CN113627288A - 一种面向海量影像的智能化信息标签获取方法 - Google Patents
一种面向海量影像的智能化信息标签获取方法 Download PDFInfo
- Publication number
- CN113627288A CN113627288A CN202110850382.7A CN202110850382A CN113627288A CN 113627288 A CN113627288 A CN 113627288A CN 202110850382 A CN202110850382 A CN 202110850382A CN 113627288 A CN113627288 A CN 113627288A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- images
- intelligent
- acquiring
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种面向海量影像的智能化信息标签获取方法,主要包括4个模块:定义影像标签数据库,提出多尺度权重分割模型对遥感影像进行地物分类,提出CornmNet目标检测模型对遥感影像进行目标检测,利用web检索技术获取地标标签。本发明提出的智能化信息标签获取方法可实现对影像地物、目标、地标等多级信息标签的自动化提取和对影像内容进行多角度多层次的自动化描述。
Description
技术领域
本发明属于遥感影像信息提取技术领域,特别是涉及一种面向海量影像的智能化信息标签获取方法。
背景技术
遥感影像数据应用正处于由地质灾害管理、矿产资源、城市建设、海洋领域、气象等传统行业应用,向精细农业、环境评价、数字城市等新兴行业应用的拓宽发展时期,遥感技术及其影像数据产品应用,在人们的实际生产生活中发挥了越来越重要的作用。但在当前影像应用过程中,对于绝大多数影像产品用户仅能通过地理位置、行政区划等信息进行查找获取,在此过程中往往很难根据影像内容的特定需求得到针对性的影像产品,无法满足用户对于影像数据需求的多样性。
近年来,随着计算机视觉及模式识别等领域内图像处理技术的快速发展,影像处理方法与高效高性能的深度学习模型算法不断深入融合,为遥感影像内容信息自动化获取提供了更多的可能。同时,基于WEB空间检索技术,利用地理空间大数据信息能够在影像内容获取过程中提供多源多模态的地理空间信息。
发明内容
本发明针对现有技术的不足,提供一种面向海量影像的智能化信息标签获取方法,主要包括定义影像标签数据库、提出多尺度权重分割(MWSNet)模型对遥感影像进行地物分类、提出CornmNet目标检测模型对遥感影像进行目标检测和利用web检索技术获取地标标签4个模块,可实现对影像地物、目标、地标等多级信息标签的自动化提取和对影像内容进行多角度多层次的自动化描述。
为了达到上述目的,本发明提供的技术方案是,包括以下步骤:
步骤1,定义影像标签数据库,包括影像信息、地类标签信息、目标检测标签信息与地标标签信息;
步骤2,对批量影像原始压缩文件进行解压,得到包括红绿蓝波段的多光谱影像和影像元文件;
步骤3,构建并训练多尺度权重分割模型;
步骤4,构建并训练CornmNet目标检测模型;
步骤5,利用多尺度权重分割模型获取影像智能化地物标签;
步骤6,利用CornmNet目标检测模型获取影像智能化目标标签;
步骤7,利用web检索技术获取影像智能化地标标签。
而且,所述步骤1中影像标签数据库是采用结构化数据库PostgreSQL进行标签数据存储,数据库服务于标签存储与查询管理,对影像内容进行描述,也为后续信息精准服务提供数据支撑。
而且,所述步骤3中构建并训练多尺度权重分割模型包括以下几个步骤:
步骤3.1,引入ESPNet网络中的ESP卷积结构,搭建快速特征提取结构;
步骤3.2,分别对步骤3.1提取到的不同尺度特征进行反卷积上采样;
步骤3.3,对步骤3.2不同尺度上采样后的分割特征按照不同地物类别赋予不同的权重,得到多尺度权重特征组合;
步骤3.4,根据步骤3.3得到的多尺度权重特征组合对影像进行分割分类;
步骤3.5,通过影像数据集对多尺度权重分割模型进行训练,得到模型训练参数。
而且,所述步骤4中构建并训练CornmNet目标检测模型包括以下几个步骤:
步骤4.1,采用DLA网络作为模型主干网络,并在DLA网络中引入MLFPN多尺度特征提取模块进行特征提取;
步骤4.2,通过级联角点池化和中心点池化方式生成关键热点图;
步骤4.3,通过寻找相邻点和计算偏移量的方法对关键点进行准确定位;
步骤4.4,结合目标框长宽得出目标框的准确位置;
步骤4.5,通过影像数据集对CornmNet目标检测模型进行训练,得到模型训练参数。
而且,所述步骤5中利用多尺度权重分割模型获取影像智能化地物标签包括以下几个步骤:
步骤5.1,对步骤2获取的多光谱影像进行裁剪分块;
将读入影像按照512像素×512像素大小自动化裁剪,生成原始影像规则大小的分块影像,进行本地缓存,同时将对应位置信息记录在文件名中,即行号_列号_.tif;
步骤5.2,读入分块影像的红绿蓝波段,转换为真彩色合成顺序,作为分类波段;
