CN114882139B - 一种多层级地图的端到端智能生成方法及*** - Google Patents
一种多层级地图的端到端智能生成方法及*** Download PDFInfo
- Publication number
- CN114882139B CN114882139B CN202210383509.3A CN202210383509A CN114882139B CN 114882139 B CN114882139 B CN 114882139B CN 202210383509 A CN202210383509 A CN 202210383509A CN 114882139 B CN114882139 B CN 114882139B
- Authority
- CN
- China
- Prior art keywords
- map
- layer
- network
- level
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000009877 rendering Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种多层级地图的端到端智能生成方法及***,属于计算机视觉技术领域。本发明根据深度神经网络,设计遥感影像生成多层级地图的多层级地图生成网络,然后建立多层级网络地图生成数据集,使用数据集对生成网络进行训练,得到优化的生成网络模型参数。最后对遥感影像进行采样处理,得到多层级遥感影像,并将收集的影像输入生成网络进行处理,生成多层级网络地图。本发明通过多层级网络地图生成网络从遥感影像中生成多层级网络地图,能够实现无需人工参与的多层级网络地图生成,生成速度快且花费低。
Description
技术领域
本发明涉及一种多层级地图的端到端智能生成方法及***,属于计算机视觉技术领域。
背景技术
传统网络地图中的各层地图图像,通常要根据地图矢量数据,按照一定绘图标准渲染而成。但是,地图矢量数据的获取通常需要人工现场采集,在效率与成本方面均存在较大的局限性。考虑到遥感影像的获取速度快、收集成本低的特点,根据遥感影像自动生成网络地图,成为了一种可行的解决方案。但是,现有方法并没有全面分析多层级网络地图生成的难点,多层级地图不同层级存在相同的地理要素、多层级地图不同层级地理要素显示详略不同,以及遥感像素空间和地图像素空间存在较大差异,导致难以生成信息表达准确一致、且具有较好视觉效果的多层级网络地图。
多层级网络地图通常采用瓦片地图金字塔模型结构。从瓦片金字塔的最高层(第K层)到最低层(第0层),分辨率越来越低,但表示的地理区域范围不变。具体而言,第K层瓦片地图的距离像素比是第K-1层的一半,因此具有更大的空间分辨率,能够显示更精细的内容。在多层级网络地图中,不同层级地图所包含的地理要素保持一致,而展示的详略程度有所差别,因此,多层级网络地图存在层级间的一致性与差异性。
遥感影像是利用无人机、飞机和卫星等高空设备对地拍摄得到的图像。相对于地图矢量数据而言,其具有更新速度快,收集成本相对较低的特点。但是,由于遥感影像从实际环境中采集,相比于经过人为美化的地图有着较为明显的差别,这使得从遥感影像生成地图成为一项有挑战的工作。
发明内容
本发明的目的是设计一个有效的深度神经网络,用于实现遥感像素空间到地图像素空间的转换,并利用多层级地图具备多个同一地理范围的特点,使生成的多层级地图具备层级一致性和差异性,并创造性地提出一种多层级地图的端到端智能生成方法及***。本发明实现从遥感影像生成多层级网络地图,无需人工制图,减少了人力成本,加快了地图生成速度。
一种多层级地图的端到端智能生成方法,包括以下步骤:
步骤1:根据深度神经网络,设计从遥感影像生成多层级地图的多层级地图生成网络。
所述多层级地图生成网络为端到端网络,用于从遥感图像中生成多层级地图图像。
具体地,多层级地图生成网络包括:
层级分类器,用于判断渲染生成器生成的初步地图所属的层级。层级分类器包括批归一化层和卷积层。
地图要素提取器,用于将从所述的遥感图像中提取地理要素特征。地图要素提取器包含基于全卷积的语义分割网络,基于Transformer的语义分割网络,以及基于编码器解码器结构的语义分割网络。
渲染生成器,用于根据所述的地理要素特征,遥感影像和层级标识生成初步地图。渲染生成器包括基于条件对抗生成网络的生成器,以及基于循环一致性的对抗生成网络的生成器。
多层融合生成器,用于根据所述的多层初步地图生成精修地图。多层融合生成器包括批归一化层、调整大小层、基于条件对抗生成网络的生成器,以及基于循环一致性的对抗生成网络的生成器。
判别器,用于判断所述的初步地图和精修地图是否为真。判别器包括基于条件对抗生成网络的判别器,以及基于循环一致性的对抗生成网络的判别器。
步骤2:建立多层级网络地图生成数据集。
其中,数据集中的每一类数据包括遥感影像、地图图像、地理要素标签和层级标识。
所述遥感影像根据最高层级地图分辨率进行采样,并根据层级数进行2倍下采样,得到多层遥感影像,即第k层遥感影像分辨率是第k+1层的二分之一。
步骤3:使用数据集对生成网络进行训练,得到优化的生成网络模型参数。
步骤4:对遥感影像进行采样处理,得到多层级遥感影像,并将收集的影像输入生成网络进行处理,生成多层级网络地图。
所述采样方法,包括双线性插值、双三次插值和中值插值。
一种多层级地图的端到端智能生成***,包括训练模块和生成模块。
其中,训练模块用于建立多层级网络地图生成数据集,根据多层级网络地图生成数据集对多层级地图生成网络进行训练。
生成模块,用于将多层级遥感影像输入预先训练的多层级地图生成网络进行处理,生成多层级网络地图。
有益效果
本发明,对比现有技术,具有以下优点:
本发明通过多层级网络地图生成网络从遥感影像中生成多层级网络地图,能够实现无需人工参与的多层级网络地图生成,生成速度快且花费低。
附图说明
图1为本发明方法的流程示意图;
图2为一种多层级地图的端到端智能生成网络训练示意图;
图3为一种多层级地图的端到端智能生成网络测试示意图;
图4为本发明***的结构示意图。
具体实施方式
下面结合附图对本发明和实施例做进一步详细说明。
实施例
一种多层级地图的端到端智能生成方法,如图1所示,包括以下步骤:
步骤101:根据深度神经网络,设计一种多层级地图的端到端智能生成网络。
该深度神经网络为端到端网络。根据多层级网络地图生成数据集对深度神经网络进行训练,得到优化的多层级网络地图生成模型参数。
步骤102:建立多层级网络地图生成数据集,包含不同城市和不同层级的遥感影像、地图图像、地理要素标签和层级标识。
其中,多层级网络地图生成数据集中的每一数据包括遥感影像、地图图像、地理要素标签和层级标识。以北京第18层级地图数据为例,遥感影像为对地拍摄的包含地面信息的图片,地图为专家根据矢量数据人工绘制的图片,地理要素标签由地图通过Kmeans聚类得到,层级表示为对应的层级号18。
通过收集遥感影像,地图配对数据,对地图进行Kmeans聚类,得到地理要素标签,记录所属层级作为标识,由此形成数据集。
步骤103:根据多层级网络地图生成数据集,对多层级网络地图生成网络进行训练。
在本实施例中,多层级地图生成网络包括:层级分类器、地图要素提取器、渲染生成器、多层融合生成器和判别器。
其中,层级分类器用于判断渲染生成器生成的初步地图所属的层级。层级分类器包括批归一化层(BN)、卷积层(Conv)。
地图要素提取器用于从遥感图像中提取地理要素特征。地图要素提取器包含基于全卷积的语义分割网络(FCN,DeeplabV3+等),基于Transformer的语义分割网络(SwinTransformer,SegFormer,Segmenter等),以及基于编码器解码器结构的语义分割网络(Unet,PSPNet等)。
渲染生成器用于根据地理要素特征、遥感影像和层级标识生成初步地图。渲染生成器包括基于条件对抗生成网络的生成器(Pixe2pix,Pix2pixHD,TSIT,SelectionGAN等),以及基于循环一致性的对抗生成网络的生成器(CycleGAN,SMAPGAN等)。
多层融合生成器用于根据多层初步地图生成精修地图。多层融合生成器包括批归一化层(BN),调整大小层(Resize)、基于条件对抗生成网络的生成器(Pixe2pix,Pix2pixHD,TSIT,SelectionGAN等),以及基于循环一致性的对抗生成网络的生成器(CycleGAN,SMAPGAN等)。
判别器用于判断初步地图和精修地图是否为真。判别器包括基于条件对抗生成网络的判别器(Pixe2pix,Pix2pixHD,TSIT,SelectionGAN等)、基于循环一致性的对抗生成网络的判别器(CycleGAN,SMAPGAN等)。
在本实施例中,遥感影像根据最高层级地图分辨率进行采样,并根据层级数进行多次二倍下采样得到所述的多层遥感影像。其中每一层遥感影像分辨率是高一层的二分之一。采样方式可以是双线性插值、双三次插值或中值插值。
基于上述步骤,利用得到的多层遥感影像,生成多层级网络地图
进一步地,如图2所示,对训练过程进行详细说明。
本实施例中,对多层级网络地图生成网络进行端到端训练,包括以下步骤:
具体地,首先,将第K层遥感影像和第K-1层遥感影像,分别送入地图要素提取器,提取地图要素:
M=Fθ(xK) (1)
其中,Fθ为地图要素提取器,xK为第K层遥感影像,M为地图要素。
然后,将遥感影像和地图要素、层级标识拼接送入渲染生成器,生成初步地图:
其中,y′K为第K层初步地图,xK为第K层遥感地图,表示层级信息,Fθ(xK)表示图要素提取器输出地图要素,G′表示渲染生成器,φ′表示渲染生成器参数。
之后,将得到的K层初步地图和K-1层初步地图输入到多层融合生成器中,完成K层精修地图的生成:
y″K=G″φ″(y′K,y′K-1) (3)
其中,y″K为第K层精修地图,G″表示多层融合生成器,φ″’表示多层融合生成器参数,y′K-1为第K-1层初步地图。
然后,将第K层初步地图送入层级分类器中,判断生成的第K层初步地图所属的层级,利用交叉熵损失函数进行优化:
其中,θ是层级分类器C的模型参数,N表示层级数;si为层级第i层的真实值,si中取1的位置代表该地图为相应的层级,0代表不是;Cθ(y′K)i为第K层初步地图为第i层的预测置信度。
最后,将第K层初步地图与第K层实际地图、第K层精修地图与第K层实际地图分别送入判别器中,输出地图真实与否,更新网络参数:
其中,D是判别器,是判别器参数,pdata(x)和pdata(y)分别表示遥感影像和实际网络地图的数据分布。V()是目标函数,E为分布函数的期望值。
步骤104:对遥感影像进行采样处理,得到多层级遥感影像,并将收集的影像输入生成网络进行处理,生成多层级网络地图。
如图3所示,首先用已获得的遥感影像进行采样,得到多层遥感影像。将第K层遥感影像和第K-1层遥感影像分别送入地图要素提取器,提取地图要素。将遥感影像和地图要素、层级标识拼接送入渲染生成器,生成初步地图。最后,利用得到的第K层初步地图和第K-1层初步地图输入到多层融合生成器中,完成第K层精修地图的生成。
为了实现上述实施例,本实施例进一步提出了一种多层级地图的端到端智能生成***,如图4所示,包括训练模块10和生成模块20。
