CN112819837B - 一种基于多源异构遥感影像的语义分割方法 - Google Patents

一种基于多源异构遥感影像的语义分割方法 Download PDF

Info

Publication number
CN112819837B
CN112819837B CN202110216067.9A CN202110216067A CN112819837B CN 112819837 B CN112819837 B CN 112819837B CN 202110216067 A CN202110216067 A CN 202110216067A CN 112819837 B CN112819837 B CN 112819837B
Authority
CN
China
Prior art keywords
segmentation
stage
remote sensing
class
head
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
CN202110216067.9A
Other languages
English (en)
Other versions
CN112819837A (zh
Inventor
路通
陈喆
杨嘉文
王文海
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202110216067.9A priority Critical patent/CN112819837B/zh
Publication of CN112819837A publication Critical patent/CN112819837A/zh
Application granted granted Critical
Publication of CN112819837B publication Critical patent/CN112819837B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多源异构遥感影像的语义分割方法，涉及深度学习技术领域。具体包括：步骤1、对遥感影像数据集中的训练图片进行预处理；步骤2、搭建多级分割头网络，利用所述多级分割头网络完成对训练图片的特征提取以及分割预测，得到具有多级标签的分割结果；步骤3、对步骤2中搭建的多级分割头网络进行多级标签的监督训练，得到语义分割模型；步骤4、对待分割遥感影像进行分割；步骤5、通过融合多级分割头的预测结果得到最终分割结果。本发明的优点在于对于给定的遥感影像进行像素级的分类，从而精确给出语义分割的结果。

