CN113256649B - 一种基于深度学习的遥感图像选站选线语义分割方法 - Google Patents
一种基于深度学习的遥感图像选站选线语义分割方法 Download PDFInfo
- Publication number
- CN113256649B CN113256649B CN202110511085.XA CN202110511085A CN113256649B CN 113256649 B CN113256649 B CN 113256649B CN 202110511085 A CN202110511085 A CN 202110511085A CN 113256649 B CN113256649 B CN 113256649B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- feature map
- semantic segmentation
- channels
- 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
Images
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
- G06F18/21—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- 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)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的遥感图像选站选线语义分割方法,包括:确定输电线路工程选站选线需要提取的关键性地物要素;制作包含关键性地物要素的遥感图像样本集;改进Deeplabv3+网络模型作为遥感图像选站选线语义分割模型;对遥感图像选站选线语义分割模型进行训练,确定遥感图像选站选线语义分割模型的参数;将待分割遥感图像输入训练好的遥感图像选站选线语义分割模型,得到关键性地物要素的分割结果。本发明充分利用主干网络产生的多尺度特征信息,并对深层特征进行更细化的上采样操作,提高了遥感图像中关键性地物要素的分割精度。
Description
技术领域
本发明涉及遥感图像语义分割技术领域,具体是一种基于深度学习的遥感图像选站选线语义分割方法。
背景技术
卫星遥感数据作为一种重要的地理信息数据,具有高时效性、格式多样、类型丰富、多尺度等特点。尤其是随着高分辨率遥感卫星的出现,其影像成果已经与航拍成果质量相当,在较大程度提高基础地理信息获取效率的同时,又有效地降低了获取成本。因此,卫星遥感图像将在电网建设尤其输电线路工程建设中发挥越来越重要的作用。目前,在卫星遥感图像辅助选站选线的应用中,大多数还停留在目视人工识别层面,通常只是将卫星影像作为基础地理信息的底层背景数据,通过将遥感图像分割提取的关键性影响要素信息加入选线过程进行集成分析,可以加强信息利用的集成度。
传统图像分割有阈值分割法、分水岭法和区域分割法等,这些方法根据图像的灰度、纹理、形状等低级特征将图像划分成若干个互不相交的区域,使每个区域内具有一致或相似的特征。但是传统图像分割方法得到的分割结果没有语义标注,并且费时耗力,只适用于一些简单图像的处理。而遥感图像不同于一般的简单图像,由于其具有空间分辨率高、目标尺度复杂、包含信息丰富等特点,传统图像分割方法不再适用。
随着计算能力的提高以及对深度学习技术的不断深入研究,深度学习技术在图像分割、目标检测等机器视觉领域不断取得突破,在速度和精度上的优势愈发明显。基于深度学习的语义分割通过对图像中每个像素点进行分类,利用颜色的差异对不同目标标注区分,比起传统图像分割方法更利于场景理解。近年来,在基于深度学习的语义分割领域,比较流行的网络模型有PSPNet、Deeplab系列等。但目前大部分方法在遥感图像分割时还存在精度低、边缘不准确等问题。
发明内容
本发明要解决的技术问题是提供一种基于深度学习的遥感图像选站选线语义分割方法,通过充分利用主干网络产生的多尺度特征信息,并对深层特征进行更细化的上采样操作,提高遥感图像选站选线的关键性地物要素的分割精度。
本发明的技术方案为:
一种基于深度学习的遥感图像选站选线语义分割方法,该方法包括以下步骤:
(1)确定输电线路工程选站选线需要提取的关键性地物要素;
(2)制作包含所述关键性地物要素的遥感图像样本集,并将其划分为训练样本集和验证样本集;
(3)改进Deeplabv3+网络模型,包括修改Resnet101作为Deeplabv3+网络模型编码区中的主干网络,并优化Deeplabv3+网络模型解码区中的特征融合,将改进后的Deeplabv3+网络模型作为遥感图像选站选线语义分割模型;
(4)利用所述训练样本集对所述遥感图像选站选线语义分割模型进行训练,确定所述遥感图像选站选线语义分割模型的参数;
(5)将待分割遥感图像输入训练好的遥感图像选站选线语义分割模型,得到关键性地物要素的分割结果。
所述的基于深度学习的遥感图像选站选线语义分割方法,该方法还包括以下步骤:
利用所述验证样本集对训练好的遥感图像选站选线语义分割模型进行精度评估,并使用MIoU作为评估指标。
所述的基于深度学习的遥感图像选站选线语义分割方法,步骤(3)中,所述改进Deeplabv3+网络模型,具体包括:
(31)修改Resnet101,即将原Resnet101的第四个模块中的卷积残差块和恒等残差块的3×3标准卷积替换成空洞率为2的3×3空洞卷积,并取消该模块的下采样操作;
(32)将修改后的Resnet101作为Deeplabv3+网络模型编码区中的主干网络,输入图像经过主干网络后,输出通道数为2048、尺寸为输入图像1/16的特征图;
(33)将主干网络输出的特征图送入Deeplabv3+网络模型编码区中的空洞空间金字塔池化模块,对经过空洞空间金字塔池化模块后输出的特征图进行1×1卷积,得到通道数为256、尺寸为输入图像1/16的深层特征图,对深层特征图进行2倍上采样;
