CN113204608A - 一种基于遥感影像的地图自动更新方法、存储介质及*** - Google Patents
一种基于遥感影像的地图自动更新方法、存储介质及*** Download PDFInfo
- Publication number
- CN113204608A CN113204608A CN202110587305.7A CN202110587305A CN113204608A CN 113204608 A CN113204608 A CN 113204608A CN 202110587305 A CN202110587305 A CN 202110587305A CN 113204608 A CN113204608 A CN 113204608A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- remote sensing
- map
- network
- training
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于遥感影像的地图自动更新方法、存储介质及***,方法包括如下步骤:构建深度学习分割网络;利用残差网络对深度学习分割网络进行改进,得到改进后的深度学习分割网络;获取多个遥感影像和对应的地物标注数据;对多个遥感影像和对应的地物标注数据进行一一对应的随机裁剪,得到多个训练样本;将多个训练样本输入到改进后的深度学习分割网络中进行地物识别训练,直至改进后的深度学习分割网络对遥感影像中的所有地物的识别精度达到预设验证精度;利用训练好的深度学习分割网络对目标地图当前时相的遥感影像进行提取,将提取结果与上一个时相的目标地图进行对比,得到目标地图的地物变化内容;根据地物变化内容对目标地图进行更新。
Description
技术领域
本发明涉及遥感科学技术领域,特别涉及一种基于遥感影像的地图自动更新方法、存储介质及***。
背景技术
随着城市化建设的快速发展,城市中的建筑物、道路、植被等地物变化越来越快,为了评估城市化建设的进程,需要对建筑物、道路、植被等地物的变化进行检测,进而需要对城市中新建、拆除和局部结构改变的地物进行检测,再据此及时更新城市地图,以避免城市地物变化过快而导致地图与实际不符。
目前通常是采用机载传感器探测城市当前时相的遥感影像,再将探测到的遥感影像与城市上一个时相的整个地图进行对比,若探测到的遥感影像中的地物与上一个时相的整个地图存在不同,则用探测到的整个遥感影像取代上一个时相的整个地图作为新的地图。但是,由于城市地图数据量大,直接用整个遥感影像取代上一个时相的整个地图则需耗费大量的时间和运算资源,使得地图更新成本高。
发明内容
本发明要解决的技术问题是如何降低地图更新成本。
为解决上述技术问题,本发明提供一种基于遥感影像的地图自动更新方法,包括如下步骤:
A.构建深度学习分割网络Unet;
B.利用残差网络Resnet对所述深度学习分割网络Unet进行改进,得到改进后的深度学习分割网络Res-Unet;
C.获取多个遥感影像和及其上的地物标注数据,其中所述地物标注数据包括制作地图需要的所有地物类型;
D.对所述多个遥感影像和对应的地物标注数据进行一一对应的随机裁剪,得到多个训练样本;
E.将所述多个训练样本输入到改进后的深度学习分割网络Res-Unet中进行地物识别训练,直至改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度达到预设验证精度;
F.利用训练好的深度学习分割网络Res-Unet对目标地图当前时相的遥感影像进行地物提取,将地物提取结果与上一个时相的目标地图进行对比,得到目标地图的地物变化内容;
G.根据所述地物变化内容对目标地图中产生变化的地物进行更新。
优选地,所述步骤E中,在进行训练之前,按照预设比例将所述多个训练样本分为训练集和验证集。
优选地,所述预设比例为训练集:验证集=3:1。
优选地,所述步骤E中,利用所述多个训练样本对改进后的深度学习分割网络Res-Unet进行多个epoch的训练,其中每个epoch都利用训练集中的所有训练样本完成一次训练,当训练达到预设训练精度后,每训练一个epoch则利用验证集对改进后的深度学习分割网络Res-Unet进行验证精度计算,以判断改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度是否达到预设验证精度。
优选地,所述预设训练精度是95%。
优选地,所述预设验证精度是95%。
优选地,所述深度学习分割网络包括编码网络和解码网络,在所述步骤B中,利用残差网络Resnet对所述深度学习分割网络Unet进行改进,使其编码网络实现跳跃连接,并在解码网络中实现编码和解码的特征融合。
优选地,所述地物类型包括建筑物、道路和植被。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的地图自动更新方法。
本发明还提供一种基于遥感影像的地图自动更新***,包括相互连接的计算机可读存储介质和处理器,计算机可读存储介质如上所述。
本发明具有以下有益效果:根据地物变化内容对目标地图中产生变化的地物进行更新,即只需对目标地图中产生变化的局部进行更新,而无需用整个遥感影像取代整个目标地图,故无需耗费大量的时间和运算资源,从而降低地图更新成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是的基于遥感影像的地图自动更新方法的流程图;