其中,训练模块10,用于建立多层级网络地图生成数据集,根据多层级网络地图生成数据集对多层级地图生成网络进行训练,多层级网络地图生成数据集包含遥感影像、地图图像、地理要素标签和层级标识。
生成模块20,用于将多层级遥感影像输入预先训练的多层级地图生成网络进行处理,生成多层级网络地图。
训练模块10的输出端与生成模块20的输入端相连。
Claims (2)
1.一种多层级地图的端到端智能生成方法,其特征在于,包括以下步骤:
步骤1:根据深度神经网络,设计遥感影像生成多层级地图生成网络;
其中,多层级地图生成网络为端到端网络,用于从遥感图像中生成多层级地图图像,包括:
层级分类器,用于判断渲染生成器生成的初步地图所属的层级;层级分类器包括批归一化层和卷积层;
地图要素提取器,用于将从所述的遥感图像中提取地理要素特征;地图要素提取器包含基于全卷积的语义分割网络,基于Transformer的语义分割网络,以及基于编码器解码器结构的语义分割网络;
渲染生成器,用于根据所述的地理要素特征,遥感影像和层级标识生成初步地图;渲染生成器包括基于条件对抗生成网络的生成器,以及基于循环一致性的对抗生成网络的生成器;
多层融合生成器,用于根据所述的多层初步地图生成精修地图;多层融合生成器包括批归一化层、调整大小层、基于条件对抗生成网络的生成器,以及基于循环一致性的对抗生成网络的生成器;
判别器,用于判断所述的初步地图和精修地图是否为真;判别器包括基于条件对抗生成网络的判别器,以及基于循环一致性的对抗生成网络的判别器;
步骤2:建立多层级网络地图生成数据集;
其中,数据集中的每一类数据包括遥感影像、地图图像、地理要素标签和层级标识;
步骤3:使用数据集对生成网络进行训练,得到优化的生成网络模型参数;
首先,将第K层遥感影像和第K-1层遥感影像,分别送入地图要素提取器,提取地图要素:
M=Fθ(xK) (1)
其中,Fθ为地图要素提取器,xK为第K层遥感影像,M为地图要素;
然后,将遥感影像和地图要素、层级标识拼接送入渲染生成器,生成初步地图:
其中,y′K为第K层初步地图,xK为第K层遥感地图,表示层级信息,Fθ(xK)表示图要素提取器输出地图要素,G′表示渲染生成器,φ′表示渲染生成器参数;
之后,将得到的K层初步地图和K-1层初步地图输入到多层融合生成器中,完成K层精修地图的生成:
y″K=G″φ″(y′K,y′K-1) (3)
其中,y″K为第K层精修地图,G″表示多层融合生成器,φ″’表示多层融合生成器参数,y′K-1为第K-1层初步地图;
然后,将第K层初步地图送入层级分类器中,判断生成的第K层初步地图所属的层级,利用交叉熵损失函数进行优化:
其中,θ是层级分类器C的模型参数,N表示层级数;si为层级第i层的真实值,si中取1的位置代表该地图为相应的层级,0代表不是;Cθ(y′K)i为第K层初步地图为第i层的预测置信度;
最后,将第K层初步地图与第K层实际地图、第K层精修地图与第K层实际地图分别送入判别器中,输出地图真实与否,更新网络参数:
其中,D是判别器,是判别器参数,pdata(x)和pdata(y)分别表示遥感影像和实际网络地图的数据分布;V()是目标函数,E为分布函数的期望值;
步骤4:对遥感影像进行采样处理,得到多层级遥感影像,并将收集的影像输入生成网络进行处理,生成多层级网络地图;
其中,采样方法包括双线性插值、双三次插值和中值插值。
2.如权利要求1所述的一种多层级地图的端到端智能生成方法,其特征在于,步骤2中,遥感影像根据最高层级地图分辨率进行采样,并根据层级数进行2倍下采样,得到多层遥感影像,其中每一层遥感影像分辨率是高一层的二分之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210383509.3A CN114882139B (zh) | 2022-04-12 | 2022-04-12 | 一种多层级地图的端到端智能生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210383509.3A CN114882139B (zh) | 2022-04-12 | 2022-04-12 | 一种多层级地图的端到端智能生成方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882139A CN114882139A (zh) | 2022-08-09 |
CN114882139B true CN114882139B (zh) | 2024-06-07 |
Family
ID=82670143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210383509.3A Active CN114882139B (zh) | 2022-04-12 | 2022-04-12 | 一种多层级地图的端到端智能生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882139B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422787B (zh) * | 2023-12-18 | 2024-03-08 | 中国人民解放军国防科技大学 | 一种融合判别式和生成式模型的遥感影像转换地图方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153245A1 (en) * | 2018-02-09 | 2019-08-15 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Systems and methods for deep localization and segmentation with 3d semantic map |
CN113052121A (zh) * | 2021-04-08 | 2021-06-29 | 北京理工大学 | 一种基于遥感影像的多层级网络地图智能生成方法 |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及*** |
CN113449594A (zh) * | 2021-05-25 | 2021-09-28 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
-
2022
- 2022-04-12 CN CN202210383509.3A patent/CN114882139B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019153245A1 (en) * | 2018-02-09 | 2019-08-15 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Systems and methods for deep localization and segmentation with 3d semantic map |
WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及*** |
CN113052121A (zh) * | 2021-04-08 | 2021-06-29 | 北京理工大学 | 一种基于遥感影像的多层级网络地图智能生成方法 |
CN113449594A (zh) * | 2021-05-25 | 2021-09-28 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114882139A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537191B (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN115457531A (zh) | 用于识别文本的方法和装置 | |
CN113838064B (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN111461006B (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
CN111144418B (zh) | 一种铁路轨道区域分割提取的方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及*** | |
CN114882139B (zh) | 一种多层级地图的端到端智能生成方法及*** | |
CN114820655A (zh) | 可靠区域作为注意力机制监督的弱监督建筑物分割方法 | |
CN112766409A (zh) | 一种遥感图像目标检测的特征融合方法 | |
CN111008979A (zh) | 一种鲁棒的夜晚图像语义分割方法 | |
CN113436060A (zh) | 一种异源遥感图像风格迁移方法和装置 | |
CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
CN113052121B (zh) | 一种基于遥感影像的多层级网络地图智能生成方法 | |
Gu et al. | A classification method for polsar images using SLIC superpixel segmentation and deep convolution neural network | |
CN104616035B (zh) | 基于图像全局特征及SURF算法的Visual Map快速匹配方法 | |
Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
CN114462486A (zh) | 图像处理模型的训练方法、图像处理方法及相关装置 | |
CN101876993B (zh) | 一种地基数字云图的纹理特征抽取和检索方法 | |
CN115909255B (zh) | 图像生成、图像分割方法、装置、设备、车载终端及介质 | |
CN110826478A (zh) | 一种基于对抗网络的航拍违建识别方法 | |
CN115564100A (zh) | 光伏功率预测方法、***及设备 | |
Li et al. | Super resolution for single satellite image using a generative adversarial network | |
CN111402223A (zh) | 一种利用变电站视频图像的变电站缺陷问题检测方法 | |
CN113538247B (zh) | 超分辨率生成与条件对抗网络遥感影像样本生成方法 | |
CN114240966B (zh) | 针对3d医学图像分割训练特征提取器的自监督学习方法 |
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 |