(34)对主干网络中通道数为512、尺寸为输入图像1/8的特征图进行1×1卷积,使其通道数降为48,再与经过2倍上采样后的深层特征图进行通道堆叠;然后对通道堆叠得到的特征图进行1×1卷积,使其通道数从304调整为256,再进行2倍上采样,得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的一个分支;
(35)对主干网络中通道数为1024、尺寸为输入图像1/16的特征图进行1×1卷积,使其通道数降为256,经过4倍上采样后,再与通道数为256、尺寸为输入图像1/4的特征图进行通道相加;然后对通道相加得到的特征图进行1×1卷积,使其通道数从256调整为48,得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的另一个分支;
(36)将两个分支进行融合,得到通道数为304、尺寸为输入图像1/4的融合特征图;
(37)对融合特征图依次进行3×3卷积和4倍上采样,使融合特征图的尺寸恢复至输入图像大小,再采用Softmax分类器对融合特征图中的像素点进行分类,得到输出图像。
由上述技术方案可知,本发明将遥感图像转换为计算机可理解与分析的地物类别信息,为智能高效地开展输电线路选站选线提供数据基础,提出改进Deeplabv3+网络的语义分割方法,选用修改后的Resnet101作为主干网络,在上采样过程中构造多尺度的特征融合结构,并且采用逐层上采样方法代替大幅度上采样操作,更易于恢复图像丢失的空间信息,本发明提高了遥感图像中用于选站选线的关键性地物要素的分割精度,使得分割得到的遥感图像能更有效地用于计算机在选站选线过程中对地形信息的分析。
附图说明
图1是本发明的方法流程图;
图2是本发明改进的Deeplabv3+网络模型结构图;
图3是Resnet101网络修改前后对比图;
图4是关键性地物要素的遥感图像原图示例;
图5是遥感图像原图示例的分割效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,一种基于深度学习的遥感图像选站选线语义分割方法,包括以下步骤:
S1、确定输电线路工程选站选线需要提取的关键性地物要素:
依据输电线路设计规范,电力工程规划选站需要考虑的因素大体上可归为自然条件、基础设施、社会经济条件和环境制约条件四类,像穿越如森林植被的生态***,会对其中的动植物产生不利影响,另外如果在输电线路附近有公路或河流,可提供方便的通道,从而减少建设和维护的复杂性,同时还需要避开城市规划区、城镇等区域,这样可以缩短线路的长度、减少各类拆迁补偿,最大化地降低输电线路建设的成本,因此本发明选择房屋、湖泊、森林和道路作为提取对象。
S2、制作包含关键性地物要素的遥感图像样本集,并将其划分为训练样本集和验证样本集:
本发明选择681张较清晰的包含关键性地物要素的遥感图像(这些高分辨率遥感图像来自于谷歌地球的卫星,其航拍场景类型中包括房屋、湖泊、森林和道路),通过旋转、镜像、剪切等方式对选择的遥感图像进行数据增强,将数据增强后的遥感图像作为待标注的遥感图像样本集,使用LabelMe标注工具进行语义分割标签的制作,按9:1的比例划分为训练样本集和验证样本集。
S3、如图2所示,改进现有的Deeplabv3+网络模型(Deeplabv3+采用的是编码区-解码区的典型语义分割网络架构),并将改进后的Deeplabv3+网络模型作为遥感图像选站选线语义分割模型,具体包括以下步骤:
S31、修改Resnet101,即将原Resnet101的第四个模块中的卷积残差块和恒等残差块的3×3标准卷积替换成空洞率为2的3×3空洞卷积,并取消该模块的下采样操作,如图3所示。
S32、将修改后的Resnet101作为Deeplabv3+网络模型编码区中的主干网络,输入图像经过主干网络后,输出通道数为2048、尺寸为输入图像1/16的特征图。
S33、将主干网络输出的特征图送入Deeplabv3+网络模型编码区中的空洞空间金字塔池化模块,加强特征提取,对经过空洞空间金字塔池化模块后输出的特征图进行1×1卷积,得到通道数为256、尺寸为输入图像1/16的深层特征图,对深层特征图进行2倍上采样。
S34、对主干网络中通道数为512、尺寸为输入图像1/8的特征图进行1×1卷积,使其通道数降为48,再与经过2倍上采样后的深层特征图进行通道堆叠;然后对通道堆叠得到的特征图进行1×1卷积,使其通道数从304调整为256,再进行2倍上采样,得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的一个分支。
S35、对主干网络中通道数为1024、尺寸为输入图像1/16的特征图进行1×1卷积,使其通道数降为256,经过4倍上采样后,再与通道数为256、尺寸为输入图像1/4的特征图进行通道相加;然后对通道相加得到的特征图进行1×1卷积,使其通道数从256调整为48以降低浅层特征权重,得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的另一个分支。
S36、将上述两个分支进行融合,得到通道数为304、尺寸为输入图像1/4的融合特征图。
S37、对融合特征图依次进行3×3卷积和4倍上采样,使融合特征图的尺寸恢复至输入图像大小,其通道数也调整为需要分类的数,再采用Softmax分类器对融合特征图中的像素点进行分类,得到最终的输出图像。
注:步骤S33-S35中出现的1×1卷积以及步骤S37中出现的3×3卷积均为标准卷积。
S4、利用训练样本集对遥感图像选站选线语义分割模型进行训练,根据训练结果确定遥感图像选站选线语义分割模型的参数。
S5、将待分割遥感图像输入训练好的遥感图像选站选线语义分割模型,得到关键性地物要素的分割结果。
S6、利用验证样本集对训练好的遥感图像选站选线语义分割模型进行精度评估,并使用MIoU作为评估指标。
本发明实验硬件配置为处理器Inteli9-10900x,显卡GeForce RTX 3090,训练环境为Ubuntu18.04,Tensorflow-gpu=2.4,python3.7。在基于深度学习的遥感图像选站选线语义分割实验过程中,批处理大小设为15,学习动量设为0.9,初始学习率设为0.001,当验证样本集损失值连续三次不下降,则修改学习率为原来的0.5倍,为防止过拟合,权重衰减率设为0.0002,总Epoches数设为100,最大迭代次数设为50000。利用验证样本集对本发明提出的遥感图像选站选线语义分割模型进行精度评估,得到其MIoU为0.786。