Description

一种基于多源异构遥感影像的语义分割方法
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于多源异构遥感影像的语义分割方法。
背景技术
基于遥感影像的地物要素分类是将地表相对固定的物体分类的***体系，是地表地物要素观测与测绘的重要手段之一。它有着非常广泛的应用，例如：耕地红线预测、生态红线预测等。但是，因为受到同物异谱和同谱异物等现象的影响，遥感影像分析与处理的难度极大，目前主要采用人工方式提取地物要素，效率低，耗资巨大，迫切需要自动化、高精度的地物要素提取方法。
目前，卷积神经网络的迅速发展使得语义分割取得巨大进展。但是地物要素分类需要对给定的遥感影像进行精细化的像素级别的分类。总的来说，它有以下几个技术难点：1)遥感影像数据集的标签往往是多级的，如何用好这种类型的标签是一个重要的问题；2)遥感影像图片通常具有极高的分辨率，例如5000×5000像素，比常规的语义分割数据大很多；3)受到“同物异谱”、“同谱异物”等现象的影响，不同的遥感影像数据集的域(Domain)差别很大，这会使得模型在切换到新数据集的时候，精度可能会急剧下降；4)因为应用场景的限制，地物要素分类任务通常需要在受限的存储资源和计算资源下完成，对模型设计要求非常严苛。上述四个问题是遥感影像语义分割任务中仍然存在的四个困难，为了提升遥感影像语义分割的效率和准确率，解决以上四个问题是非常有必要的。
发明内容
本发明针对现有方法和技术的不足，提出一种基于多源异构遥感影像的语义分割方法，目的在于给定一张遥感影像，本发明将对该影像进行像素级的分类，从而精确给出语义分割的结果。
为实现上述发明目的，本发明采用以下技术方案：
一种基于多源异构遥感影像的语义分割方法，包括如下步骤：
步骤1、对遥感影像数据集中的训练图片进行预处理；
步骤2、搭建多级分割头网络，利用所述多级分割头网络对训练图片进行特征提取以及分割预测，得到具有多级标签的分割结果；
步骤3、对所述多级分割头网络进行多级标签的监督训练，得到语义分割模型；
步骤4、通过语义分割模型对待分割遥感影像进行分割；
步骤5、通过融合多级分割头的预测结果得到最终分割结果。
优选的，所述步骤1中的遥感影像数据集为多源异构数据集，包含N张训练图片，每张训练图片中至少有一种特定类型的语义区域，并且有一个描述该训练图片中所有语义区域的类别的标签。
优选的，所述步骤1中的预处理包括对遥感影像数据集中的训练图片进行数据增强：首先将训练图片按照0.7-1.3的比例随机放缩；然后将训练图片随机水平翻转和随机垂直翻转；最后从训练图片上随机裁剪出大小为256×256像素的样例，作为最终训练图片。
进一步优选的，所述步骤2中，多级分割头网络包括骨干网络模块和多级分割头模块。
进一步优选的，步骤2包括以下步骤：
步骤2-1、建立一个OFA骨干网络模块，对步骤1得到的最终训练图片进行特征提取，得到特征图(C1,C2,C3,C4)；C1,C2,C3,C4分别代表OFA骨干网络模块中不同阶段的卷积层产生的特征图；
步骤2-2、建立一个多级分割头模块，包括两个具有不同类别数量的DeepLabV3+分割头，分别对应地物分类体系的一级类别和二级类别，则有一级类别分割头和二级类别分割头；将OFA骨干网络输出的特征图输入到多级分割头模块中，生成对应一级类别的分割结果RA和二级类别的分割结果RB。
进一步优选的，所述步骤3包括以下步骤：
步骤3-1、设置多级分割头网络的训练损失函数L为：
L＝0.5×LA+0.5×LB
其中LA和LB分别为一级类别分割头和二级类别分割头的损失函数，具体如下所示：
其中，CE(·)表示交叉熵损失函数，predA表示一级类别分割头预测的分割结果，labelA表示以一级类别标注的标签；predB表示二级类别分割头预测的分割结果，labelB表示以二级类别标注的标签；和/>分别表示全卷积网络辅助分支预测的分割结果，辅助分支的损失函数的权重为0.4；
步骤3-2、利用步骤1中预处理过后的遥感影像数据集以及步骤3-1中设置的损失函数L，使用随机梯度下降法对步骤2中搭建的多级分割头网络进行监督训练。
进一步优选的，所述步骤4包括：通过步骤3中训练得到的语义分割模型对待分割遥感影像进行地物类别的分割预测，一级类别分割头的分割结果为二级类别分割头的分割结果为/>其中，CA表示一级类别的数量，CB表示二级类别的数量，H表示遥感影像I的高度，W表示遥感影像I的宽度；分割结果RA和RB在其坐标(i,x,y)处的值为待分割遥感影像中像素点(x,y)属于i的概率，其中i表示一级类别或二级类别中的具体项所对应的标签。
进一步优选的，所述步骤5包括：
步骤5-1、从步骤4中得到的具有多级标签的分割结果RA、RB，由于多级标签存在父类-子类关系，将一级类别的分割结果RA进行拆分得到R′A，或将二级类别的分割结果RB进行合并得到R′B，从而融合不同级别的预测结果；
步骤5-2、将上一步的预测结果通过Argmax函数，取概率最大的类别所对应的标签作为预测标签，生成最终分割结果。