图2是深度学习分割网络Unet的示意图;
图3是经残差网络Resnet改进后的深度学习分割网络Res-Unet的示意图。
具体实施方式
下面将结合实施例及附图,对本发明创造的技术方案进行详细描述,显然,所描述的实施例仅仅是本发明创造的一部分实施例,而不是全部的实施例。基于本发明创造中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明创造保护的范围。
本实施例提供一种基于遥感影像的地图自动更新***,该***包括相互连接的计算机可读存储介质和处理器,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如图1所示的基于遥感影像的地图自动更新方法,该方法具体包括如下步骤A、B、C、D、E、F、G。
A.构建深度学习分割网络Unet。
深度学习分割网络Unet是由Olaf Ronneberger、Philipp Fischer和Thomas Brox在2015年ISBI竞赛中提出的网络结构,如图2所示,该网络结构包括编码网络(收缩子网络)和解码(扩张子网络)两部分组成,编码网络和解码网络构成了一个U型结构,因此深度学习分割网络Unet又名为Unet网络。深度学习分割网络Unet首先通过卷积和池化来下采样提取特征信息,然后通过转置卷积来上采样并裁剪之前的低层特征图进行融合用来精准定位,重复这个过程,直到获得输出的特征图,最后经过激活函数获得分割图。
B.利用残差网络Resnet对深度学习分割网络Unet进行改进,得到改进后的深度学习分割网络Res-Unet。
深度学习分割网络Unet具有参数少、网络结构简单的优点,但相对于残差网络Resnet、深度卷积神经网络VGG等网络显得深度不足。因此本实施例中利用残差网络Resnet对传统的深度学习分割网络Unet进行改进,即是将残差网络Resnet与深度学习分割网络Unet进行结合,使得深度学习分割网络Unet的编码网络引入了跳跃连接,使上一个残差块的信息能没有阻碍地流入下一个残差块,提高了信息流通速率,并在解码网络中实现编码和解码的特征融合,得到如图3所示的改进后的深度学习分割网络Res-Unet。
改进后的深度学习分割网络Res-Unet与传统的深度学习分割网络Unet相比有以下几点好处:(1)加深了网络层数,提高了网络的分割精度;(2)网络中间可以实现更多的跳跃连接,这样就能更好地结合图像的背景语义信息,进行多尺度的分割;(3)具有快速收敛,减小模型数据量的优势;(4)更容易训练。
C.获取多个遥感影像及其上的地物标注数据,其中地物标注数据包括制作地图需要的所有地物类型。
本实施例中,利用机载传感器获取多个遥感影像,机载传感器是安装在飞机或无人机上的遥感对地探测传感器,高分辨率光学传感器是常规的机载传感器,利用高分辨率光学传感器可以采集到高分辨率遥感影像。其中高分辨率遥感影像指的是垂直分辨率大于等于720的遥感影像。遥感影像上会显示出对应的地物,例如建筑物、道路、植被等制作地图需要的所有地物类型,***在获取到遥感影像之后可对其上的地物进行标注,从而得到对应的地物标注数据,地物标注数据包括制作地图需要的所有地物类型。
D.对多个遥感影像及其上的地物标注数据进行一一对应的随机裁剪,得到多个训练样本。
在获取到多个遥感影像及其上的地物标注数据之后,对多个遥感影像及其上的地物标注数据进行一一对应的随机裁剪,即在对某个遥感影像进行随机裁剪的过程中,其上的地物标注数据会得到相应的裁剪,从而得到多个训练样本。对遥感影像进行随机裁剪有助于增强训练样本的特征多样性,避免训练时出现过拟合现象。
E.将多个训练样本输入到改进后的深度学习分割网络Res-Unet中进行地物识别训练,直至改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度达到预设验证精度。
在得到多个训练样本之后,按照预设比例将多个训练样本分为训练集和验证集,具体地训练集:验证集=3:1,然后将多个训练样本输入到改进后的深度学习分割网络Res-Unet中进行地物识别训练,该训练具体地:利用多个训练样本对改进后的深度学习分割网络Res-Unet进行多个epoch的训练,其中每个epoch都利用训练集中的所有训练样本完成一次训练,随着epoch的不断增加,改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度会不断增加;当训练达到预设训练精度,例如95%后,每训练一个epoch则利用验证集对改进后的深度学习分割网络Res-Unet进行验证精度计算,以判断改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度是否达到预设验证精度95%,若达到了则停止训练,若没有到达则继续训练直至改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度达到预设验证精度95%,如此则改进后的深度学习分割网络Res-Unet就已训练好。
F.利用训练好的深度学习分割网络Res-Unet对目标地图当前时相的遥感影像进行提取,并将提取结果与上一个时相的目标地图进行对比,得到目标地图的地物变化内容。