本发明提出的遥感图像选站选线语义分割模型对关键性地物要素各类别的精度数据如表1所示:
表1语义分割各类别IoU
图4是待分割的关键性地物要素的遥感图像原图,图5是采用本发明提出的遥感图像选站选线语义分割模型得到的分割效果图。
综上所述,本发明对遥感图像中房屋、湖泊、森林和道路的分割精度较高,使得分割得到的遥感图像能更有效地用于计算机在选站选线过程中对地形信息的分析。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (2)
1.一种基于深度学习的遥感图像选站选线语义分割方法,其特征在于,该方法包括以下步骤:
(1)确定输电线路工程选站选线需要提取的关键性地物要素;
(2)制作包含所述关键性地物要素的遥感图像样本集,并将其划分为训练样本集和验证样本集;
(3)改进Deeplabv3+网络模型,包括修改Resnet101作为Deeplabv3+网络模型编码区中的主干网络,并优化Deeplabv3+网络模型解码区中的特征融合,将改进后的Deeplabv3+网络模型作为遥感图像选站选线语义分割模型;
(4)利用所述训练样本集对所述遥感图像选站选线语义分割模型进行训练,确定所述遥感图像选站选线语义分割模型的参数;
(5)将待分割遥感图像输入训练好的遥感图像选站选线语义分割模型,得到关键性地物要素的分割结果;
步骤(3)中,所述改进Deeplabv3+网络模型,具体包括:
(31)修改Resnet101,即将原Resnet101的第四个模块中的卷积残差块和恒等残差块的3×3标准卷积替换成空洞率为2的3×3空洞卷积,并取消该模块的下采样操作;
(32)将修改后的Resnet101作为Deeplabv3+网络模型编码区中的主干网络,输入图像经过主干网络后,输出通道数为2048、尺寸为输入图像1/16的特征图;
(33)将主干网络输出的特征图送入Deeplabv3+网络模型编码区中的空洞空间金字塔池化模块,对经过空洞空间金字塔池化模块后输出的特征图进行1×1卷积,得到通道数为256、尺寸为输入图像1/16的深层特征图,对深层特征图进行2倍上采样;
(34)对主干网络中通道数为512、尺寸为输入图像1/8的特征图进行1×1卷积,使其通道数降为48,再与经过2倍上采样后的深层特征图进行通道堆叠;然后对通道堆叠得到的特征图进行1×1卷积,使其通道数从304调整为256,再进行2倍上采样,得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的一个分支;
(35)对主干网络中通道数为1024、尺寸为输入图像1/16的特征图进行1×1卷积,使其通道数降为256,经过4倍上采样后,再与通道数为256、尺寸为输入图像1/4的特征图进行通道相加;然后对通道相加得到的特征图进行1×1卷积,使其通道数从256调整为48,得到的特征图作为Deeplabv3+网络模型解码区中的特征融合的另一个分支;
(36)将两个分支进行融合,得到通道数为304、尺寸为输入图像1/4的融合特征图;
(37)对融合特征图依次进行3×3卷积和4倍上采样,使融合特征图的尺寸恢复至输入图像大小,再采用Softmax分类器对融合特征图中的像素点进行分类,得到输出图像。
2.根据权利要求1所述的基于深度学习的遥感图像选站选线语义分割方法,其特征在于,该方法还包括以下步骤:
利用所述验证样本集对训练好的遥感图像选站选线语义分割模型进行精度评估,并使用MIoU作为评估指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511085.XA CN113256649B (zh) | 2021-05-11 | 2021-05-11 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110511085.XA CN113256649B (zh) | 2021-05-11 | 2021-05-11 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256649A CN113256649A (zh) | 2021-08-13 |
CN113256649B true CN113256649B (zh) | 2022-07-01 |
Family
ID=77222671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110511085.XA Active CN113256649B (zh) | 2021-05-11 | 2021-05-11 | 一种基于深度学习的遥感图像选站选线语义分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256649B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113658189B (zh) * | 2021-09-01 | 2022-03-11 | 北京航空航天大学 | 一种跨尺度特征融合的实时语义分割方法和*** |
CN114241247B (zh) * | 2021-12-28 | 2023-03-07 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度残差网络的变电站安全帽识别方法及*** |
CN114419449B (zh) * | 2022-03-28 | 2022-06-24 | 成都信息工程大学 | 一种自注意力多尺度特征融合的遥感图像语义分割方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN111797779A (zh) * | 2020-07-08 | 2020-10-20 | 兰州交通大学 | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 |
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 |
