一种用于建筑物变化检测的局部背景语义信息增强方法。
背景技术
中国社会经济的快速发展加速了城市的空间扩展，在城市化进程中，建筑物作为活跃的城市要素，会出现大量更新。精确、高效的建筑物变化信息提取对于城市规划等业务具有重要意义。
卫星遥感技术的发展为各个研究领域带来了大量遥感数据，其中遥感图像已经成为建筑物变化检测技术的重要数据来源。高分辨率遥感图像中地物信息丰富，但“同物异谱，同谱异物”的情况严重，这也对如何有效利用这些信息进行建筑物变化检测提出了巨大挑战。随着深度学习技术的创新与发展，其以无需通过专家进行手工设计和泛化能力强等特点，为建筑物变化检测带来了新的可能性。
在实际应用中，由于现代都市高楼林立以及不同时相镜头拍摄姿态不同，导致建筑物出现投影差、现有算法无法处理等问题，需通过人工来检测出建筑物变化的区域，但面对城市数量级的建筑物造成的海量勾绘任务，其效率低、成本高是该领域无法回避的痛点。
局部背景语义信息增强算法能让深度学习算法有效的处理投影差现象，进一步提高建筑物变化检测的准确率。
发明内容
本发明所要解决的技术问题是提供一种精度高、效率高，且成本低的用于建筑物变化检测的局部背景语义信息增强方法。
本发明所采用的技术方案是，一种用于建筑物变化检测的局部背景语义信息增强方法，该方法包括下列步骤：
步骤一、对比前后时相的两张建筑物原图，在两张建筑物原图上标注出建筑物变化的区域，即勾绘建筑物变化区域，生成标注矢量文件，其中建筑物原图的高度设为OH，宽度设为OW；
步骤二、分别将前后时相的两张建筑物原图裁切成N块高为H、宽为W的小图，其中OH大于H，OW大于W；
步骤三、将步骤一中生成的标注矢量文件转换为高度为OH、宽度为OW的二值图，再将得到的二值图裁切为N块高为h、宽为w的标签，每块标签均位于对应的每块小图的正中间，其中h=H/2，w=W/2；
步骤四、将步骤二中前时相的N块小图分别与后时相的N块小图一一对应进行拼接，拼接后形成的图作为训练样本，并生成训练样本集，即训练样本集中包括了N块拼接形成的图；
步骤五、构建出深度学习模型；
步骤六、对深度学习模型进行训练：将步骤四中生成的训练样本集输入到步骤五构建的深度学习模型勾网络结构中，获得深度学习模型的输出结果，将输出结果与步骤三中的标签输入到损失函数中计算出损失值，再通过反向传播算法以损失值等于0为目标来更新网络权重，不断迭代，实现深度学习模型的训练；
步骤七、任意选取一张待检测的遥感图像，在该遥感图像上应用步骤六中训练得到的深度学习模型。
本发明的有益效果是：采用上述一种用于建筑物变化检测的局部背景语义信息增强方法，该方法实现了局部背景语义信息增强，即W与w之间差值部分的背景像素以及H与h之间差值部分的背景像素对边缘区域的检测形成了信息增强，从源头上为深度学习模型判别提供了决定性的上下文特征，在该领域，属于从无到有的一项技术，是质的飞跃，显著提高了检测的准确率、精度以及检测效率，并且成本低。
作为优选，在步骤六中，勾网络结构包括特征提取模块以及位于特征提取模块一侧的特征映射模块，特征提取模块为四层结构，特征映射模块为三层结构，特征提取模块包括第一模块、第二模块、第三模块以及第四模块，第一模块包括：卷积、最大池化以及卷积层，第二模块、第三模块以及第四模块均包括：最大池化以及卷积层，特征映射模块包括第五模块、第六模块以及第七模块，第五模块包括：双线性插值上采样、合并以及膨胀卷积层，第六模块以及第七模块均包括：双线性插值上采样、合并以及卷积层。
作为优选，训练样本集输入到勾网络结构中，获得深度学习模型的输出结果的具体过程为：将训练样本集中的训练样本满尺寸输入到勾网络结构中，经过特征提取模块，生成特征矩阵，再经过特征映射模块，输出两通道的结果，该结果的两通道中，一通道代表建筑物没有发生变化，另一通道代表建筑物发生了变化。
作为优选，在步骤六中，损失函数定义为：
Figure 128460DEST_PATH_IMAGE001
，其中，k为像素位置，P为像素总数，
Figure 920967DEST_PATH_IMAGE002
为k位置的像素的真实值，令深度学习模型为f(),x为输入图像，那么
Figure 700704DEST_PATH_IMAGE003
为模型输出值，
Figure 971279DEST_PATH_IMAGE004
为k位置的模型输出值。
作为优选，步骤七中，在任意选取的一张待检测遥感图像上应用步骤六中训练得到的深度学习模型的具体过程为：将任意选取的一张待检测遥感图像的高度设为OH，宽度设为OW，将该遥感图像裁切成N块高为H，宽为W的小图，将N块小图输入到训练好的深度学习模型中进行计算得到输出结果，把得到的输出结果再拼接成一张高度为OH，宽度为OW的图像，从而完成对遥感图像在深度学习模型中的应用。
作为优选，在将待检测遥感图像上应用到训练得到的深度学习模型的过程中，采用滑动窗口来完成对待检测遥感图像的全覆盖。