在训练好改进后的深度学习分割网络Res-Unet之后,利用训练好的深度学习分割网络Res-Unet对目标地图当前时相的遥感影像进行提取,并从地图库中获取上一个时相的目标地图,然后将提取到的提取结果(即目标地图当前时相的遥感影像)与上一个时相的目标地图进行对比,得到目标地图的地物变化内容,例如目标地图中的某个建筑物已被拆除,则目标地图的地物变化内容是该建筑物已被拆除。
G.根据地物变化内容对目标地图中产生变化的地物进行更新。
在得到目标地图的地物变化内容之后,根据地物变化内容对目标地图中产生变化的地物进行更新,具体是在目标地图上删去已被拆除的建筑物,而目标地图上的其它地物保持不变,这样就得到最新时相的目标地图,实现对目标地图的自动更新,即只需对目标地图中的产生变化的局部进行更新,而无需用整个遥感影像取代整个目标地图,故无需耗费大量的时间和运算资源,从而降低地图更新成本。
本领域普通技术人员可理解上述实施例的各种方法中全部或部分步骤是可以通过计算机程序来指令相关的硬件完成的,该计算机程序可以存储于任一计算机可读存储介质中,计算机可读存储介质包括:只读存储器(ROM,ReadOnly Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
另外,以上对本实施例所提供的面向多源遥感数据城市土地覆盖分类的全卷积神经网络进行了详细说明,并对本发明的技术原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明创造的方法及其核心思想;同时,对于本领域的普通技术人员,依据本发明创造的思想,在具体实施方式及应用范围上均会有改变之处。综上,以上实施例内容不应理解为对本发明的限制。
Claims (10)
1.一种基于遥感影像的地图自动更新方法,其特征是,包括如下步骤:
A.构建深度学习分割网络Unet;
B.利用残差网络Resnet对所述深度学习分割网络Unet进行改进,得到改进后的深度学习分割网络Res-Unet;
C.获取多个遥感影像和及其上的地物标注数据,其中所述地物标注数据包括制作地图需要的所有地物类型;
D.对所述多个遥感影像和对应的地物标注数据进行一一对应的随机裁剪,得到多个训练样本;
E.将所述多个训练样本输入到改进后的深度学习分割网络Res-Unet中进行地物识别训练,直至改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度达到预设验证精度;
F.利用训练好的深度学习分割网络Res-Unet对目标地图当前时相的遥感影像进行地物提取,将地物提取结果与上一个时相的目标地图进行对比,得到目标地图的地物变化内容;
G.根据所述地物变化内容对目标地图中产生变化的地物进行更新。
2.根据权利要求1所述的地图自动更新方法,其特征是,所述步骤E中,在进行训练之前,按照预设比例将所述多个训练样本分为训练集和验证集。
3.根据权利要求2所述的地图自动更新方法,其特征是,所述预设比例为训练集:验证集=3:1。
4.根据权利要求2所述的地图自动更新方法,其特征是,所述步骤E中,利用所述多个训练样本对改进后的深度学习分割网络Res-Unet进行多个epoch的训练,其中每个epoch都利用训练集中的所有训练样本完成一次训练,当训练达到预设训练精度后,每训练一个epoch则利用验证集对改进后的深度学习分割网络Res-Unet进行验证精度计算,以判断改进后的深度学习分割网络Res-Unet对遥感影像中的所有地物的识别精度是否达到预设验证精度。
5.根据权利要求4所述的地图自动更新方法,其特征是,所述预设训练精度是95%。
6.根据权利要求4所述的地图自动更新方法,其特征是,所述预设验证精度是95%。
7.根据权利要求1所述的地图自动更新方法,其特征是,所述深度学习分割网络包括编码网络和解码网络,在所述步骤B中,利用残差网络Resnet对所述深度学习分割网络Unet进行改进,使其编码网络实现跳跃连接,并在解码网络中实现编码和解码的特征融合。
8.根据权利要求1所述的地图自动更新方法,其特征是,所述地物类型包括建筑物、道路和植被。
9.计算机可读存储介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的地图自动更新方法。
10.一种基于遥感影像的地图自动更新***,包括相互连接的计算机可读存储介质和处理器,其特征是,计算机可读存储介质如权利要求9所述。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587305.7A CN113204608A (zh) | 2021-05-27 | 2021-05-27 | 一种基于遥感影像的地图自动更新方法、存储介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110587305.7A CN113204608A (zh) | 2021-05-27 | 2021-05-27 | 一种基于遥感影像的地图自动更新方法、存储介质及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113204608A true CN113204608A (zh) | 2021-08-03 |
Family