CN112560716A (zh) * | 2020-12-21 | 2021-03-26 | 浙江万里学院 | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 |
CN112699836A (zh) * | 2021-01-12 | 2021-04-23 | 江西农业大学 | 低空水田图像的分割方法、装置和电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381097A (zh) * | 2020-11-16 | 2021-02-19 | 西南石油大学 | 一种基于深度学习的场景语义分割方法 |
CN112580654A (zh) * | 2020-12-25 | 2021-03-30 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 遥感图像地物语义分割方法 |
-
2021
- 2021-05-11 CN CN202110511085.XA patent/CN113256649B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN111797779A (zh) * | 2020-07-08 | 2020-10-20 | 兰州交通大学 | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 |
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 |
CN112560716A (zh) * | 2020-12-21 | 2021-03-26 | 浙江万里学院 | 一种基于低层特征融合的高分辨率遥感影像水体提取方法 |
CN112699836A (zh) * | 2021-01-12 | 2021-04-23 | 江西农业大学 | 低空水田图像的分割方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
Hao Fan et al.."An improved Deeplab based Model for Extracting Cultivated Land Information from High Definition Remote Sensing Images".《2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP)》.2020,第1-6页. * |
张鑫禄 等."基于DeepLabv3架构的高分辨率遥感图像分类".《海洋测绘》.2019,第40-44页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113256649A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256649B (zh) | 一种基于深度学习的遥感图像选站选线语义分割方法 | |
Guo et al. | CDnetV2: CNN-based cloud detection for remote sensing imagery with cloud-snow coexistence | |
CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及*** | |
Abdollahi et al. | Improving road semantic segmentation using generative adversarial network | |
CN112396607B (zh) | 一种可变形卷积融合增强的街景图像语义分割方法 | |
CN111797779A (zh) | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 | |
CN112149547B (zh) | 基于图像金字塔引导和像素对匹配的遥感影像水体识别方法 | |
CN112991354A (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN110853057B (zh) | 基于全局和多尺度全卷积网络的航拍图像分割方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN113688836A (zh) | 一种基于深度学习的实时性道路图像语义分割方法及*** | |
CN115082675B (zh) | 一种透明物体图像分割方法及*** | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取***和方法 | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及*** | |
Feng et al. | Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
Quan et al. | Improved Deeplabv3 for better road segmentation in remote sensing images | |
CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
CN115471754A (zh) | 一种基于多维多尺度U-net网络的遥感图像道路提取方法 | |
CN116912708A (zh) | 一种基于深度学习的遥感影像建筑物提取方法 | |
Zhang et al. | A multiple feature fully convolutional network for road extraction from high-resolution remote sensing image over mountainous areas |
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 |