作为优选，采用滑动窗口来完成对待检测遥感图像的全覆盖的具体方法为：将待检测图作为底部框图，其高度为OH，宽度为OW，设第一方框图为t1时刻输入到深度学***方向滑动，其滑动步幅为标签的宽度w，本次滑动仅在水平方向发生，但在换行时则需要在垂直方向进行滑动，垂直方向为标签的高度h，滑动完成，设第三方框图为t2时刻输入到深度学习模型中的图像，第四方框图为t2时刻模型的输出结果，将t2时刻的输出结果暂存，此时t2时刻的深度学习模型计算完成，以此种方式进行迭代，最终完成全图的深度学习模型计算，将每次暂存的输出结果按照顺序拼接成与待检测图像相同的尺寸，即完成待检测遥感图像在训练得到的深度学习模型中的应用。
附图说明
图1为本发明中前后时相的两张建筑物原图中的某个区域的影像，设视野为v；
图2为与图1相同区域处前后两个时相的影像，设视野为V，其中V>v；
图3 为深度学习模型构建时输入的图像以及标签的示意图，中间方框区域为标签，即建筑物变化的检测区域，全图为输入的图像；
图4为本发明一种用于建筑物变化检测的局部背景语义信息增强方法的流程图；
图5为本发明实施例中提供的建筑物变化检测的训练样本的标注示意图；
图6为本发明中深度学习模型的结构示意图；
图7为本发明中提供的深度学习模型应用方式的示意图；
附图标记：1、第一模块；2、第一箭头；3、第二模块；4、第三模块；5、第四模块；6、第七模块；7、第二箭头；8、第六模块；9、第五模块；10、底部框图；11、第一方框图；12、第二方框图；13、第三方框图；14、第四方框图。
具体实施方式
以下参照附图并结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
本领域技术人员应理解的是，在本发明的公开中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底” “内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
在图1中，不管是人类还是模型去判断，都可能认为左右两张图像的左上方发生了建筑物变化。但把视野放大至图2所示，发现只是因为投影差导致了部分建筑物出现在图1中，实际并没有发生建筑物变化。在传统方法中，深度学习模型的检测范围为标签区域和输入图像的区域，且两个区域的大小是完全一致的，然而在图1和图2的情况下，传统的方法存在明显的缺陷，传统方法显而易见不能在图1的输入下获得可解释的准确结果，但是如果人类遇到类似情况，就会引入更多的信息来结合常识经验辅助判断，比如进行缩放图像，或者比照其它区域的影像。
本发明对于遥感的变化检测、语义分割的工作意义重大，它改变了过去变化检测“开局两张图”、或“开局一张图”的算法桎梏，带来了全新的思路，即引入更多的信息，为模型提供了上下文环境信息，超越了“两张图”、“一张图”信息总量的上限，实现了远大于传统方法的感受视野，对图像边缘处的建筑物变化检测提供了语义信息的支撑，能够更加准确的感知变化。如图3所示，整张图输入深度学习模型，中间方框部分为检测区域即标签区域。
请参阅图4，图4为本发明提供的一种用于建筑物变化检测的局部背景语义信息增强方法的流程图，该方法包括下列步骤：
步骤一、对比前后时相的两张建筑物原图，在两张建筑物原图上标注出建筑物变化的区域，即勾绘建筑物变化区域，生成一份标注矢量文件，其中建筑物原图的高度设为OH，宽度设为OW；
步骤二、分别将前后时相的两份标注矢量文件裁切成N块高为H、宽为W的小图，其中OH远大于H，OW远大于W；
步骤三、将步骤一中生成的标注矢量文件，转换为和原图相同宽、相同高的二值图，即二值图的高度为OH，宽度为OW，再将二值图裁切为N块高为h，宽为w的标签，每块标签均位于对应的每块小图的正中间，其中h=H/2，w=W/2，比如小图的尺寸为512*512，那么标签的尺寸就为256*256，两者具体差异可根据建筑物在一定像元大小的图像中所占的尺寸进行调优，W与w差值部分的背景像素以及H与h差值部分的背景像素对边缘区域的检测形成了信息增强；
步骤四、将步骤二中前时相的N块小图分别与后时相的N块小图一一对应进行拼接，拼接后形成的图作为训练样本，生成训练样本集，即训练样本集中包括了N块拼接形成的图；例如将两张尺寸为512*512的小图拼接为尺寸为512*1024的图像作为训练样本；
步骤五、构建出深度学习模型；
步骤六、对深度学习模型进行训练：将步骤四中生成的训练样本集输入到勾网络结构中，训练样本集包括了N块拼接形成的图，那么就是将N块拼接形成的图全输入进勾网络结构中，获得深度学习模型的输出结果，将输出结果与步骤三中的标签输入到损失函数中计算出损失值，再通过反向传播算法以损失值等于0为目标来更新网络权重，不断迭代，实现深度学习模型的训练；
步骤七、任意选取一张待检测的遥感图像，在该遥感图像上应用步骤六中训练得到的深度学习模型。
本专利提出了勾网络（Hook net）结构，如图6所示，由两部分组成，即左侧的特征提取模块和右侧的特征映射模块。传统算法在实现类似功能时使用的是对称结构，即特征提取模块和特征映射模块的数量是一致的。而在图6中，该勾网络结构使用了不同数量，即特征提取模块有4层，而特征映射模块只有3层，“勾”的意思为：取其两边长短互现之意。在图6中：
第一模块1包括卷积、最大池化以及卷积层；
第二模块3、第三模块4以及第四模块5包括最大池化以及卷积层；
第五模块9包括双线性插值上采样、合并以及膨胀卷积层；
第六模块8包括双线性插值上采样、合并以及卷积层；
第一箭头2代表前向计算；
第二箭头7代表复制操作。
第一模块1、第二模块3、第三模块4以及第四模块5共同构成了特征提取模块，第五模块9、第六模块8以及第七模块6共同构成了特征映射模块。
输入训练样本图像尺寸为3通道512x1024，其由前后时相的两张3通道512x512图片拼接而成，经过特征提取模块，生成特征尺寸为512通道32x64，经过特征映射模块输出2通道256x256的输出结果，该输出结果的2通道中，一通道代表建筑物没有变化，另一通道则代表建筑物发生了变化。输入和输出的图像尺寸不同，即输入图像尺寸为512x1024，输出图像尺寸为256x256，如图3所示，检测区域为图中的方框区域，即标签，未检测区域的图像信息作为对边缘侧的语义信息增强，增强了模型建筑物变化感知能力。
在步骤六中，损失函数定义为：
Figure 785652DEST_PATH_IMAGE001
Figure 483480DEST_PATH_IMAGE004
，其中，k为像素位置，P为像素总数，
Figure 750514DEST_PATH_IMAGE002
为k位置的像素的真实值，令深度学习模型为f(),x为输入图像，那么
Figure 824780DEST_PATH_IMAGE003
为模型输出值，
Figure 493659DEST_PATH_IMAGE004
为k位置的模型输出值。
步骤七中，在任意选取的一张待检测遥感图像上应用步骤六中训练得到的深度学习模型的具体过程为：将任意选取的一张遥感图像的高度设为OH，宽度设为OW，将该遥感图像裁切成N块高为H，宽为W的小图，将N块小图输入到训练好的深度学习模型中进行计算得到输出结果，把得到的输出结果再拼接成为一张高度为OH，宽度为OW的图像，从而完成对遥感图像在深度学习模型中的应用。
在将待检测遥感图像上应用到训练得到的深度学***方向滑动，其滑动步幅为标签的宽度w，本次滑动仅在水平方向发生，但在换行时则需要在垂直方向进行滑动，垂直方向为标签的高度h，滑动完成，设第三方框图13为t2时刻输入到深度学习模型中的图像，第四方框图14为t2时刻模型的输出结果，将t2时刻结果暂存，此时t2时刻的模型计算完成，以此种方式进行迭代，最终完成全图的深度学习模型计算，将每次暂存的输出结果按照顺序拼接成与待检测图像相同的尺寸，即完成待检测遥感图像在训练得到的深度学习模型中的应用。
现有技术无法处理建筑物投影差导致的变化误检，主要通过人工肉眼判断，本发明实现了局部背景语义信息增强，从源头为模型判别提供了决定性的上下文特征，从无到有，是质的飞跃，显著提高检测准确率。
综上所述，仅为本发明之较佳实施例，不以此限定本发明的保护范围，凡依本发明专利范围及说明书内容所作的等效变化与修饰，皆为本发明专利涵盖的范围之内。

Claims (7)

1.一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：该方法包括下列步骤：
步骤一、对比前后时相的两张建筑物原图，在两张建筑物原图上标注出建筑物变化的区域，生成标注矢量文件，其中建筑物原图的高度设为OH，宽度设为OW；
步骤二、分别将前后时相的两张原图裁切成N块高为H、宽为W的小图，其中OH大于H，OW大于W；
步骤三、将步骤一中生成的标注矢量文件，转换为高度为OH、宽度为OW的二值图，再将得到二值图裁切为N块高为h、宽为w的标签，每块标签均位于对应的每块小图的正中间，其中h=H/2，w=W/2；
步骤四、将步骤二中前时相的N块小图分别与后时相的N块小图一一对应进行拼接，拼接后形成的图作为训练样本，并生成训练样本集；
步骤五、构建出深度学习模型；
步骤六、对深度学习模型进行训练：将步骤四中生成的训练样本集输入到步骤五中的深度学习模型勾网络结构中，获得深度学习模型的输出结果，将输出结果与步骤三中的标签输入到损失函数中计算出损失值，再通过反向传播算法以损失值等于0为目标来更新网络权重，不断迭代，实现深度学习模型的训练；
步骤七、任意选取一张待检测的遥感图像，在该遥感图像上应用步骤六中训练得到的深度学习模型。