进一步优选的，所述步骤5-1中，一级类别拆分为二级类别按如下公式计算：
其中，类别m是类别n的子类；
二级类别合并成一级类别按如下公式计算：
其中，类别n是类别m的父类。
与现有技术相比，本发明具有以下优点：
(1)本发明提出了一个多级分割头网络，在训练时可以对不同标注级别的标签进行监督，而且在测试时可以融合不同级别的预测结果，有效地提高了预测结果的精度；
(2)本发明在骨干网络浅层采用了批归一化(Batch Normalization，BN)和实例归一化(Instance Normalization，IN)结合的方案，这使得模型提取到的特征对域的变化不敏感，从而具有较强的域适应鲁棒性；
(3)本发明采用超轻量的骨干网络OFA，最小模型仅有2兆，在单张V100 GPU和图片大小为256×256像素的情况下，运行速度为每秒709帧，满足了绝大部分现实场景的需求。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明整体架构；
图2为本发明的样例输入与样例输出示意图；
图3为本发明的语义分割效果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供了一种基于多源异构遥感影像的语义分割方法，包括以下步骤：
步骤1、对已有公共遥感影像数据集中的训练图片进行预处理：遥感影像数据集为多源异构数据集，可以具有不同的空间分辨率、具有多级类别标签，以及由不同的卫星拍摄，例如：NAIC-2020、GID-15、DeepGlobe或City-OSM等；对训练图片进行数据增强：(1)图片按照0.7-1.3的比例随机放缩；(2)将训练图片随机水平翻转和随机垂直翻转；(3)从图片上随机裁剪256×256的样例；(4)图片使用通道均值和标准差归一化。
步骤2、搭建多级分割头网络，结构如图1所示，包括OFA骨干网络模块和DeepLabV3+多级分割头模块；利用多级分割头网络完成对训练图片的特征提取以及分割预测，得到具有多级标签的分割结果，具体包括以下步骤：
步骤2-1、建立OFA骨干网络模块，对步骤1得到的训练图片进行特征提取，得到特征图(C1,C2,C3,C4)；C1,C2,C3,C4分别代表OFA骨干网络模块中不同阶段的卷积层产生的特征图；
步骤2-2、建立多级分割头模块，包括两个具有不同类别数量的DeepLabV3+分割头，分别对应地物分类体系的一级类别和二级类别；将OFA骨干网络模块输出的特征图输入到多级分割头模块中，生成对应一级类别和二级类别的分割结果RA，RB。
步骤3、模型的训练：首先是损失函数L的设计，利用步骤1中预处理过后的公开遥感影像数据集以及损失函数L，对步骤2搭建的多级分割头网络进行监督训练；包括以下步骤：
步骤3-1、设置多级分割头网络的训练损失函数L为：
L＝0.5×LA+0.5×LB
其中LA和LB分别为一级类别分割头和二级类别分割头的损失函数，具体如下所示：
其中，CE(·)表示交叉熵损失函数，predA表示一级类别分割头预测的分割结果，labelA表示以一级类别标注的标签；predB表示二级类别分割头预测的分割结果，labelB表示以二级类别标注的标签；和/>分别表示全卷积网络辅助分支预测的分割结果，辅助分支的损失函数的权重为0.4；
步骤3-2、利用步骤1中预处理过后的遥感影像数据集以及步骤3-1中设置的损失函数L，使用随机梯度下降法对步骤2中搭建的多级分割头网络进行监督训练，典型的训练参数设置如表1所示：
表1
步骤4、通过步骤3中训练得到的语义分割模型对待分割遥感影像进行地物类别的分割预测，一级类别分割头的分割结果为/>二级类别分割头的分割结果为/>其中，CA表示一级类别的数量，CB表示二级类别的数量，H表示遥感影像I的高度，W表示遥感影像I的宽度；分割结果RA和RB在其坐标(i,x,y)处的值为待分割遥感影像中像素点(x,y)属于i的概率，其中i表示一级类别或二级类别中具体项所对应的标签值，如表2所示，例如一级类别中从水体——其它所对应的标签为0-7，二级类别中从水体——其它所对应的标签为：0-16
表2
步骤5、通过多级分割头的标签融合得到最终分割结果，包括以下步骤：
步骤5-1、从步骤4中得到的具有多级标签的分割结果，由于多级标签存在父类-子类关系，因此可以将一级类别的分割结果RA进行拆分得到R′A，再将R′A与RB融合成二级类别的预测结果；或将二级类别的分割结果RB进行合并得到R′B，再将R′B与RA融合一级类别的预测结果；
其中，一级类别拆分为二级类别按如下公式计算：
其中，类别m是类别n的子类；
二级类别合并成一级类别按如下公式计算：
其中，类别n是类别m的父类；
步骤5-2、将上一步的预测结果通过Argmax函数，取概率最大的类别所对应的标签作为预测标签，生成最终分割结果，效果如图3所示。
本发明提供了一种基于多源异构遥感影像的语义分割方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (3)