步骤5.3,对步骤5.2做完波段选择后的分块影像像素值进行归一化处理;
归一化计算的公式如下:
式中,x为分块影像归一化前的像素值,x′为分块影像归一化后的像素值;
步骤5.4,利用步骤3训练好的多尺度权重分割模型对步骤5.3得到的经过像素值归一化处理的分块影像进行地物分类;
步骤5.5,根据分块影像的位置信息,依次对分块影像的分类结果进行拼接,得到最终的分类结果;
步骤5.6,根据步骤5.5得到的分类结果进行类别占比统计,并将相应信息存入标签数据库中,完成地物标签信息提取。
而且,所述步骤6中利用CornmNet目标检测模型获取影像智能化目标标签包括以下几个步骤:
步骤6.1,读入步骤2获取的多光谱影像的红绿蓝波段,转换为真彩色合成顺序,作为检测数据;
步骤6.2,对影像像素值进行归一化处理,归一化计算的公式如下:
式中,x1为影像归一化前的像素值,x1′为影像归一化后的像素值;
步骤6.3,对归一化处理后的影像进行多尺度分块裁剪;
步骤6.4,利用步骤4训练好的CornmNet目标检测模型对步骤6.3得到的分块影像进行目标检测;
步骤6.5,根据裁剪大小和行列号息对步骤6.4得到的目标检测结果进行合成;
步骤6.6,基于步骤6.5得到的目标检测结果,对影像范围内所包含目标的目标类别、坐标、个数进行信息统计,存入影像标签数据库,完成地物标签信息提取。
而且,所述步骤6.3中对归一化处理后的影像进行多尺度分块裁剪是对影像同时采用500像素×500像素、2000像素×2000像素两种尺寸大小的组合裁剪,将多尺度分块裁剪后的分块影像保存至文件夹下,根据其裁剪时的裁剪大小、行列号对分块影像进行命名,即裁剪大小_行号_列号.tif,用于后续检测结果的处理和合并。
而且,所述步骤6.5中是对裁剪大小为500像素×500像素的结果保留如储油罐、飞机、船舶这样的较小目标,对裁剪大小为2000像素×2000像素的结果中保留如高速公路服务站、大型桥梁、机场这样的较大目标,以此合成最终影像目标检测结果。
而且,所述步骤7中利用web检索技术获取影像智能化地标标签包括以下几个步骤:
步骤7.1,Web检索POI信息;
将步骤2获取的影像元文件中记录的影像范围作为检索范围,选用矩形区域检索服务,通过设置检索区域左下角和右上角坐标,检索坐标对应矩形内的POI地标信息;
步骤7.2,对步骤7.1检索到的POI数据进行清洗;
步骤7.3,对步骤7.2清洗后的POI信息进行统计,得到地标标签信息,存入影像标签数据库,完成地标标签信息获取。
而且,所述步骤7.2对步骤7.1检索到的POI数据进行清洗是由于步骤7.1获取到的POI地标信息存在类别分类错误的情况,针对此类错误采用tag类别进行二次筛选,对医院、公园、体育场、火车站、加油加气站关键字,分别设置POI信息tag分类标签为综合医院、公园、体育场馆、火车站、加油加气站,过滤冗余信息,然后再根据影像范围剔除影像范围外POI的信息,仅保留影像实际范围内的POI信息。
与现有技术相比,本发明具有如下优点:
(1)提出适用于遥感影像地物分类的多尺度权重分割模型,采用轻量化ESP卷积结构作为模型的基础单元,采用直接上样方式减少模型参数,提高了模型运行速度;针对影像地物交错分布及类间尺度差异较大等特点,增加多尺度权重模块提高了模型的分类识别能力。
(2)提出适用于遥感影像目标检测的CormNet目标检测模型,主干网络采用DLA网络,对网络的层级特征进行有效迭代与组合,丰富影像目标的层级特征信息;基于角点和中心点的提取方式来确定目标框,避免了影像范围下锚点和候选框的大量计算;采用MLFPN多级特征金字塔提取结构,可准确地在多个内外尺度上提取差异过大的目标特征。
(3)提出一种面向海量影像的智能化信息标签获取方法,实现了对影像地物、目标、地标等多级信息标签的自动化提取和对影像内容进行多角度多层次的自动化描述。
附图说明
图1为本发明实施例的技术路线图。
图2为本发明实施例使用的高分遥感影像图,其中图2(a)为GF-1遥感影像,图2(b)为GF-2遥感影像。
图3为本发明实施例遥感影像的分类结果示例图。
图4为本发明实施例遥感影像的目标检测结果示例图。
图5为本发明实施例遥感影像的检索范围示例图。
图6为本发明实施例遥感影像的地标检索结果示例图。
图7为本发明实施例遥感影像标签示例图。
具体实施方式
本发明提供一种面向海量影像的智能化信息标签获取方法,主要包括4个模块:定义影像标签数据库,提出多尺度权重分割(MWSNet)模型对遥感影像进行地物分类,提出CornmNet目标检测模型对遥感影像进行目标检测,利用web检索技术获取地标标签。本发明提出的智能化信息标签获取方法可实现对影像地物、目标、地标等多级信息标签的自动化提取和对影像内容进行多角度多层次的自动化描述。
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示,本发明实施例的流程包括以下步骤:
步骤1,定义影像标签数据库,包括影像信息、地类标签信息、目标检测标签信息与地标标签信息。
影像标签数据库采用结构化数据库PostgreSQL进行标签数据存储,数据库服务于标签存储与查询管理,对影像内容进行描述,也为后续信息精准服务提供数据支撑,标签存储结构如表1所示。
表1标签存储结构表
步骤2,对批量影像原始压缩文件进行解压,得到包括红绿蓝波段的多光谱影像和影像元文件。
步骤3,构建并训练多尺度权重分割模型,具体包括以下几个子步骤:
步骤3.1,引入ESPNet网络中的ESP卷积结构,搭建快速特征提取结构。
步骤3.2,分别对步骤3.1提取到的不同尺度特征进行反卷积上采样。
步骤3.3,对步骤3.2不同尺度上采样后的分割特征按照不同地物类别赋予不同的权重,得到多尺度权重特征组合。
步骤3.4,对步骤3.3得到的多尺度权重特征组合进行分割分类。
步骤3.5,通过影像数据集对多尺度权重分割模型进行训练,得到模型训练参数。
步骤4,构建并训练CornmNet目标检测模型,具体包括以下几个子步骤:
步骤4.1,采用DLA网络作为模型主干网络,并在DLA网络中引入MLFPN多尺度特征提取模块进行特征提取。
步骤4.2,通过级联角点池化和中心点池化方式生成关键热点图。
步骤4.3,通过寻找相邻点和计算偏移量的方法对关键点进行准确定位。
步骤4.4,结合目标框长宽得出目标框的准确位置。
步骤4.5,通过影像数据集对CornmNet目标检测模型进行训练,得到模型训练参数。
步骤5,利用多尺度权重分割模型获取影像智能化地物标签。
步骤5.1,对步骤2获取的多光谱影像进行裁剪分块。
将读入影像按照512像素×512像素大小自动化裁剪,生成原始影像规则大小的分块影像,进行本地缓存,同时将对应位置信息记录在文件名中,即行号_列号_.tif。
步骤5.2,读入分块影像的红绿蓝波段,转换为真彩色合成顺序,作为分类波段。
步骤5.3,对步骤5.2做完波段选择后的分块影像像素值进行归一化处理。
归一化计算的公式如下:
式中,x为分块影像归一化前的像素值,x′为分块影像归一化后的像素值。
步骤5.4,利用步骤3训练好的多尺度权重分割模型对步骤5.3得到的经过像素值归一化处理的分块影像进行地物分类。
步骤5.5,根据分块影像的位置信息,依次对分块影像的分类结果进行拼接,得到最终的分类结果。
步骤5.6,根据步骤5.5得到的分类结果进行类别占比统计,并将相应信息存入标签数据库中,完成地物标签信息提取。
步骤6,利用CornmNet目标检测模型获取影像智能化目标标签。
步骤6.1,读入步骤2获取的多光谱影像的红绿蓝波段,转换为真彩色合成顺序,作为检测数据。
步骤6.2,对影像像素值进行归一化处理,归一化计算的公式如下:
式中,x1为影像归一化前的像素值,x1′为影像归一化后的像素值。
步骤6.3,对归一化处理后的影像进行多尺度分块裁剪。
为了合理保留各类目标的特征信息,对影像同时采用500像素×500像素、2000像素×2000像素两种尺寸大小的组合裁剪,将多尺度分块裁剪后的分块影像保存至文件夹下,根据其裁剪时的裁剪大小、行列号等信息对分块影像进行命名,即裁剪大小_行号_列号.tif,用于后续检测结果的处理和合并。
步骤6.4,利用步骤4训练好的CornmNet目标检测模型对步骤6.3得到的分块影像进行目标检测。
步骤6.5,根据裁剪大小和行列号息对步骤6.4得到的目标检测结果进行合成。
对裁剪大小为500像素×500像素的结果保留较小目标(如储油罐、飞机、船舶等),裁剪大小为2000像素×2000像素的结果中保留较大目标(如高速公路服务站、大型桥梁、机场等),以此合成最终影像目标检测结果,如图4所示。
步骤6.6,基于步骤6.5得到的目标检测结果,对影像范围内所包含目标的目标类别、坐标、个数等情况进行信息统计,存入影像标签数据库,完成地物标签信息提取。
步骤7,利用web检索技术获取影像智能化地标标签。
基于百度地图服务获取影像范围内指定关键字的POI数据,实施例中以医院、公园、体育场、火车站、加油加气站5类生活中常见地标为例。
步骤7.1,Web检索POI信息。
根据步骤2获取的影像元文件中记录的影像范围作为检索范围,选用矩形区域检索服务,通过设置检索区域左下角和右上角坐标,检索坐标对应矩形内的POI地标信息。
步骤7.2,对步骤7.1检索到的POI数据进行清洗。
由于步骤7.1获取到的POI地标信息存在类别分类错误的情况,针对此类错误采用tag类别进行二次筛选,对医院、公园、体育场、火车站、加油加气站关键字,分别设置POI信息tag分类标签为综合医院、公园、体育场馆、火车站、加油加气站,过滤冗余信息,然后再根据影像范围剔除影像范围外POI的信息,仅保留影像实际范围内的POI信息。
步骤7.3,对步骤7.2清洗后的POI信息进行统计,得到地标标签信息,存入影像标签数据库,完成地标标签信息获取。
具体实施时,以上流程可采用计算机软件技术实现自动运行流程。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种面向海量影像的智能化信息标签获取方法,其特征在于,包括如下步骤:
步骤1,定义影像标签数据库,包括影像信息、地类标签信息、目标检测标签信息与地标标签信息;
步骤2,对批量影像原始压缩文件进行解压,得到包括红绿蓝波段的多光谱影像和影像元文件;
步骤3,构建并训练多尺度权重分割模型;
步骤4,构建并训练CornmNet目标检测模型;
步骤5,利用多尺度权重分割模型获取影像智能化地物标签;
步骤6,利用CornmNet目标检测模型获取影像智能化目标标签;
步骤7,利用web检索技术获取影像智能化地标标签。
2.如权利要求1所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤3中构建并训练多尺度权重分割模型包括以下几个步骤:
步骤3.1,引入ESPNet网络中的ESP卷积结构,搭建快速特征提取结构;
步骤3.2,分别对步骤3.1提取到的不同尺度特征进行反卷积上采样;
步骤3.3,对步骤3.2不同尺度上采样后的分割特征按照不同地物类别赋予不同的权重,得到多尺度权重特征组合;
步骤3.4,根据步骤3.3得到的多尺度权重特征组合对影像进行分割分类;
步骤3.5,通过影像数据集对多尺度权重分割模型进行训练,得到模型训练参数。
3.如权利要求1所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤4中构建并训练CornmNet目标检测模型包括以下几个步骤:
步骤4.1,采用DLA网络作为模型主干网络,并在DLA网络中引入MLFPN多尺度特征提取模块进行特征提取;
步骤4.2,通过级联角点池化和中心点池化方式生成关键热点图;
步骤4.3,通过寻找相邻点和计算偏移量的方法对关键点进行准确定位;
步骤4.4,结合目标框长宽得出目标框的准确位置;
步骤4.5,通过影像数据集对CornmNet目标检测模型进行训练,得到模型训练参数。
4.如权利要求2所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤5中利用多尺度权重分割模型获取影像智能化地物标签包括以下几个步骤:
步骤5.1,对步骤2获取的多光谱影像进行裁剪分块;
将读入影像按照一定尺寸大小自动化裁剪,生成原始影像规则大小的分块影像,进行本地缓存,同时将对应位置信息记录在文件名中,即行号_列号_.tif;
步骤5.2,读入分块影像的红绿蓝波段,转换为真彩色合成顺序,作为分类波段;
步骤5.3,对步骤5.2做完波段选择后的分块影像像素值进行归一化处理,归一化计算的公式如下:
式中,x为分块影像归一化前的像素值,x′为分块影像归一化后的像素值;
步骤5.4,利用步骤3训练好的多尺度权重分割模型对步骤5.3得到的经过像素值归一化处理的分块影像进行地物分类;
步骤5.5,根据分块影像的位置信息,依次对分块影像的分类结果进行拼接,得到最终的分类结果;
步骤5.6,根据步骤5.5得到的分类结果进行类别占比统计,并将相应信息存入标签数据库中,完成地物标签信息提取。
5.如权利要求3所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤6中利用CornmNet目标检测模型获取影像智能化目标标签包括以下几个步骤:
步骤6.1,读入步骤2获取的多光谱影像的红绿蓝波段,转换为真彩色合成顺序,作为检测数据;
步骤6.2,对影像像素值进行归一化处理,归一化计算的公式如下:
式中,x1为影像归一化前的像素值,x′1为影像归一化后的像素值;
步骤6.3,对归一化处理后的影像进行多尺度分块裁剪;
步骤6.4,利用步骤4训练好的CornmNet目标检测模型对步骤6.3得到的分块影像进行目标检测;
步骤6.5,根据裁剪大小和行列号息对步骤6.4得到的目标检测结果进行合成;
步骤6.6,基于步骤6.5得到的目标检测结果,对影像范围内所包含目标的目标类别、坐标、个数进行信息统计,存入影像标签数据库,完成地物标签信息提取。
6.如权利要求5所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤6.3中对归一化处理后的影像进行多尺度分块裁剪是对影像同时采用500像素×500像素、2000像素×2000像素两种尺寸大小的组合裁剪,将多尺度分块裁剪后的分块影像保存至文件夹下,根据其裁剪时的裁剪大小、行列号对分块影像进行命名,即裁剪大小_行号_列号.tif,用于后续检测结果的处理和合并。
7.如权利要求6所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤6.5中是对裁剪大小为500像素×500像素的结果保留储油罐、飞机、船舶这样的较小目标,对裁剪大小为2000像素×2000像素的结果中保留高速公路服务站、大型桥梁、机场这样的较大目标,以此合成最终影像目标检测结果。
8.如权利要求1所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤7中利用web检索技术获取影像智能化地标标签包括以下几个步骤:
步骤7.1,Web检索POI信息;
将步骤2获取的影像元文件中记录的影像范围作为检索范围,选用矩形区域检索服务,通过设置检索区域左下角和右上角坐标,检索坐标对应矩形内的POI地标信息;
步骤7.2,对步骤7.1检索到的POI数据进行清洗;
步骤7.3,对步骤7.2清洗后的POI信息进行统计,得到地标标签信息,存入影像标签数据库,完成地标标签信息获取。
9.如权利要求8所述的一种面向海量影像的智能化信息标签获取方法,其特征在于:所述步骤7.2对步骤7.1检索到的POI数据进行清洗是由于步骤7.1获取到的POI地标信息存在类别分类错误的情况,针对此类错误采用tag类别进行二次筛选,对医院、公园、体育场、火车站、加油加气站关键字,分别设置POI信息tag分类标签为综合医院、公园、体育场馆、火车站、加油加气站,过滤冗余信息,然后再根据影像范围剔除影像范围外POI的信息,仅保留影像实际范围内的POI信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850382.7A CN113627288B (zh) | 2021-07-27 | 2021-07-27 | 一种面向海量影像的智能化信息标签获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850382.7A CN113627288B (zh) | 2021-07-27 | 2021-07-27 | 一种面向海量影像的智能化信息标签获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627288A true CN113627288A (zh) | 2021-11-09 |
CN113627288B CN113627288B (zh) | 2023-08-18 |
Family
ID=78381107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110850382.7A Active CN113627288B (zh) | 2021-07-27 | 2021-07-27 | 一种面向海量影像的智能化信息标签获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627288B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092423A (zh) * | 2021-11-11 | 2022-02-25 | 中国电子科技集团公司第五十四研究所 | 一种遥感影像信息标签智能化提取方法 |
CN117274272A (zh) * | 2023-09-08 | 2023-12-22 | 青岛市市立医院 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492570A (zh) * | 2018-11-02 | 2019-03-19 | 电子科技大学 | 一种基于多尺度稀疏表示的sar图像目标识别方法 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及*** |
CN111797697A (zh) * | 2020-06-10 | 2020-10-20 | 河海大学 | 基于改进CenterNet的有角度高分遥感图像目标检测方法 |
CN111814597A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种耦合多标签分类网络和yolo的城市功能分区方法 |
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 |
CN112084872A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种融合语义分割与边缘的高分遥感目标精准检测方法 |
-
2021
- 2021-07-27 CN CN202110850382.7A patent/CN113627288B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492570A (zh) * | 2018-11-02 | 2019-03-19 | 电子科技大学 | 一种基于多尺度稀疏表示的sar图像目标识别方法 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及*** |
CN111797697A (zh) * | 2020-06-10 | 2020-10-20 | 河海大学 | 基于改进CenterNet的有角度高分遥感图像目标检测方法 |
CN111814597A (zh) * | 2020-06-20 | 2020-10-23 | 南通大学 | 一种耦合多标签分类网络和yolo的城市功能分区方法 |
CN112084872A (zh) * | 2020-08-10 | 2020-12-15 | 浙江工业大学 | 一种融合语义分割与边缘的高分遥感目标精准检测方法 |
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 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092423A (zh) * | 2021-11-11 | 2022-02-25 | 中国电子科技集团公司第五十四研究所 | 一种遥感影像信息标签智能化提取方法 |
CN117274272A (zh) * | 2023-09-08 | 2023-12-22 | 青岛市市立医院 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
CN117274272B (zh) * | 2023-09-08 | 2024-04-30 | 青岛市市立医院 | 一种基于深度学习的冠状动脉造影图分割的优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113627288B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111928862B (zh) | 利用激光雷达和视觉传感器融合在线构建语义地图的方法 | |
US20240028623A1 (en) | Systems and methods for utilizing property features from images | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和*** | |
CN110866079B (zh) | 一种智慧景区实景语义地图的生成与辅助定位方法 | |
CN109598241B (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
CN109299673B (zh) | 城市群绿度空间提取方法及介质 | |
CN113627288B (zh) | 一种面向海量影像的智能化信息标签获取方法 | |
Hecht et al. | Automatic derivation of urban structure types from topographic maps by means of image analysis and machine learning | |
Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
CN114241464A (zh) | 基于深度学习的跨视角影像实时匹配地理定位方法及*** | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
Truax | Comparing spectral and object based approaches for classification and transportation feature extraction from high resolution multispectral imagery | |
CN116340563A (zh) | 图形匹配的城市场景地理位置定位方法 | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN117115569B (zh) | 基于机器学习的物像自动识别分类方法及*** | |
Herold et al. | A GEOBIA approach to map interpretation-multitemporal building footprint retrieval for high resolution monitoring of spatial urban dynamics | |
Chen et al. | Mapping urban functional areas using multi-source remote sensing images and open big data | |
CN111639672B (zh) | 一种基于多数投票的深度学习城市功能区分类方法 | |
Li et al. | Learning to holistically detect bridges from large-size vhr remote sensing imagery | |
CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** | |
CN114092423A (zh) | 一种遥感影像信息标签智能化提取方法 | |
CN116052110A (zh) | 一种路面标线缺损智能定位方法及*** | |
O'Sullivan et al. | Gestalt: Geospatially enhanced search with terrain augmented location targeting | |
Riid et al. | Image-based pavement type classification with convolutional neural networks | |
CN112015937B (zh) | 一种图片地理定位方法及*** |
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 |