CN114092423A - 一种遥感影像信息标签智能化提取方法 - Google Patents
一种遥感影像信息标签智能化提取方法 Download PDFInfo
- Publication number
- CN114092423A CN114092423A CN202111334182.2A CN202111334182A CN114092423A CN 114092423 A CN114092423 A CN 114092423A CN 202111334182 A CN202111334182 A CN 202111334182A CN 114092423 A CN114092423 A CN 114092423A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- target
- module
- remote sensing
- 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
- 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
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于遥感信息服务领域,提出一种遥感影像信息标签智能化提取方法。采用人工智能的方法完成遥感图像理解,从地物分类、目标检测与空间检索等多角度对遥感影像进行标签提取,实现对遥感影像内容及用途层面的精准描述,为辅助用户快速获取感兴趣遥感影像信息提供基础数据支撑。本发明提出了适用于影像地物分类的多尺度权重(MWSNet)分割模型和适用于影像目标检测的CormNet模型,用于遥感影像地物信息和目标信息的快速提取,并基于空间检索快速提取典型地标信息,为遥感影像数据构建地物、目标和地标等多级标签体系,在遥感影像基础属性基础上,丰富遥感影像的语义特征,实现遥感影像内容及用途的精准描述,为遥感数据的智能服务提供基础数据支撑。
Description
技术领域
本发明针对不同领域用户对遥感数据产品的多样性需求,提出对未知内容的待分发遥感数据产品进行地物、目标、地标等多级标签信息的提取,构建影像标签体系并存储管理,实现遥感数据内容的精准描述,用于支撑用户快速获取感兴趣遥感影像信息。
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。但在影像应用过程中,当前用户绝大多数影像产品仅能通过地理位置、行政区划等信息进行查找获取,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要求。
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,影像处理方法正在不断与高效、高性能的深度学习模型算法深入融合,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
本发明所要解决的技术问题在于为避免背景技术中的问题提供一种遥感影像信息标签智能化提取方法,基于python语言,在pytorch深度学习框架下针对海量未知影像数据,提出快速的高精度影像地物分类和目标检测模型,并且实现对影像地物、目标、地标等多级信息标签的自动化提取技术,对影像内容进行多角度多层次的自动化描述。
本发明采用的技术方案为:
一种遥感影像信息标签智能化提取方法,包括以下过程:
构建MWSNet多尺度权重分割模型并进行地物类别训练;对原始影像进行波段选择和数值归一化处理,并进行裁剪,生成规则大小的分块影像,将分块影像送入经过训练后的MWSNet多尺度权重分割模型,对分块影像进行地物分类,并对地物分类结果进行合并,得到原始影像中地物类别和占比标签信息,存入影像标签数据库;
构建CormNet目标检测模型并进行目标类别训练;对原始影像进行波段选择和数值归一化处理,并对影像同时采用两种不同像素分别进行裁剪,生成规则大小的分块影像,将两种不同像素的分块影像分别送入经过训练后的CormNet目标检测模型,对分块影像进行目标检测,并对目标检测结果进行合并,在两种像素中的较低像素分块影像中保留小目标,较高像素分块影像中保留大目标,合成最终影像目标检测结果,得到目标类别、坐标和个数标签信息,并存入影像标签数据库;其中,小目标和大目标可设定;
基于原始影像地理范围,利用空间检索技术提取影像范围内的POI信息,对POI信息进行剔错和去重清洗操作,提取得到有效地标标签信息,并存入影像标签数据库。
其中,MWSNet多尺度权重分割模型包括特征学习模块、上采样模块以及多尺度权重连接模块;
特征学习模块包括四组依次连接的特征提取模块,在特征提取模块中通过ESP结构堆叠提取影像特征,并采用自适应池化结构对特征图进行下采样,分别将四组特征提取模块提取的多尺度影像特征输出至上采样模块;
上采样模块将不同特征提取模块中得到的多尺度影像特征图直接上采样至输入图像的1/2大小,上采样过程通过反卷积操作实现,将上采样后的图像输出至多尺度权重连接模块;
多尺度权重连接模块对多尺度影像特征图进行上采样后,根据影像地物间存在尺度差异特征,采用对不同尺度影像特征图中对应的每一类地物赋予不同权重的方法,获取对于地物类别的组合特征,然后基于所有影像特征图的连接特征进行最后的分类计算。
其中,CormNet目标检测模型包括特征提取模块、池化模块和目标框定位模块;
特征提取模块基于多级特征金字塔结构改进的DLA主干网络,针对多尺度目标的检测问题,在DLA主干网络加入多级特征金字塔结构,对输入的分块影像进行多级多尺度的深度特征提取,作为目标检测任务的特征基础,并通过卷积得出关键点偏置和目标框长宽;
池化模块,包括级联角点池化模块和中心池化模块,在中心池化模块根据特征提取模块输出的特征,计算关键点水平方向和垂直方向特征值求和的最大值确定目标中心位置,再经级联角点池化模块结合目标内部及边界方向的特征值和的最大值确定目标角点,最终生成包括中心点和角点信息的关键热点图;
目标框定位模块,通过匹配目标角点和中心点的关键热点图,以及对特征提取模块输出的深度特征进行卷积得出的关键点偏置和目标框长宽,综合确定最终检测目标位置。
其中,改进的DLA主干网络包括将DLA主干网络提取出的不同尺度特征作为原始输入至多级特征金字塔结构,在多级特征金字塔结构中首先通过特征融合模块FFM对浅层和深层的影像特征进行融合,然后采用多级细化U型模块TUM进行深度加工,最后通过尺度特征聚合模块SFAM聚合多级细化U型模块TUM产生的多级多尺度特征,构造一个多级特征金字塔特征。
本发明相比现有技术具有如下优点:
1)本发明提出了针对未知内容的遥感影像数据的多级标签自动化提取方法,丰富了影像的语义描述。
2)提出了适用于遥感影像分类和检测的多尺度权重分割模型和CormNet模型,在不损失精度的情况下,提高了自动化标签提取效率。
附图说明
图1是本发明方法实现框图。
图2是本发明MWSNet多尺度权重分割模型结构图。
图3是本发明MWSNet的特征提取模块结构图。
图4是本发明CornmNet目标检测模型结构图。
图5是本发明改进的DLA主干网络结构图。
图6是本发明影像示例图。
图7是本发明影像分类结果示例图。
图8是本发明影像目标检测结果示例图。
图9是本发明影像检索范围示例图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及具体实施方式对本发明作进一步的详细描述。
一种遥感影像信息标签智能化提取方法,如图1所示,包括以下过程:
构建MWSNet多尺度权重分割模型并进行地物类别训练;对原始影像进行波段选择和数值归一化处理,并进行裁剪,生成规则大小的分块影像,将分块影像送入经过训练后的MWSNet多尺度权重分割模型,对分块影像进行地物分类,并对地物分类结果进行合并,得到原始影像中地物类别和占比标签信息,存入影像标签数据库;
构建CormNet目标检测模型并进行目标类别训练;对原始影像进行波段选择和数值归一化处理,并对影像同时采用两种不同像素分别进行裁剪,生成规则大小的分块影像,将两种不同像素的分块影像分别送入经过训练后的CormNet目标检测模型,对分块影像进行目标检测,并对目标检测结果进行合并,在两种像素中的较低像素分块影像中保留小目标,较高像素分块影像中保留大目标,合成最终影像目标检测结果,得到目标类别、坐标和个数标签信息,并存入影像标签数据库;其中,小目标和大目标可设定;
基于原始影像地理范围,利用空间检索技术提取影像范围内的POI信息,对POI信息进行剔错和去重清洗操作,提取得到有效地标标签信息,并存入影像标签数据库。
如图2所示,MWSNet多尺度权重分割模型引入ESPNet网络中的ESP卷积结构,搭建快速特征提取结构,然后分别对不同尺度特征进行反卷积上采样,提出对不同尺度上采样后的分割特征按照不同地物类别赋予权重的多尺度权重特征组合机制,再根据综合特征组合进行最后分割分类模型参数需要通过前期在数据集上的训练获取,当前模型参数通过GF-1影像数据集训练得到,经验证对林地、草地、耕地、建成区、裸地、水体等地物能够达到92.55%以上的准确率。模型参数对影像及地物类型的适用性,需通过训练数据集来调整。
MWSNet多尺度权重分割模型具体包括特征学习模块、上采样模块以及多尺度权重连接模块;
特征学习模块如图3所示,包括四组依次连接的特征提取模块(Featrueextraction module,FEM),在特征提取模块中通过ESP结构堆叠提取影像特征,并在Pooling操作中采用自适应池化结构对特征图进行下采样,并在连接层(concat)与通过卷积(conv)提取的低层特征进行连接,组成输出特征。最后分别将四组特征提取模块提取的多尺度影像特征输出至上采样模块,
上采样模块将不同特征提取模块中得到的多尺度影像特征图直接上采样至输入图像的1/2大小,上采样过程通过反卷积操作实现,将上采样后的图像输出至多尺度权重连接模块;
多尺度权重连接模块对多尺度影像特征图进行上采样后,根据影像地物间存在尺度差异特征,采用对不同尺度影像特征图中对应的每一类地物赋予不同权重的方法,获取对于地物类别的组合特征,然后基于所有影像特征图的连接特征进行最后的分类计算。
其中,CornmNet目标检测模型结合ConrNet和CenterNet两种一阶段模型,基于角点和中心点对目标进行检测,在特征提取阶段通过引入多尺度特征金字塔增加模型学***均准确率超过85%。模型参数对影像及检测目标类别的适用性,需通过训练数据集来调整。
如图4所示,CormNet模型结构主要包括特征提取模块、池化模块和目标框定位模块。
1)特征提取模块
GF-2遥感影像中的目标检测要求跨低维到高维、尺寸从小到大、分辨率从细粒到模糊的丰富表达,深层网络可以提取大量的遥感语义信息和全局特征,但单个深层网络的影像特征表达不适用于多类目标的准确识别。因此我们选择了DLA这种深层聚合网络,作为用于影像特征提取的主干网络,并且在DLA的下采样与上采样结构中间引入多级特征金字塔结构,将DLA主干网络上采样得出的多尺度特征,通过多级特征金字塔网络(Multi-levelFeature Pyramid)构成目标的多级多尺度特征,再进行上采样操作,输出最终影像特征,并通过卷积得出关键点偏置和目标框长宽。
如图5所示,改进的DLA主干网络包括将DLA主干网络提取出的不同尺度特征作为原始输入至多级特征金字塔结构,在多级特征金字塔结构中首先通过特征融合模块FFM对浅层和深层的影像特征进行融合,然后采用多级细化U型模块TUM进行深度加工,最后通过尺度特征聚合模块SFAM聚合多级细化U型模块TUM产生的多级多尺度特征,构造一个多级特征金字塔特征。
2)池化模块(2Types of Pooling)
池化阶段将每个检测目标看做是3个关键点,包括2个角点和1个中心点,并相应地设计了级联角点池化和中心点池化两个模块。根据主干网络输出特征计算关键点水平和垂直方向特征值求和的最大值来确定目标中心位置,再结合目标内部及边界方向的特征值和的最大值来确定目标角点,最终生成包括中心点和角点信息的关键热点图(Heatmaps)。
4)目标框定位
CormNet模型的目标框定位过程,通过卷积根据主干网络提取出的影像深度特征得出的关键点偏置信息(Offsets)和目标框长宽(W&H),再结合池化生成的关键热点图(Heatmaps),得出目标框的准确位置。
本发明的设计思路为:
1.数据准备和实验设计
本部分以一张GF-1和一张GF-2影像为例(图6),对影像进行地物、目标、地标等多级内容信息提取,生成影像相应标签存入影像标签数据库。
2.文件预处理
对批量影像原始压缩文件进行解压,实施中我们使用影像包括红绿蓝波段的多光谱影像以及影像元文件。
3.影像标签数据库定义
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。影像标签数据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。
表1标签存储结构表
4.影像智能化地物标签提取
4.1影像波段选择
依次选择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。
4.2数值预处理
对波段选择后的分块影像数值进行最大值为1100,最小值为0的最大最小值归一化。
4.3影像分块预处理
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,为行号_列号_.tif。
4.4影像智能化地物分类
将经过数值处理的分块影像,送入经过训练后的多尺度权重分割模型,对分块影像进行地物分类。并根据位置信息,依次对分块影像的分类结果进行拼接,得到最终分类结果并输出保存(图7)。
4.5地物标签信息提取
根据分类结果,进行类别占比统计,将相应信息存入标签数据库中。
5.影像智能化目标标签提取
5.1影像波段选择
选择影像的红绿蓝波段,转换为真彩色合成顺序,作为检测数据。
5.2数值预处理
对波段选择后的分块影像数值进行最大值为1100,最小值为0的最大最小值归一化。
5.3影像多尺度分块裁剪
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,对应其裁剪时的裁剪大小、行列号等信息对分块影像进行命名,为裁剪大小_行号_列号.tif,用于后续检测结果的处理和合并。
5.4影像目标检测
依次对所有分块影像进行基于CormNet模型的目标检测。
5.5检测结果合成
对分块影像经过检测后生成对应的影像检测结果,根据裁剪大小和行列号等信息对结果进行合成,其中,对在裁剪大小为500像素的结果中保留较小目标,在裁剪大小为2000像素的结果中保留较大目标,合成最终影像目标检测结果(图8)。
5.6目标标签信息提取
基于上述得到的影像检测结果,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,并存入影像标签数据库。
6.影像智能化地标标签提取
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。
6.1Web检索POI信息
根据影像元文件记录影像范围作为检索范围(图9),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指定地点信息。
6.2POI数据清洗
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。
再根据影像范围剔除影像范围外POI信息,仅保留影像实际范围内的POI信息。
6.3地标标签信息提取
对获取到POI信息(包括类型、名称、位置等)进行统计,得到地标标签信息,存入影像标签数据库。
7.影像标签数据库说明
在影像多级标签提取后,针对每幅影像生成对应标签,保存在影像标签数据库中,可用于后续影像查询和管理。
以上所述仅是用以说明本发明的具体实施案例而已,并非用以限定本发明的可实施范围,举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改变或修饰,仍应由本发明权利要求的范围所覆盖。
Claims (4)
1.一种遥感影像信息标签智能化提取方法,其特征在于,包括以下过程:
构建MWSNet多尺度权重分割模型并进行地物类别训练;对原始影像进行波段选择和数值归一化处理,并进行裁剪,生成规则大小的分块影像,将分块影像送入经过训练后的MWSNet多尺度权重分割模型,对分块影像进行地物分类,并对地物分类结果进行合并,得到原始影像中地物类别和占比标签信息,存入影像标签数据库;
构建CormNet目标检测模型并进行目标类别训练;对原始影像进行波段选择和数值归一化处理,并对影像同时采用两种不同像素分别进行裁剪,生成规则大小的分块影像,将两种不同像素的分块影像分别送入经过训练后的CormNet目标检测模型,对分块影像进行目标检测,并对目标检测结果进行合并,在两种像素中的较低像素分块影像中保留小目标,较高像素分块影像中保留大目标,合成最终影像目标检测结果,得到目标类别、坐标和个数标签信息,并存入影像标签数据库;其中,小目标和大目标可设定;
基于原始影像地理范围,利用空间检索技术提取影像范围内的POI信息,对POI信息进行剔错和去重清洗操作,提取得到有效地标标签信息,并存入影像标签数据库。
2.根据权利要求1所述的遥感影像信息标签智能化提取方法,其特征在于,MWSNet多尺度权重分割模型包括特征学习模块、上采样模块以及多尺度权重连接模块;
特征学习模块包括四组依次连接的特征提取模块,在特征提取模块中通过ESP结构堆叠提取影像特征,并采用自适应池化结构对特征图进行下采样,分别将四组特征提取模块提取的多尺度影像特征输出至上采样模块;
上采样模块将不同特征提取模块中得到的多尺度影像特征图直接上采样至输入图像的1/2大小,上采样过程通过反卷积操作实现,将上采样后的图像输出至多尺度权重连接模块;
多尺度权重连接模块对多尺度影像特征图进行上采样后,根据影像地物间存在尺度差异特征,采用对不同尺度影像特征图中对应的每一类地物赋予不同权重的方法,获取对于地物类别的组合特征,然后基于所有影像特征图的连接特征进行最后的分类计算。
3.根据权利要求1所述的遥感影像信息标签智能化提取方法,其特征在于,CormNet目标检测模型包括特征提取模块、池化模块和目标框定位模块;
特征提取模块基于多级特征金字塔结构改进的DLA主干网络,针对多尺度目标的检测问题,在DLA主干网络加入多级特征金字塔结构,对输入的分块影像进行多级多尺度的深度特征提取,作为目标检测任务的特征基础,并通过卷积得出关键点偏置和目标框长宽;
池化模块,包括级联角点池化模块和中心池化模块,在中心池化模块根据特征提取模块输出的特征,计算关键点水平方向和垂直方向特征值求和的最大值确定目标中心位置,再经级联角点池化模块结合目标内部及边界方向的特征值和的最大值确定目标角点,最终生成包括中心点和角点信息的关键热点图;
目标框定位模块,通过匹配目标角点和中心点的关键热点图,以及对特征提取模块输出的深度特征进行卷积得出的关键点偏置和目标框长宽,综合确定最终检测目标位置。
4.根据权利要求3所述的遥感影像信息标签智能化提取方法,其特征在于,改进的DLA主干网络包括将DLA主干网络提取出的不同尺度特征作为原始输入至多级特征金字塔结构,在多级特征金字塔结构中首先通过特征融合模块FFM对浅层和深层的影像特征进行融合,然后采用多级细化U型模块TUM进行深度加工,最后通过尺度特征聚合模块SFAM聚合多级细化U型模块TUM产生的多级多尺度特征,构造一个多级特征金字塔特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334182.2A CN114092423A (zh) | 2021-11-11 | 2021-11-11 | 一种遥感影像信息标签智能化提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111334182.2A CN114092423A (zh) | 2021-11-11 | 2021-11-11 | 一种遥感影像信息标签智能化提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092423A true CN114092423A (zh) | 2022-02-25 |
Family
ID=80299999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111334182.2A Pending CN114092423A (zh) | 2021-11-11 | 2021-11-11 | 一种遥感影像信息标签智能化提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092423A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546647A (zh) * | 2022-10-21 | 2022-12-30 | 河北省科学院地理科学研究所 | 一种基于遥感影像的语义分割模型 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832404A (zh) * | 2017-11-02 | 2018-03-23 | 武汉大学 | 一种poi信息的补全方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN113627288A (zh) * | 2021-07-27 | 2021-11-09 | 武汉大学 | 一种面向海量影像的智能化信息标签获取方法 |
-
2021
- 2021-11-11 CN CN202111334182.2A patent/CN114092423A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832404A (zh) * | 2017-11-02 | 2018-03-23 | 武汉大学 | 一种poi信息的补全方法 |
CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
CN113627288A (zh) * | 2021-07-27 | 2021-11-09 | 武汉大学 | 一种面向海量影像的智能化信息标签获取方法 |
Non-Patent Citations (3)
Title |
---|
CIKY奇: "论文精读——CenterNet :Keypoint Triplets for Object Detection", 《HTTPS://BLOG.CSDN.NET/C20081052/ARTICLE/DETAILS/89631486》 * |
XXZKJ: "M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid(SFAM)", 《HTTPS://BLOG.CSDN.NET/WEIXIN_38688399/ARTICLE/DETAILS/106768281》 * |
傅里叶不积分1: "轻量级网络:ESPNet系列", 《HTTPS://BLOG.CSDN.NET/QQ_39382877/ARTICLE/DETAILS/97423070》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546647A (zh) * | 2022-10-21 | 2022-12-30 | 河北省科学院地理科学研究所 | 一种基于遥感影像的语义分割模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598241B (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
Qin et al. | 3D change detection–approaches and applications | |
CN107133325B (zh) | 一种基于街景地图的互联网照片地理空间定位方法 | |
US9165217B2 (en) | Techniques for ground-level photo geolocation using digital elevation | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CN110866079A (zh) | 一种智慧景区实景语义地图的生成与辅助定位方法 | |
CN108052966A (zh) | 基于卷积神经网络的遥感图像场景自动提取和分类方法 | |
Peng et al. | Combining GF-2 and RapidEye satellite data for mapping mangrove species using ensemble machine-learning methods | |
CN113569815B (zh) | 基于图像分割与孪生神经网络的遥感影像变化的检测方法 | |
Jin et al. | AID++: An updated version of AID on scene classification | |
Gamal et al. | Automatic LIDAR building segmentation based on DGCNN and euclidean clustering | |
CN114359130A (zh) | 一种基于无人机影像的道路裂缝检测方法 | |
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*** | |
CN113627288B (zh) | 一种面向海量影像的智能化信息标签获取方法 | |
Akshay et al. | Satellite image classification for detecting unused landscape using CNN | |
CN111383286B (zh) | 定位方法、装置、电子设备及可读存储介质 | |
Cai et al. | A comparative study of deep learning approaches to rooftop detection in aerial images | |
CN114119621A (zh) | 基于深度编解码融合网络的sar遥感图像水域分割方法 | |
CN116340563A (zh) | 图形匹配的城市场景地理位置定位方法 | |
CN114140700A (zh) | 基于级联网络的分步异源图像模板匹配方法 | |
CN114092423A (zh) | 一种遥感影像信息标签智能化提取方法 | |
Fan et al. | Multilevel spatial-channel feature fusion network for urban village classification by fusing satellite and streetview images | |
Guo et al. | A shape and size free-CNN for urban functional zone mapping with high-resolution satellite images and POI data | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 |
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 |
Application publication date: 20220225 |
|
RJ01 | Rejection of invention patent application after publication |