ID=77023322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110587305.7A Pending CN113204608A (zh) | 2021-05-27 | 2021-05-27 | 一种基于遥感影像的地图自动更新方法、存储介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113204608A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241326A (zh) * | 2022-02-24 | 2022-03-25 | 自然资源部第三地理信息制图院 | 一种渐进式遥感影像地物要素智能生产方法及*** |
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
CN115345889A (zh) * | 2022-10-13 | 2022-11-15 | 西南科技大学 | 一种肝脏及其肿瘤图像的分割方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3319226A (en) * | 1962-11-30 | 1967-05-09 | Burroughs Corp | Data processor module for a modular data processing system for operation with a time-shared memory in the simultaneous execution of multi-tasks and multi-programs |
CN101501452A (zh) * | 2006-09-29 | 2009-08-05 | 爱信艾达株式会社 | 地图更新数据提供装置、版本表、地图数据更新***和地图更新数据提供方法 |
CN103150398A (zh) * | 2013-03-27 | 2013-06-12 | 武汉大学 | 一种基于国家基础地理信息数据的增量式地图更新方法 |
CN108287872A (zh) * | 2017-12-28 | 2018-07-17 | 百度在线网络技术(北京)有限公司 | 一种建筑物变化检测方法、装置、服务器和存储介质 |
CN111047551A (zh) * | 2019-11-06 | 2020-04-21 | 北京科技大学 | 一种基于U-net改进算法的遥感影像变化检测方法及*** |
CN111968088A (zh) * | 2020-08-14 | 2020-11-20 | 西安电子科技大学 | 一种基于像素和区域分割决策融合的建筑物检测方法 |
CN112131233A (zh) * | 2020-08-28 | 2020-12-25 | 北京百度网讯科技有限公司 | 识别更新道路的方法、装置、设备和计算机存储介质 |
US20210073995A1 (en) * | 2019-09-11 | 2021-03-11 | Nvidia Corporation | Training strategy search using reinforcement learning |
CN112785542A (zh) * | 2021-02-07 | 2021-05-11 | 中国人民解放军国防科技大学 | 遥感影像转换网络地图方法、装置、计算机设备和介质 |
-
2021
- 2021-05-27 CN CN202110587305.7A patent/CN113204608A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3319226A (en) * | 1962-11-30 | 1967-05-09 | Burroughs Corp | Data processor module for a modular data processing system for operation with a time-shared memory in the simultaneous execution of multi-tasks and multi-programs |
CN101501452A (zh) * | 2006-09-29 | 2009-08-05 | 爱信艾达株式会社 | 地图更新数据提供装置、版本表、地图数据更新***和地图更新数据提供方法 |
CN103150398A (zh) * | 2013-03-27 | 2013-06-12 | 武汉大学 | 一种基于国家基础地理信息数据的增量式地图更新方法 |
CN108287872A (zh) * | 2017-12-28 | 2018-07-17 | 百度在线网络技术(北京)有限公司 | 一种建筑物变化检测方法、装置、服务器和存储介质 |
US20210073995A1 (en) * | 2019-09-11 | 2021-03-11 | Nvidia Corporation | Training strategy search using reinforcement learning |
CN111047551A (zh) * | 2019-11-06 | 2020-04-21 | 北京科技大学 | 一种基于U-net改进算法的遥感影像变化检测方法及*** |
CN111968088A (zh) * | 2020-08-14 | 2020-11-20 | 西安电子科技大学 | 一种基于像素和区域分割决策融合的建筑物检测方法 |
CN112131233A (zh) * | 2020-08-28 | 2020-12-25 | 北京百度网讯科技有限公司 | 识别更新道路的方法、装置、设备和计算机存储介质 |
CN112785542A (zh) * | 2021-02-07 | 2021-05-11 | 中国人民解放军国防科技大学 | 遥感影像转换网络地图方法、装置、计算机设备和介质 |
Non-Patent Citations (3)
Title |
---|
付道财: "基于场景分析的遥感图像分割与标注方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
李逾严: "网球场景语义分割方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郭聪聪: "遥感影像智能解译技术的研究与应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
CN114241326A (zh) * | 2022-02-24 | 2022-03-25 | 自然资源部第三地理信息制图院 | 一种渐进式遥感影像地物要素智能生产方法及*** |
CN115345889A (zh) * | 2022-10-13 | 2022-11-15 | 西南科技大学 | 一种肝脏及其肿瘤图像的分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113204608A (zh) | 一种基于遥感影像的地图自动更新方法、存储介质及*** | |
Hong et al. | Road extraction from a high spatial resolution remote sensing image based on richer convolutional features | |
CN111582175B (zh) | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 | |
Alsabhan et al. | Automatic building extraction on satellite images using Unet and ResNet50 | |
CN108875595A (zh) | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 | |
CN110879960B (zh) | 生成卷积神经网络学习用图像数据集的方法及计算装置 | |
CN111582104B (zh) | 基于自注意特征聚合网络的遥感图像语义分割方法及装置 | |
CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及*** | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN116453121B (zh) | 一种车道线识别模型的训练方法及装置 | |
CN113313094B (zh) | 一种基于卷积神经网络的车载图像目标检测方法和*** | |
CN117274826B (zh) | 基于大模型和提示指引的河湖管理违规问题遥感监测方法 | |
CN112766409A (zh) | 一种遥感图像目标检测的特征融合方法 | |
Yang et al. | Road intersection identification from crowdsourced big trace data using Mask‐RCNN | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
Meng et al. | A block object detection method based on feature fusion networks for autonomous vehicles | |
CN113361528B (zh) | 一种多尺度目标检测方法及*** | |
CN114943870A (zh) | 线特征提取模型的训练方法及装置、点云匹配方法及装置 | |
CN116503744B (zh) | 高度等级引导的单视角遥感影像建筑高度估计方法和装置 | |
CN115205694A (zh) | 图像分割方法、装置和计算机可读存储介质 | |
CN116823896A (zh) | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN114120287A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
Liu et al. | Automatic extraction and 3D modeling of real road scenes using UAV imagery and deep learning semantic segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210803 |