1.一种基于多源异构遥感影像的语义分割方法，其特征在于，包括如下步骤：
步骤1、对遥感影像数据集中的训练图片进行预处理；
步骤2、搭建多级分割头网络，利用所述多级分割头网络对训练图片进行特征提取以及分割预测，得到具有多级标签的分割结果；
步骤3、对所述多级分割头网络进行多级标签的监督训练，得到语义分割模型；
步骤4、通过语义分割模型对待分割遥感影像进行分割；
步骤5、通过融合多级分割头的预测结果得到最终分割结果；
其中，多级分割头网络包括骨干网络模块和多级分割头模块，则步骤2包括以下步骤：
步骤2-1、建立一个OFA骨干网络模块，对步骤1得到的最终训练图片进行特征提取，得到特征图(C1,C2,C3,C4)；C1,C2,C3,C4分别代表OFA骨干网络模块中不同阶段的卷积层产生的特征图；
步骤2-2、建立一个多级分割头模块，包括两个具有不同类别数量的DeepLabV3+分割头，分别对应地物分类体系的一级类别和二级类别，则有一级类别分割头和二级类别分割头；将OFA骨干网络输出的特征图输入到多级分割头模块中，生成对应一级类别的分割结果RA和二级类别的分割结果RB；
所述步骤3包括以下步骤：
步骤3-1、设置多级分割头网络的训练损失函数L为：
L＝0.5×LA+0.5×LB
其中LA和LB分别为一级类别分割头和二级类别分割头的损失函数，具体如下所示：
其中，CE(·)表示交叉熵损失函数，predA表示一级类别分割头预测的分割结果，labelA表示以一级类别标注的标签；predB表示二级类别分割头预测的分割结果，labelB表示以二级类别标注的标签；和/>分别表示全卷积网络辅助分支预测的分割结果，辅助分支的损失函数的权重为0.4；
步骤3-2、利用步骤1中预处理过后的遥感影像数据集以及步骤3-1中设置的损失函数L，使用随机梯度下降法对步骤2中搭建的多级分割头网络进行监督训练；
所述步骤4包括：通过步骤3中训练得到的语义分割模型对待分割遥感影像 进行地物类别的分割预测，一级类别分割头的分割结果为/>二级类别分割头的分割结果为/>其中，CA表示一级类别的数量，RB表示二级类别的数量，H表示遥感影像I的高度，W表示遥感影像I的宽度；分割结果RA和RB在其坐标(i,x,y)处的值为待分割遥感影像中像素点(x,y)属于i的概率，其中i表示一级类别或二级类别中的具体项所对应的标签；
所述步骤5包括：
步骤5-1、从步骤4中得到的具有多级标签的分割结果RA、RB，由于多级标签存在父类-子类关系，将一级类别的分割结果RA进行拆分得到R'A，或将二级类别的分割结果RB进行合并得到R'B，从而融合不同级别的预测结果；
步骤5-2、将上一步的预测结果通过Argmax函数，取概率最大的类别所对应的标签作为预测标签，生成最终分割结果；
所述步骤5-1中，一级类别拆分为二级类别按如下公式计算：
其中，类别m是类别n的子类；
二级类别合并成一级类别按如下公式计算：
其中，类别n是类别m的父类。
2.根据权利要求1所述基于多源异构遥感影像的语义分割方法，其特征在于，所述步骤1中的遥感影像数据集为多源异构数据集，包含N张训练图片，每张训练图片中至少有一种特定类型的语义区域，并且有一个描述该训练图片中所有语义区域的类别的标签。
3.根据权利要求1所述基于多源异构遥感影像的语义分割方法，其特征在于，所述步骤1中的预处理包括对遥感影像数据集中的训练图片进行数据增强：首先将训练图片按照0.7-1.3的比例随机放缩；然后将训练图片随机水平翻转和随机垂直翻转；最后从训练图片上随机裁剪出大小为256×256像素的样例，作为最终训练图片。
CN202110216067.9A 2021-02-26 2021-02-26 一种基于多源异构遥感影像的语义分割方法 Active CN112819837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110216067.9A CN112819837B (zh) 2021-02-26 2021-02-26 一种基于多源异构遥感影像的语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110216067.9A CN112819837B (zh) 2021-02-26 2021-02-26 一种基于多源异构遥感影像的语义分割方法