2.根据权利要求1所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：在步骤六中，勾网络结构包括特征提取模块以及位于特征提取模块一侧的特征映射模块，特征提取模块为四层结构，特征映射模块为三层结构，特征提取模块包括第一模块(1)、第二模块(3)、第三模块(4)以及第四模块(5)，第一模块(1)包括：卷积、最大池化以及卷积层，第二模块(3)、第三模块(4)以及第四模块(5)均包括：最大池化以及卷积层，特征映射模块包括第五模块(9)、第六模块(8)以及第七模块(6)，第五模块(9)包括：双线性插值上采样、合并以及膨胀卷积层，第六模块(8)以及第七模块(6)均包括：双线性插值上采样、合并以及卷积层。
3.根据权利要求2所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：训练样本集输入到勾网络结构中，获得深度学习模型的输出结果的具体过程为：将训练样本集中的训练样本满尺寸输入到勾网络结构中，经过特征提取模块，生成特征矩阵，再经过特征映射模块，得到输出结果，所述输出结果为两通道的输出结果，所述输出结果的两通道中，一通道代表建筑物没有发生变化，另一通道代表建筑物发生了变化。
4.根据权利要求1所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：在步骤六中，损失函数定义为：
Figure 579146DEST_PATH_IMAGE001
，其中，k为像素位置，P为像素总数，
Figure 760728DEST_PATH_IMAGE002
为k位置的像素的真实值，令深度学习模型为f(),x为输入图像，那么
Figure 763451DEST_PATH_IMAGE003
为模型输出值，
Figure 663273DEST_PATH_IMAGE004
为k位置的模型输出值。
5.根据权利要求3所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：步骤七中，在任意选取的一张待检测遥感图像上应用步骤六中训练得到的深度学习模型的具体过程为：将任意选取的一张待检测遥感图像的高度设为OH，宽度设为OW，将该遥感图像裁切成N块高为H，宽为W的小图，将N块小图输入到训练好的深度学习模型中进行计算得到输出结果，把得到的输出结果再拼接成一张高度为OH，宽度为OW的图像，从而完成对遥感图像在深度学习模型模型中的应用。
6.根据权利要求5所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：在将待检测遥感图像上应用到训练得到的深度学习模型的过程中，采用滑动窗口来完成对待检测遥感图像的全覆盖。
7.根据权利要求6所述的一种用于建筑物变化检测的局部背景语义信息增强方法，其特征在于：采用滑动窗口来完成对待检测遥感图像的全覆盖的具体过程为：将待检测图作为底部框图(10)，其高度为OH，宽度为OW，设第一方框图(11)为t1时刻输入到深度学***方向滑动，其滑动步幅为标签的宽度w，本次滑动仅在水平方向发生，但在换行时则需要在垂直方向进行滑动，垂直方向为标签的高度h，滑动完成，设第三方框图(13)为t2时刻输入到模型中的图像，第四方框图(14)为t2时刻模型的输出结果，将t2时刻的输出结果暂存，此时t2时刻的模型计算完成，以此种方式进行迭代，最终完成全图的深度学习模型计算，将每次暂存的输出结果按照顺序拼接成与待检测遥感图像相同的尺寸，即完成待检测遥感图像在训练得到的深度学习模型中的应用。
CN202110382282.6A 2021-04-09 2021-04-09 一种用于建筑物变化检测的局部背景语义信息增强方法 Pending CN112801929A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110382282.6A CN112801929A (zh) 2021-04-09 2021-04-09 一种用于建筑物变化检测的局部背景语义信息增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110382282.6A CN112801929A (zh) 2021-04-09 2021-04-09 一种用于建筑物变化检测的局部背景语义信息增强方法

Publications (1)

Publication Number Publication Date
CN112801929A true CN112801929A (zh) 2021-05-14

Family

ID=75816710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110382282.6A Pending CN112801929A (zh) 2021-04-09 2021-04-09 一种用于建筑物变化检测的局部背景语义信息增强方法

Country Status (1)

Country Link
CN (1) CN112801929A (zh)

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092960A (zh) * 2017-04-17 2017-08-25 中国民航大学 一种改进的并行通道卷积神经网络训练方法
AU2018101336A4 (en) * 2018-09-12 2018-10-11 Hu, Yuan Miss Building extraction application based on machine learning in Urban-Suburban-Integration Area
CN108776772A (zh) * 2018-05-02 2018-11-09 北京佳格天地科技有限公司 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质
CN108985269A (zh) * 2018-08-16 2018-12-11 东南大学 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
CN109255778A (zh) * 2018-07-27 2019-01-22 北京市商汤科技开发有限公司 图像处理方法和装置、电子设备、存储介质、程序产品
CN109754402A (zh) * 2018-03-15 2019-05-14 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质
CN109770912A (zh) * 2019-01-23 2019-05-21 复旦大学 一种基于深度卷积神经网络的步态异常分类方法
CN109871875A (zh) * 2019-01-21 2019-06-11 大连理工大学 一种基于深度学习的建筑物变化检测方法
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法
CN109886238A (zh) * 2019-03-01 2019-06-14 湖北无垠智探科技发展有限公司 基于语义分割的无人机航拍图像变化检测算法
CN110136113A (zh) * 2019-05-14 2019-08-16 湖南大学 一种基于卷积神经网络的***病理图像分类方法
CN110197709A (zh) * 2019-05-29 2019-09-03 广州瑞多思医疗科技有限公司 一种基于深度学习与先验计划的三维剂量预测方法
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
CN110298238A (zh) * 2019-05-20 2019-10-01 平安科技（深圳）有限公司 行人视觉跟踪方法、模型训练方法、装置、设备及存储介质
KR20190119261A (ko) * 2018-04-12 2019-10-22 가천대학교 산학협력단 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법
CN110490799A (zh) * 2019-07-25 2019-11-22 西安理工大学 基于自融合卷积神经网络的高光谱遥感影像超分辨率方法
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN110866476A (zh) * 2019-11-06 2020-03-06 南京信息职业技术学院 一种基于自动标注和迁移学习的密集堆垛目标检测方法
CN110889449A (zh) * 2019-11-27 2020-03-17 中国人民解放军国防科技大学 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法
CN111400713A (zh) * 2020-03-31 2020-07-10 玉溪师范学院 基于操作码邻接图特征的恶意软件族群分类方法
CN111640159A (zh) * 2020-05-11 2020-09-08 武汉大学 一种基于孪生卷积神经网络的遥感影像变化检测方法
CN112132813A (zh) * 2020-09-24 2020-12-25 中国医学科学院生物医学工程研究所 基于改进的UNet网络模型的皮肤超声影像分割方法
CN112233062A (zh) * 2020-09-10 2021-01-15 浙江大华技术股份有限公司 地物变化检测方法、电子装置和存储介质
CN112330761A (zh) * 2020-08-31 2021-02-05 北京航空航天大学 基于混合精度训练的深度ect图像增强方法
CN112489096A (zh) * 2020-11-26 2021-03-12 西北工业大学 基于图匹配模型的低配准精度下遥感图像变化检测方法
CN112489054A (zh) * 2020-11-27 2021-03-12 中北大学 一种基于深度学习的遥感图像语义分割方法

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092960A (zh) * 2017-04-17 2017-08-25 中国民航大学 一种改进的并行通道卷积神经网络训练方法
CN110232394A (zh) * 2018-03-06 2019-09-13 华南理工大学 一种多尺度图像语义分割方法
CN109754402A (zh) * 2018-03-15 2019-05-14 京东方科技集团股份有限公司 图像处理方法、图像处理装置以及存储介质
KR20190119261A (ko) * 2018-04-12 2019-10-22 가천대학교 산학협력단 멀티 스케일 이미지와 멀티 스케일 확장된 컨볼루션 기반의 완전 컨볼루션 뉴럴 네트워크를 이용한 시맨틱 이미지 세그먼테이션 장치 및 그 방법
CN108776772A (zh) * 2018-05-02 2018-11-09 北京佳格天地科技有限公司 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质
CN109255778A (zh) * 2018-07-27 2019-01-22 北京市商汤科技开发有限公司 图像处理方法和装置、电子设备、存储介质、程序产品
CN108985269A (zh) * 2018-08-16 2018-12-11 东南大学 基于卷积和空洞卷积结构的融合网络驾驶环境感知模型
AU2018101336A4 (en) * 2018-09-12 2018-10-11 Hu, Yuan Miss Building extraction application based on machine learning in Urban-Suburban-Integration Area
CN109886106A (zh) * 2019-01-15 2019-06-14 浙江大学 一种基于深度学习的遥感图像建筑物变化检测方法
CN109871875A (zh) * 2019-01-21 2019-06-11 大连理工大学 一种基于深度学习的建筑物变化检测方法
CN109770912A (zh) * 2019-01-23 2019-05-21 复旦大学 一种基于深度卷积神经网络的步态异常分类方法
CN109886238A (zh) * 2019-03-01 2019-06-14 湖北无垠智探科技发展有限公司 基于语义分割的无人机航拍图像变化检测算法
CN110136113A (zh) * 2019-05-14 2019-08-16 湖南大学 一种基于卷积神经网络的***病理图像分类方法
CN110298238A (zh) * 2019-05-20 2019-10-01 平安科技（深圳）有限公司 行人视觉跟踪方法、模型训练方法、装置、设备及存储介质
CN110197709A (zh) * 2019-05-29 2019-09-03 广州瑞多思医疗科技有限公司 一种基于深度学习与先验计划的三维剂量预测方法
CN110490799A (zh) * 2019-07-25 2019-11-22 西安理工大学 基于自融合卷积神经网络的高光谱遥感影像超分辨率方法
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN110866476A (zh) * 2019-11-06 2020-03-06 南京信息职业技术学院 一种基于自动标注和迁移学习的密集堆垛目标检测方法
CN110889449A (zh) * 2019-11-27 2020-03-17 中国人民解放军国防科技大学 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法
CN111400713A (zh) * 2020-03-31 2020-07-10 玉溪师范学院 基于操作码邻接图特征的恶意软件族群分类方法
CN111640159A (zh) * 2020-05-11 2020-09-08 武汉大学 一种基于孪生卷积神经网络的遥感影像变化检测方法
CN112330761A (zh) * 2020-08-31 2021-02-05 北京航空航天大学 基于混合精度训练的深度ect图像增强方法
CN112233062A (zh) * 2020-09-10 2021-01-15 浙江大华技术股份有限公司 地物变化检测方法、电子装置和存储介质
CN112132813A (zh) * 2020-09-24 2020-12-25 中国医学科学院生物医学工程研究所 基于改进的UNet网络模型的皮肤超声影像分割方法
CN112489096A (zh) * 2020-11-26 2021-03-12 西北工业大学 基于图匹配模型的低配准精度下遥感图像变化检测方法
CN112489054A (zh) * 2020-11-27 2021-03-12 中北大学 一种基于深度学习的遥感图像语义分割方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DENGKUI MO ET AL: "A SVM-Based Change Detection Method from Bi-Temporal Remote Sensing Images in Forest Area", 《 FIRST INTERNATIONAL WORKSHOP ON KNOWLEDGE DISCOVERY AND DATA MINING》 *
MART VAN RIJTHOVEN ET AL: "HookNet:multi-resolution convolutional neural networks for semantic segmentation in histopathology whole-slide images", 《ARXIV:2006.12230V1》 *
MUYI SUN ET AL: "Accurate Gastric Cancer Segmentation in Digital Pathology Images Using Deformable Convolution and Multi-Scale Embedding Networks", 《IEEE ACCESS》 *
RONGFANG WANG ET AL: "A Lightweight Convolutional Neural Network for Bitemporal Image Change Detection", 《IGARSS 2020 - 2020 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 *
向阳: "基于编码解码的高分辨率遥感图像变化检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
沈旭东等: "一种改进的Unet建筑物变化检测方法", 《智能应用》 *
秦海轮: "基于空洞卷积和FPGA的SAR图像变化检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN109508681B (zh) 生成人体关键点检测模型的方法和装置
CN110782490B (zh) 一种具有时空一致性的视频深度图估计方法及装置
CN110622213B (zh) 利用3d语义地图进行深度定位和分段的***和方法
CN109886066B (zh) 基于多尺度和多层特征融合的快速目标检测方法
CN110363770B (zh) 一种边缘引导式红外语义分割模型的训练方法及装置
WO2021218786A1 (zh) 一种数据处理***、物体检测方法及其装置
CN111008633B (zh) 一种基于注意力机制的车牌字符分割方法
CN110728707B (zh) 基于非对称深度卷积神经网络的多视角深度预测方法
CN104657458A (zh) 场景图像中的前景目标的目标信息的展示方法及装置
Qu et al. Focus+ context route zooming and information overlay in 3D urban environments
CN111310593B (zh) 一种基于结构感知的超快速车道线检测方法
CN111582029A (zh) 一种基于密集连接与注意力机制的交通标志识别方法
CN113486894B (zh) 一种卫星图像特征部件语义分割方法
CN113657409A (zh) 车辆损失检测方法、装置、电子设备及存储介质
CN112700476A (zh) 一种基于卷积神经网络的红外船视频跟踪方法
CN113850135A (zh) 一种基于时间移位框架的动态手势识别方法及***
CN113361528B (zh) 一种多尺度目标检测方法及***
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
CN114943888A (zh) 基于多尺度信息融合的海面小目标检测方法、电子设备及计算机可读介质
CN111881914B (zh) 一种基于自学习阈值的车牌字符分割方法及***
CN112085767B (zh) 一种基于深度光流跟踪的客流统计方法及***
CN116935268A (zh) 视频目标检测数据主区域标注方法、装置、设备及介质
CN112446353A (zh) 基于深度卷积神经网络的视频图像道线检测方法
CN114627397A (zh) 行为识别模型构建方法以及行为识别方法
CN112801929A (zh) 一种用于建筑物变化检测的局部背景语义信息增强方法

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