Publications (2)

Publication Number Publication Date
CN112819837A CN112819837A (zh) 2021-05-18
CN112819837B true CN112819837B (zh) 2024-02-09

Family

ID=75864025

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110216067.9A Active CN112819837B (zh) 2021-02-26 2021-02-26 一种基于多源异构遥感影像的语义分割方法

Country Status (1)

Country Link
CN (1) CN112819837B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657276A (zh) * 2021-08-18 2021-11-16 江苏天汇空间信息研究院有限公司 一种遥感影像语义分割的模型迁移训练方法
CN113762187B (zh) * 2021-09-14 2023-12-12 中国人民解放军海军航空大学 一种多源遥感图像融合语义分割方法及***
CN115810020B (zh) * 2022-12-02 2023-06-02 中国科学院空间应用工程与技术中心 一种基于语义引导的由粗到细的遥感图像分割方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012218854A1 (de) * 2012-10-16 2014-04-17 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zur Kompression von Bilddaten
AU2018101336A4 (en) * 2018-09-12 2018-10-11 Hu, Yuan Miss Building extraction application based on machine learning in Urban-Suburban-Integration Area
CN110119728A (zh) * 2019-05-23 2019-08-13 哈尔滨工业大学 基于多尺度融合语义分割网络的遥感图像云检测方法
CN110197182A (zh) * 2019-06-11 2019-09-03 中国电子科技集团公司第五十四研究所 基于上下文信息和注意力机制的遥感影像语义分割方法
CN111460936A (zh) * 2020-03-18 2020-07-28 中国地质大学（武汉） 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备
CN111986099A (zh) * 2020-06-30 2020-11-24 武汉大学 基于融合残差修正的卷积神经网络的耕地监测方法及***
CN112001293A (zh) * 2020-08-19 2020-11-27 四创科技有限公司 结合多尺度信息和编解码网络的遥感影像地物分类方法
CN112132149A (zh) * 2020-09-10 2020-12-25 武汉汉达瑞科技有限公司 一种遥感影像语义分割方法及装置
CN112183360A (zh) * 2020-09-29 2021-01-05 上海交通大学 高分辨率遥感影像的轻量化语义分割方法
CN112348820A (zh) * 2020-11-06 2021-02-09 天津市勘察设计院集团有限公司 基于深度辨别性增强网络的遥感影像语义分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012218854A1 (de) * 2012-10-16 2014-04-17 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zur Kompression von Bilddaten
AU2018101336A4 (en) * 2018-09-12 2018-10-11 Hu, Yuan Miss Building extraction application based on machine learning in Urban-Suburban-Integration Area
CN110119728A (zh) * 2019-05-23 2019-08-13 哈尔滨工业大学 基于多尺度融合语义分割网络的遥感图像云检测方法
CN110197182A (zh) * 2019-06-11 2019-09-03 中国电子科技集团公司第五十四研究所 基于上下文信息和注意力机制的遥感影像语义分割方法
CN111460936A (zh) * 2020-03-18 2020-07-28 中国地质大学（武汉） 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备
CN111986099A (zh) * 2020-06-30 2020-11-24 武汉大学 基于融合残差修正的卷积神经网络的耕地监测方法及***
CN112001293A (zh) * 2020-08-19 2020-11-27 四创科技有限公司 结合多尺度信息和编解码网络的遥感影像地物分类方法
CN112132149A (zh) * 2020-09-10 2020-12-25 武汉汉达瑞科技有限公司 一种遥感影像语义分割方法及装置
CN112183360A (zh) * 2020-09-29 2021-01-05 上海交通大学 高分辨率遥感影像的轻量化语义分割方法
CN112348820A (zh) * 2020-11-06 2021-02-09 天津市勘察设计院集团有限公司 基于深度辨别性增强网络的遥感影像语义分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于Deeplab V3+网络的遥感地物图像语义分割研究";王蓝玉;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 *
"Boundary-Aware Multitask Learning for Remote Sensing Imagery";Yufeng Wang等;《IEEE》;全文 *
基于深度学习的城市高分遥感图像变化检测方法的研究;陈璐;管霜霜;;计算机应用研究(第S1期);全文 *

Also Published As

Publication number Publication date
CN112819837A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112819837B (zh) 一种基于多源异构遥感影像的语义分割方法
CN112884064B (zh) 一种基于神经网络的目标检测与识别方法
CN110084292B (zh) 基于DenseNet和多尺度特征融合的目标检测方法
CN108647585B (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN106951830B (zh) 一种基于先验条件约束的图像场景多对象标记方法
CN110766020A (zh) 一种面向多语种自然场景文本检测与识别的***及方法
Tian et al. Multiscale building extraction with refined attention pyramid networks
CN111738055B (zh) 多类别文本检测***和基于该***的票据表单检测方法
CN112488229B (zh) 一种基于特征分离和对齐的域自适应无监督目标检测方法
CN110059539A (zh) 一种基于图像分割的自然场景文本位置检测方法
CN111368775A (zh) 一种基于局部上下文感知的复杂场景密集目标检测方法
CN113052170A (zh) 一种无约束场景下的小目标车牌识别方法
CN113034506A (zh) 遥感图像语义分割方法、装置、计算机设备和存储介质
CN112102250A (zh) 训练数据为缺失标注的病理图像检测模型建立、检测方法
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法
Liu et al. Cloud detection using super pixel classification and semantic segmentation
CN113077438B (zh) 针对多细胞核彩色图像的细胞核区域提取方法及成像方法
CN114612741A (zh) 缺陷识别模型的训练方法、装置、电子设备及存储介质
CN114332122A (zh) 基于注意力机制分割并回归的细胞计数方法
Salunkhe et al. Recognition of multilingual text from signage boards
CN117765485A (zh) 基于改进的深度残差网络的车型识别方法、装置和设备
CN111832497A (zh) 一种基于几何特征的文本检测后处理方法
CN111612803A (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN115937492A (zh) 一种基于特征识别的变电设备红外图像识别方法
CN113065559B (zh) 图像比对方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant