CN115035406B - 遥感场景数据集的标注方法、***、存储介质及电子设备 - Google Patents
遥感场景数据集的标注方法、***、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115035406B CN115035406B CN202210646477.1A CN202210646477A CN115035406B CN 115035406 B CN115035406 B CN 115035406B CN 202210646477 A CN202210646477 A CN 202210646477A CN 115035406 B CN115035406 B CN 115035406B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- scene
- data set
- image
- images
- 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
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06V10/70—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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感图像领域,尤其涉及遥感场景数据集的标注方法、***、存储介质及电子设备。该方法包括:对遥感图像进行滑窗式分割处理,得到有效遥感图像集;基于任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集;根据不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至分类模型中,得到分类结果,对分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;将第二遥感场景数据集作为第一遥感场景数据集,重复执行上述步骤,直至第一场景数据集中的有效遥感图像均进行标注。本发明能够达到快速生产大规模的遥感场景分类数据集的效果。
Description
技术领域
本发明涉及遥感图像领域,尤其涉及一种遥感场景数据集的标注方法、***、存储介质及电子设备。
背景技术
随着卫星、无人机、载人航天等遥感平台的迅猛发展以及通信传感技术的不断改进,遥感图像数量呈现***式増长。面对如此海量的遥感数据,如何快速有效地进行遥感图像数据挖掘与信息提取显得尤为重要。作为具有某种概念语义的遥感图像块,场景已经成为海量遥感图像识别理解的基本单元,这也使得大规模遥感图像的快速解译分析成为可能。场景分类旨在根据图像块自身包含的语义内容,将具有相同地物特征的区域划分到同一语义类别当中去,完成对遥感图像的分类和标注。场景分类不仅可以学习图像的整体信息,同时还研究了图像中语义对象的上下文关系,这使得场景分类得到了十分广泛的应用。目前,遥感图像场景分类在自然灾害监测、土地覆盖检测、城市规划等众多领域得到了广泛应用。
然而,由于场景的构成复杂且地物覆盖类别众多,很难从海量的影像数据中,直接获取感兴趣的场景信息。如何有效地表达和识别高分影像中的场景成为极具挑战的课题,已引起了遥感学术界的广泛关注。近年来,基于深度学习算法开展遥感图像场景分类研究是该领域的一大发展趋势。深度学习模型通常需要带标签的数据集进行建模。数据集是深度学习模型训练及其性能评估的根本。一个大规模且高质量的标签样本数据集不仅有助于降低模型训练或调优的工作量,同时也能够有效验证算法的泛化能力和在实际应用中的鲁棒性。然而由于遥感图像内所含对象复杂多样且手工标注费时费力,导致现有的场景分类数据集规模较小。目前遥感场景分类领域主要使用这些小规模数据集训练各种深度神经网络模型,分类性能趋于饱和,模型的范化能力较低,严重阻碍了遥感场景分类研究的实际应用。
发明内容
本发明所要解决的技术问题是提供遥感场景数据集的标注方法、***、存储介质及电子设备。
本发明解决上述技术问题的技术方案如下:一种遥感场景数据集的标注方法,包括:
步骤1,基于预设参数,对遥感图像进行滑窗式分割处理,得到有效遥感图像集;
步骤2,在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集;
步骤3,根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;
步骤4,将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;
步骤5,将所述第二遥感场景数据集作为所述第一遥感场景数据集,重复执行步骤3以及步骤4,直至所述第一场景数据集中的有效遥感图像均进行标注。
本发明的有益效果是:针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1之前还包括:
确定场景类别以及场景尺寸,根据所述场景类别以及所述场景尺寸组成预设参数。
进一步,所述步骤1具体包括:
依据所述场景尺寸设定滑动窗口的大小,基于预设条件,实时判断所述滑动窗口内的第一图像是否含有背景像元,生成第一判断结果,当所述第一判断结果为否时,判断所述第一图像内是否含有条带,生成第二判断结果,当所述第二判断结果为否时,分割裁剪出当前滑动窗口内的所述第一图像,沿滑动窗口移动方向顺次判断下一个所述滑动窗口内的图像是否含有背景像元,直至滑动窗口历遍所述遥感图像,将所有所述第一图像组成有效遥感图像集。
进一步,所述实时判断所述滑动窗口内的图像是否含有背景像元,生成第一判断结果具体包括:
判断所述滑动窗口四个角点处的像元值是否等于背景值,当四个角点处的像元值均不等于背景值时,则判定所述滑动窗口内的图像不含有背景像元。
进一步,所述步骤2具体包括:
在所述有效遥感图像集中任选预设数量的有效遥感图像,并通过人工标注的方式对所述预设数量的有效遥感图像进行场景类别标注,根据标注结果,组成不同场景下的第一遥感场景数据集。
进一步,所述步骤4具体包括:
将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对分类结果中隶属度高于预设限值的图像进行人工判读,将人工判读结果与分类结果一致的有效遥感图像直接标注并输入至对应的第一遥感场景数据集中,组成第二遥感场景数据集。
进一步,所述步骤5之后还包括:
重复执行步骤1至步骤5,得到不断扩充的不同场景下的所述第二遥感场景数据集
本发明解决上述技术问题的另一种技术方案如下:一种遥感场景数据集的标注***,包括:
分割模块,用于基于预设参数,对遥感图像进行滑窗式分割处理,得到有效遥感图像集;
选取模块,用于在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集;
训练模块,用于根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;
分类模块,用于将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;
标注模块,用于将所述第二遥感场景数据集作为所述第一遥感场景数据集,重复执行训练模块以及分类模块,直至所述第一场景数据集中的有效遥感图像均进行标注。
本发明的有益效果是:针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
进一步,还包括:
预处理模块,用于确定场景类别以及场景尺寸,根据所述场景类别以及所述场景尺寸组成预设参数。
进一步,所述分割模块具体用于:
依据所述场景尺寸设定滑动窗口的大小,基于预设条件,实时判断所述滑动窗口内的第一图像是否含有背景像元,生成第一判断结果,当所述第一判断结果为否时,判断所述第一图像内是否含有条带,生成第二判断结果,当所述第二判断结果为否时,分割裁剪出当前滑动窗口内的所述第一图像,沿滑动窗口移动方向顺次判断下一个所述滑动窗口内的图像是否含有背景像元,直至滑动窗口历遍所述遥感图像,将所有第二判断结果为否的所述第一图像组成有效遥感图像集。
进一步,所述实时判断所述滑动窗口内的图像是否含有背景像元,生成第一判断结果具体包括:
判断所述滑动窗口四个角点处的像元值是否等于背景值,当四个角点处的像元值均不等于背景值时,则判定所述滑动窗口内的图像不含有背景像元。
进一步,所述选取模块具体用于:
在所述有效遥感图像集中任选预设数量的有效遥感图像,并通过人工标注的方式对所述预设数量的有效遥感图像进行场景类别标注,根据标注结果,组成不同场景下的第一遥感场景数据集。
进一步,所述分类模块具体用于:
将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对分类结果中隶属度高于预设限值的图像进行人工判读,将人工判读结果与分类结果一致的有效遥感图像直接标注并输入至对应的第一遥感场景数据集中,组成第二遥感场景数据集。
进一步,还包括:
重复模块,用于重复执行分割模块、选取模块、训练模块、分类模块以及标注模块,得到不断扩充的不同场景下的所述第二遥感场景数据集。
本发明解决上述技术问题的另一种技术方案如下:一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述任一项所述的一种遥感场景数据集的标注方法。
本发明的有益效果是:针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
本发明解决上述技术问题的另一种技术方案如下:一种电子设备,包括上述存储介质、执行上述存储介质内的指令的处理器。
本发明的有益效果是:针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的快速获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
附图说明
图1为本发明一种遥感场景数据集的标注方法的实施例提供的流程示意图;
图2为本发明一种遥感场景数据集的标注***的实施例提供的结构框架图;
图3为本发明一种遥感场景数据集的标注方法的实施例提供的天宫二号图像滑窗分割结果示意图;
图4为本发明一种遥感场景数据集的标注方法的实施例提供的天宫二号图像场景数据集的部分示例图;
图5为本发明一种遥感场景数据集的标注方法的实施例提供的含条带的天宫一号图像滑窗分割结果示意图。
具体实施方式
以下对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种遥感场景数据集的标注方法,包括:
步骤1,基于预设参数,对遥感图像进行滑窗式分割处理,得到有效遥感图像集;
步骤2,在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集;
步骤3,根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;
步骤4,将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;
步骤5,将所述第二遥感场景数据集作为所述第一遥感场景数据集,重复执行步骤3以及步骤4,直至所述第一场景数据集中的有效遥感图像均进行标注。
在一些可能的实施方式中,针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
需要说明的是,预设参数可以包括:场景类别以及场景尺寸。另外,有效遥感图像集为包含多个有效遥感图像的数据集,同理,下文中提到的第一遥感场景数据集为包含多个第一遥感场景数据的数据集、第二遥感场景数据集为包含多个第二遥感场景数据的数据集以及第一场景数据集为包含多个第一场景数据的数据集,剩余有效遥感图像集为在有效遥感图像集中去掉组成不同场景下的第一遥感场景数据集的有效遥感图像之后剩余的有效遥感图像组成的数据集。
步骤1,基于预设参数,对遥感图像进行滑窗式分割处理,得到有效遥感图像集;步骤2,在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集的具体流程可以参考如下过程:
遥感图像经过地理投影后得到的覆盖区域并非规则方形,因此通常以固定值填充图像四周,该填充区域即为无效的背景像元,需要剔除。背景像元即指背景值所对应的点。此外,由于传感器在各光谱响应区内的响应函数不一致、数据定标的一些轻微错误,以及传感器信号响应变化等因素,许多星载、机载传感器遥感成像中存在条带噪声,如TM、MSS、NOAA-AVHRR、MODIS、TianGong1等。条带噪声的出现会严重影响图像数据集的解译和信息提取能力。因此,在构建遥感场景数据集过程中,需要裁剪出不包含背景和条带的有效图像场景。
滑窗式分割是裁剪图像场景的常用方法。一般按从左到右、从上到下顺序滑动窗口,遍历窗口内图像像元是否含有条带、背景,进而裁剪出有效场景图像。当图像含有条带时,需要遍历是否含有条带和背景,否则仅需要遍历是否含有背景。这种方法存在效率低下且容易丢失有效图像的缺点,尤其是当图像含有条带导致有效场景区域很小时,可能裁剪不出有效图像。
针对这一问题,本发明设计一种背景四角点和条带最近邻的滑窗分割策略,以快速获取尽可能多的有效场景图像。根据遥感图像的背景像元填充于图像四周的特性,若裁剪图像上含有背景像元,那么四个角点中,至少一个角点是背景像元。因此,可以通过判断裁剪图像四角点上是否存在背景来提高遍历效率。通过选取距离条带或背景最近的点作为滑窗起始点来裁剪尽量多的场景图像。该滑窗分割策略既适用于含条带的遥感图像分割,也适用于不含条带的遥感图像分割。具体分割流程如下:
1)将遥感图像的左上角记为滑动窗的起点位置,滑动窗口大小设为场景尺寸。滑动步长ΔXstep、ΔYstep若设为场景尺寸,构建图像无重叠的场景数据集;若设为场景尺寸的一半大小,则构建图像半重叠的场景数据集;
2)判断滑窗内图像,即滑动窗口内的第一图像是否含有背景像元(一般填充为固定值,比如灰度值0)。即若窗口4个角点处的像元值都不等于背景值,则不含有背景像元;否则含有背景像元;需注意,像元值、背景值在此处指代的均是人为设定的固定值;
i)若滑窗内图像含有背景像元,计算滑动窗口内最右侧背景像元的下一个点(即背景最近点),作为新的滑窗起点;
i i)若滑动窗口内图像不含背景像元:
a)针对不含条带的遥感图像,裁剪出该场景图像(第一图像),并将滑窗向右滑动步长ΔXstep,作为新的滑窗起点;
b)针对含条带的遥感图像,进一步判断滑窗内图像是否含有条带。
(1)即遍历窗口内的条带掩膜图,若不包含条带,则裁剪出该场景图像,并将窗口向右滑动步长ΔXstep,作为新的滑窗起点;
(2)遍历窗口内的条带掩膜图,若包含条带,否则计算窗口最右侧条带像元的下一个点位置(即条带最近点),作为新的滑窗起点;
3)滑窗从左到右依次滑动,重复步骤2),裁剪出这一方向上所有窗口内的有效场景图像;
4)滑窗从上到下依次滑动,滑动步长为ΔYstep。每次固定窗口纵坐标值,重复步骤3),以此类推,直到裁剪出遥感图像上所有窗口的有效场景图像,即所有第一图像。这些图像即组建成后续待标注的场景图像,即组成有效遥感图像集。
步骤3,根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;步骤4,将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;步骤5,将所述第二遥感场景数据集作为所述第一遥感场景数据集,重复执行步骤3以及步骤4,直至所述第一场景数据集中的有效遥感图像均进行标注的具体过程可参考如下流程:
针对人工标注耗时费力的缺点,为快速标注出图像的场景类别,本发明提出基于卷积神经网络算法的迁移学习及其算法迭代的标注方法。卷积神经网络模型,如VGG16等,因其出色的表征学习能力而被广泛应用于图像分类任务中。它通过对输入图像数据逐级提取从底层到高层的特征,从而能很好地建立从底层信号到高层语义的映射关系,在图像分类中具有较好的分类能力。但当数据集样本数量较少时,卷积网络模型获得的分类准确率有限,这对于数据集构建初期仅有少量有标签样本的情况非常不利。迁移学习可以有效地解决这一问题。迁移学习是将在ImageNet等大规模数据集上训练好的卷积网络模型的参数迁移到新的分类模型上,这种方法可以减少对样本数据的依赖,提高模型的泛化能力。然而,单次的迁移学习并不能一次性地正确获取所有图像的类别标签。迭代是一种重复反馈的过程,其目的是为了逼近所需目标或结果。因此,本文将迭代思想引入卷积神经网络的迁移学习过程。初始人工标注少量训练样本,基于VGG16卷积神经网络,通过不断扩充训练样本对剩余待标注的场景图像进行反复训练与分类提取,从而实现数据集所有图像的场景类别标注。该方法的具体标注流程如下:
1)获取模型训练的初始样本数据(所述有效遥感图像集),对每个类别场景人工标注少量图像,即得到不同场景下的第一遥感场景数据集;
2)基于不同场景下的第一遥感场景数据集进行分类模型训练,训练过程如下:
(1)保持VGG16模型的卷积层结构不变,并向卷积层载入ImageNet数据集训练好的权重参数,得到预训练网络;
(2)设计新的全连接层模块代替预训练网络的全连接模块,与其卷积层组成新的卷积神经网络,即迁移网络。新的全连接模块依次包含全连接层1、ReLU激活函数、Dropout层、全连接层2、Softmax函数。其中,全连接层2的输出维度固定设为1×C(即数据集的场景类别数量);建立网络结构
(3)利用已标注的样本数据对VGG16迁移网络的全部层进行训练学习,得到相应的场景分类模型。训练过程中,调整网络输入的大小为场景尺寸,设置训练参数、损失函数、优化器等。利用少量样本进行训练,配置参数,得到分类模型。
3)利用训练后的VGG16对未标注的裁剪图像(剩余有效遥感图像集)进行场景分类。根据分类结果,首先对每个类别自动选取出高隶属度的图像,大大降低需要人工筛选的图像数量。然后人工判读,选取其中正确分类的图像加入到已标注的样本数据中,即第二遥感场景数据集,剩余图像加入未标注的图像数据中。
重复上述步骤(3)、3),不断扩充样本数据,直至图像对各个类别均低隶属度。最后对剩余的低隶属度图像进行人工判读,从而完成数据集所有图像的场景类别标注。
实施例1,“天宫二号”空间实验室内搭载了我国首台航天多波段成像仪,在轨期间获取了大量珍贵的图像数据。天宫二号图像由新一代宽波段、宽视场的光学遥感器获取,图像质量良好,不含条带。包含14个100m可见近红外、2个200m短波红外和2个400m热红外三个谱段,幅宽高达300km。目前存档的天宫图像数据量巨大,覆盖了各种成像条件、天气、季节和图像质量,图像场景呈现出高度的多样性和复杂的异质性,包含丰富的空间模式。因此,本文利用上述提出的数据集构建方法,面向天宫二号可见红外谱段的宽波段图像,建立了天宫二号遥感场景数据集。
结合天宫二号图像特点,分析确定10个场景类别:海滩、圆形农田、方形农田、云、沙漠、森林、山脉、居民点、河流、雪堡,场景尺寸为128×128像素。在对裁剪图像进行场景类别标注过程中,初始阶段人工标注的样本数量为每类别100张,全连接层1的输出维度可以设为1×1024,损失函数使用categorical_crossentropy交叉熵损失函数,优化器设为Adam,学习率使用ReduceLROnPlateau函数自适应调整(学习率下降速率0.1、patience=10)。最终获取的数据集图像数据高达2万张,每类场景2000张。
该数据集相关结果见图3、4。
此外,为了验证本发明针对含条带图像的滑窗分割策略的有效性,本文进一步选取了一景含有条带的天宫一号图像进行了图像分割实验。分割结果如图5所示。
优选地,在上述任意实施例中,所述步骤1之前还包括:
确定场景类别以及场景尺寸,根据所述场景类别以及所述场景尺寸组成预设参数。
需要说明的是,
1)针对场景类别选取:
确定遥感图像的场景类别是构建场景数据集的前提基础。通过调研实际应用需求并结合遥感图像的空间分辨率等特点,来选取合适的场景类别形成数据集的场景类别。在具体选取过程中,应遵循以下两个原则:
a.可行性。确保场景能够从遥感图像上识别出来,并形成完整的场景。选取的类别场景不能过小,至少占1个像元以上,否则该场景类别不适合在此空间分辨率的图像上构建。若选取的类别场景过大,则难以获取完整的场景图像,如空间分辨率为分米级的遥感图像不适合构建山脉、海水等大尺度场景类别。
b.意义性。场景是人类关注的有效场景,其识别提取应具有一定的研究意义或应用价值。例如,居住地、河流、湖泊、草地、林地、农场等常见场景类别。
2)针对场景尺寸选取:
场景尺寸选取对构建高质量数据集至关重要。一般地,图像空间分辨率越高,选取的场景尺寸越大。如现有的常见遥感场景数据集,WHU-RS19、AID、UC-Merced等,主要来源于谷歌高精地图、航拍等米级、分米级高分辨率遥感图像,场景尺寸多选取为256×256piexl,600×600pixel等。部分采集于Spot、RapidEye等中低分辨率遥感图像的场景数据集则会选取更小的场景尺寸,如64×64pixel。这是因为相同场景尺寸,空间分辨率图像越高,对应的实际场景面积更小。若选取的场景尺寸过大,包含更多的背景信息,难以确定图像所属的场景类别,造成场景标签模糊。若图像场景尺寸过小,由于在常用于图像场景分类的深度卷积神经网络中,卷积特征尺寸逐层缩小,容易导致卷积层数目有限,无法达到“深度”,且不能包含完整场景,造成场景信息缺失。
因此,在数据集构建过程中,本发明提出“先放后缩”的选取策略确定场景尺寸。首先,结合图像空间分辨率初步选取一个较大的场景尺寸,该场景尺寸可以覆盖所有场景类别的尺寸大小,以获取完整的场景信息。然后,在确保场景完整的前提下,逐步缩小场景尺寸。当各个场景类别包含的图像场景背景面积最小,该尺寸即为最终选取的场景尺寸。
优选地,在上述任意实施例中,所述步骤1具体包括:
依据所述场景尺寸设定滑动窗口的大小,基于预设条件,实时判断所述滑动窗口内的第一图像是否含有背景像元,生成第一判断结果,当所述第一判断结果为否时,判断所述第一图像内是否含有条带,生成第二判断结果,当所述第二判断结果为否时,分割裁剪出当前滑动窗口内的所述第一图像,沿滑动窗口移动方向顺次判断下一个所述滑动窗口内的图像是否含有背景像元,直至滑动窗口历遍所述遥感图像,将所有第二判断结果为否的所述第一图像组成有效遥感图像集。
需要说明的是,预设条件为背景四角点和最近邻点的滑窗分割策略,该策略为:最邻近点是获取尽量多的有效图像。即当所述滑动窗口内含有条带或背景时,通过选取距离条带或背景最近的点作为滑窗起始点,以充分利用所有有效区域,从而裁剪尽量多的场景图像。可以理解为,若不存在条带,则正常进行滑动,若存在条带,则通过上述策略进行操作。
优选地,在上述任意实施例中,所述实时判断所述滑动窗口内的图像是否含有背景像元,生成第一判断结果具体包括:
判断所述滑动窗口四个角点处的像元值是否等于背景值,当四个角点处的像元值均不等于背景值时,则判定所述滑动窗口内的图像不含有背景像元。
优选地,在上述任意实施例中,所述步骤2具体包括:
在所述有效遥感图像集中任选预设数量的有效遥感图像,并通过人工标注的方式对所述预设数量的有效遥感图像进行场景类别标注,根据标注结果,组成不同场景下的第一遥感场景数据集。
优选地,在上述任意实施例中,所述步骤4具体包括:
将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对分类结果中隶属度高于预设限值的图像进行人工判读,将人工判读结果与分类结果一致的有效遥感图像直接标注并输入至对应的第一遥感场景数据集中,组成第二遥感场景数据集。
优选地,在上述任意实施例中,所述步骤5之后还包括:
重复执行步骤1至步骤5,得到不断扩充的不同场景下的所述第二遥感场景数据集
如图2所示,一种遥感场景数据集的标注***,包括:
分割模块100,用于基于预设参数,对遥感图像进行滑窗式分割处理,得到有效遥感图像集;
选取模块200,用于在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集;
训练模块300,用于根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;
分类模块400,用于将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;
标注模块500,用于将所述第二遥感场景数据集作为所述第一遥感场景数据集,重复执行训练模块以及分类模块,直至所述第一场景数据集中的有效遥感图像均进行标注。
在一些可能的实施方式中,针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
优选地,在上述任意实施例中,还包括:
预处理模块,用于确定场景类别以及场景尺寸,根据所述场景类别以及所述场景尺寸组成预设参数。
优选地,在上述任意实施例中,所述分割模块100具体用于:
依据所述场景尺寸设定滑动窗口的大小,基于预设条件,实时判断所述滑动窗口内的第一图像是否含有背景像元,生成第一判断结果,当所述第一判断结果为否时,判断所述第一图像内是否含有条带,生成第二判断结果,当所述第二判断结果为否时,分割裁剪出当前滑动窗口内的所述第一图像,沿滑动窗口移动方向顺次判断下一个所述滑动窗口内的图像是否含有背景像元,直至滑动窗口历遍所述遥感图像,将所有第二判断结果为否的所述第一图像组成有效遥感图像集。
优选地,在上述任意实施例中,所述实时判断所述滑动窗口内的图像是否含有背景像元,生成第一判断结果具体包括:
判断所述滑动窗口四个角点处的像元值是否等于背景值,当四个角点处的像元值均不等于背景值时,则判定所述滑动窗口内的图像不含有背景像元。
优选地,在上述任意实施例中,所述选取模块200具体用于:
在所述有效遥感图像集中任选预设数量的有效遥感图像,并通过人工标注的方式对所述预设数量的有效遥感图像进行场景类别标注,根据标注结果,组成不同场景下的第一遥感场景数据集。
优选地,在上述任意实施例中,所述分类模块400具体用于:
将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对分类结果中隶属度高于预设限值的图像进行人工判读,将人工判读结果与分类结果一致的有效遥感图像直接标注并输入至对应的第一遥感场景数据集中,组成第二遥感场景数据集。
优选地,在上述任意实施例中,还包括:
重复模块,用于重复执行分割模块、选取模块、训练模块、分类模块以及标注模块,得到不断扩充的不同场景下的所述第二遥感场景数据集。
本发明解决上述技术问题的另一种技术方案如下:一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述任一项所述的一种遥感场景数据集的标注方法。
在一些可能的实施方式中,针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
本发明解决上述技术问题的另一种技术方案如下:一种电子设备,包括上述存储介质、执行上述存储介质内的指令的处理器。
在一些可能的实施方式中,针对人工标注存在成本高且效率低的问题,提出基于滑窗分割和迁移迭代的大规模遥感场景数据集构建方法。通过预设参数可提高遥感数据集的构建精度,利用滑窗式分割方式可以面向存档的海量遥感图像数据,该方法可以尽可能多的进行有效遥感图像的获取,此外通过迭代的方式对模型进行建立以及对数据集的不断扩充可以提高模型以及数据集的准确度,另一方面通过上述方法可以达到快速生产大规模的遥感场景分类数据集的效果。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种遥感场景数据集的标注方法,其特征在于,包括:
步骤1,基于预设参数,对有条带或没有条带的遥感图像通过通用型滑窗式分割策略进行处理,得到有效遥感图像集;
其中,对有条带或没有条带的遥感图像通过通用型滑窗式分割策略进行处理的过程为:
步骤101,将遥感图像的左上角记为滑动窗的起点位置,滑动窗口大小设为场景尺寸;滑动步长ΔXstep、ΔYstep若设为场景尺寸,构建图像无重叠的场景数据集;若设为场景尺寸的一半大小,则构建图像半重叠的场景数据集;
步骤102,判断滑窗内图像,即滑动窗口内的第一图像是否含有背景像元;即若窗口4个角点处的像元值都不等于背景值,则不含有背景像元;否则含有背景像元;
步骤1021,若滑窗内图像含有背景像元,计算滑动窗口内最右侧背景像元的下一个点,作为新的滑窗起点;
步骤1022,若滑动窗口内图像不含背景像元:
步骤10221,针对不含条带的遥感图像,裁剪出该场景图像,得到第一图像,并将滑窗向右滑动步长 ΔXstep,作为新的滑窗起点;
步骤10222,针对含条带的遥感图像,进一步判断滑窗内图像是否含有条带;即遍历窗口内的条带掩膜图,若不包含条带,则裁剪出该场景图像,并将窗口向右滑动步长 ΔXstep,作为新的滑窗起点;遍历窗口内的条带掩膜图,若包含条带,则计算窗口最右侧条带像元的下一个点位置,即条带最近点作为新的滑窗起点;
步骤103,滑窗从左到右依次滑动,重复步骤102,裁剪出这一方向上所有窗口内的有效场景图像;
步骤104滑窗从上到下依次滑动,滑动步长为ΔYstep;每次固定窗口纵坐标值,重复步骤103,以此类推,直到裁剪出遥感图像上所有窗口的有效场景图像,即所有第一图像;这些图像即组建成后续待标注的场景图像,即组成有效遥感图像集;
步骤2,在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集的过程为:
对每个类别场景人工标注少量图像,即得到不同场景下的第一遥感场景数据集;
步骤3,根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型的过程为:
步骤301,保持VGG16模型的卷积层结构不变,并向卷积层载入ImageNet数据集训练好的权重参数,得到预训练网络;
步骤302,设计新的全连接层模块代替预训练网络的全连接模块,与其卷积层组成新的卷积神经网络,即迁移网络;新的全连接模块依次包含全连接层1、ReLU激活函数、Dropout层、全连接层2、Softmax函数;其中,全连接层2的输出维度固定设为1×C,即C为数据集的场景类别数量;建立网络结构;
步骤303,利用已标注的样本数据对VGG16迁移网络的全部层进行训练学习,得到相应的场景分类模型;训练过程中,调整网络输入的大小为场景尺寸,设置训练参数、损失函数、优化器;利用少量样本进行训练,配置参数,得到分类模型;
步骤4,将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集的过程为:
步骤401,将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对分类结果中隶属度高于预设限值的图像进行人工判读,将人工判读结果与分类结果一致的有效遥感图像直接标注并输入至对应的第一遥感场景数据集中,组成第二遥感场景数据集;将分类结果中隶属度低于预设限制的图像加入至未标注的图像数据集中;对未标注的图像数据集中的内容进行人工判读;
步骤5,将所述第二遥感场景数据集作为所述第一遥感场景数据集进行迭代分类处理,重复执行步骤3以及步骤4,直至所述第一遥感场景数据集中的有效遥感图像均进行标注的过程为:
重复步骤401,不断扩充样本数据,直至图像对各个类别均低隶属度;最后对剩余的低隶属度图像进行人工判读,从而完成数据集所有图像的场景类别标注;
其中,所述步骤1之前还包括:
确定场景类别以及场景尺寸,根据所述场景类别以及所述场景尺寸组成预设参数;
所述场景尺寸通过先放后缩的选取策略确定,所述先放后缩包括:结合图像空间分辨率初步选取一个场景尺寸,该场景尺寸可以覆盖所有场景类别的尺寸大小,以获取完整的场景信息;在确保场景完整的前提下,逐步缩小场景尺寸;当各个场景类别包含的图像场景背景面积最小,该尺寸即为最终选取的场景尺寸。
2.根据权利要求1所述的一种遥感场景数据集的标注方法,其特征在于,所述步骤5之后还包括:
重复执行步骤1至步骤5,得到不断扩充的不同场景下的所述第二遥感场景数据集。
3.一种遥感场景数据集的标注***,所述***用于实现如权利要求1所述的方法,其特征在于,包括:
分割模块,用于基于预设参数,对有条带或没有条带的遥感图像通过通用型滑窗式分割策略进行处理,得到有效遥感图像集;
选取模块,用于在所述有效遥感图像集中任选预设数量的有效遥感图像,组成不同场景下的第一遥感场景数据集;
训练模块,用于根据所述不同场景下的第一遥感场景数据集进行模型训练,得到分类模型;
分类模块,用于将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对所述分类结果进行筛选处理,得到不同场景下的第二遥感场景数据集;
标注模块,用于将所述第二遥感场景数据集作为所述第一遥感场景数据集进行迭代分类处理,重复执行训练模块以及分类模块,直至所述第一遥感场景数据集中的有效遥感图像均进行标注;
其中,还包括:
预处理模块,用于确定场景类别以及场景尺寸,根据所述场景类别以及所述场景尺寸组成预设参数;
分类模块还用于:
将去除掉组成第一遥感场景数据集后的剩余有效遥感图像集输入至所述分类模型中,得到分类结果,对分类结果中隶属度高于预设限值的图像进行人工判读,将人工判读结果与分类结果一致的有效遥感图像直接标注并输入至对应的第一遥感场景数据集中,组成第二遥感场景数据集;将分类结果中隶属度低于预设限制的图像加入至未标注的图像数据集中;对未标注的图像数据集中的内容进行人工判读。
4.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1或2所述的一种遥感场景数据集的标注方法。
5.一种电子设备,其特征在于,包括权利要求4所述的存储介质、执行所述存储介质内的指令的处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210646477.1A CN115035406B (zh) | 2022-06-08 | 2022-06-08 | 遥感场景数据集的标注方法、***、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210646477.1A CN115035406B (zh) | 2022-06-08 | 2022-06-08 | 遥感场景数据集的标注方法、***、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115035406A CN115035406A (zh) | 2022-09-09 |
CN115035406B true CN115035406B (zh) | 2023-08-04 |
Family
ID=83123850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210646477.1A Active CN115035406B (zh) | 2022-06-08 | 2022-06-08 | 遥感场景数据集的标注方法、***、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115035406B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385888A (zh) * | 2023-06-06 | 2023-07-04 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 解译标志确定方法和装置、电子设备和存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150454A (zh) * | 2013-03-27 | 2013-06-12 | 山东大学 | 基于样本推荐标注的动态机器学习建模方法 |
CN105117429A (zh) * | 2015-08-05 | 2015-12-02 | 广东工业大学 | 基于主动学习和多标签多示例学习的场景图像标注方法 |
CN106886609A (zh) * | 2017-03-31 | 2017-06-23 | 中国科学院地理科学与资源研究所 | 街区式农村居民地遥感快速标注方法 |
CN110334578A (zh) * | 2019-05-05 | 2019-10-15 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
CN111028224A (zh) * | 2019-12-12 | 2020-04-17 | 广西医准智能科技有限公司 | 数据标注、模型训练和图像处理方法、装置及存储介质 |
CN112347895A (zh) * | 2020-11-02 | 2021-02-09 | 北京观微科技有限公司 | 一种基于边界优化神经网络的舰船遥感目标检测方法 |
CN112767325A (zh) * | 2021-01-05 | 2021-05-07 | 清华大学 | 一种癌症病理图像自动检测方法及*** |
CN112836614A (zh) * | 2021-01-27 | 2021-05-25 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于残差网络和迁移学习的高分遥感图像分类方法 |
CN112884060A (zh) * | 2021-03-09 | 2021-06-01 | 联仁健康医疗大数据科技股份有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN113298112A (zh) * | 2021-04-01 | 2021-08-24 | 安徽继远软件有限公司 | 一种一体化数据智能标注方法及*** |
CN113344852A (zh) * | 2021-04-30 | 2021-09-03 | 苏州经贸职业技术学院 | 一种电力场景通用物品的目标检测方法、装置及存储介质 |
CN113505844A (zh) * | 2021-07-23 | 2021-10-15 | 深圳前海微众银行股份有限公司 | 标签生成方法、装置、设备、存储介质及程序产品 |
CN113901881A (zh) * | 2021-09-14 | 2022-01-07 | 燕山大学 | 一种肌电数据自动标注方法 |
WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
CN114266932A (zh) * | 2021-12-08 | 2022-04-01 | 中林信达(北京)科技信息有限责任公司 | 一种基于自学习的遥感多光谱数据半监督标注方法 |
CN114462536A (zh) * | 2022-02-09 | 2022-05-10 | 国网宁夏电力有限公司吴忠供电公司 | 一种实体场景生成标注数据集的方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020107022A1 (en) * | 2018-11-23 | 2020-05-28 | Slingshot Aerospace, Inc. | Signal processing workflow engine incorporating graphical user interface for space situational awareness |
-
2022
- 2022-06-08 CN CN202210646477.1A patent/CN115035406B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150454A (zh) * | 2013-03-27 | 2013-06-12 | 山东大学 | 基于样本推荐标注的动态机器学习建模方法 |
CN105117429A (zh) * | 2015-08-05 | 2015-12-02 | 广东工业大学 | 基于主动学习和多标签多示例学习的场景图像标注方法 |
CN106886609A (zh) * | 2017-03-31 | 2017-06-23 | 中国科学院地理科学与资源研究所 | 街区式农村居民地遥感快速标注方法 |
CN110334578A (zh) * | 2019-05-05 | 2019-10-15 | 中南大学 | 图像级别标注自动提取高分遥感影像建筑物的弱监督方法 |
CN111028224A (zh) * | 2019-12-12 | 2020-04-17 | 广西医准智能科技有限公司 | 数据标注、模型训练和图像处理方法、装置及存储介质 |
WO2022052367A1 (zh) * | 2020-09-10 | 2022-03-17 | 中国科学院深圳先进技术研究院 | 一种用于遥感图像分类的神经网络优化方法、终端以及存储介质 |
CN112347895A (zh) * | 2020-11-02 | 2021-02-09 | 北京观微科技有限公司 | 一种基于边界优化神经网络的舰船遥感目标检测方法 |
CN112767325A (zh) * | 2021-01-05 | 2021-05-07 | 清华大学 | 一种癌症病理图像自动检测方法及*** |
CN112836614A (zh) * | 2021-01-27 | 2021-05-25 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于残差网络和迁移学习的高分遥感图像分类方法 |
CN112884060A (zh) * | 2021-03-09 | 2021-06-01 | 联仁健康医疗大数据科技股份有限公司 | 图像标注方法、装置、电子设备及存储介质 |
CN113298112A (zh) * | 2021-04-01 | 2021-08-24 | 安徽继远软件有限公司 | 一种一体化数据智能标注方法及*** |
CN113344852A (zh) * | 2021-04-30 | 2021-09-03 | 苏州经贸职业技术学院 | 一种电力场景通用物品的目标检测方法、装置及存储介质 |
CN113505844A (zh) * | 2021-07-23 | 2021-10-15 | 深圳前海微众银行股份有限公司 | 标签生成方法、装置、设备、存储介质及程序产品 |
CN113901881A (zh) * | 2021-09-14 | 2022-01-07 | 燕山大学 | 一种肌电数据自动标注方法 |
CN114266932A (zh) * | 2021-12-08 | 2022-04-01 | 中林信达(北京)科技信息有限责任公司 | 一种基于自学习的遥感多光谱数据半监督标注方法 |
CN114462536A (zh) * | 2022-02-09 | 2022-05-10 | 国网宁夏电力有限公司吴忠供电公司 | 一种实体场景生成标注数据集的方法和*** |
Non-Patent Citations (1)
Title |
---|
Remote Sensing Image Scence Classification by Multiple Granularity Semantic Learning;Weilong Guo 等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;第15卷;第2546-2022页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115035406A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800736B (zh) | 一种基于遥感影像和深度学习的道路提取方法 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN111080629A (zh) | 一种图像拼接篡改的检测方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN110298348B (zh) | 遥感影像建筑物样本区域提取方法及***、存储介质、设备 | |
CN113609889A (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN112052758B (zh) | 基于注意力机制和循环神经网络的高光谱图像分类方法 | |
CN115035406B (zh) | 遥感场景数据集的标注方法、***、存储介质及电子设备 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN116597143A (zh) | 基于图卷积神经网络的高分辨率遥感图像语义分割方法 | |
CN115908924A (zh) | 一种基于多分类器的小样本高光谱图像语义分割方法及*** | |
CN115965865A (zh) | 一种基于机场掩膜的遥感图像飞机目标检测方法 | |
CN115457396A (zh) | 一种基于遥感影像的地表目标地物检测方法 | |
Acito et al. | CWV-Net: A deep neural network for atmospheric column water vapor retrieval from hyperspectral VNIR data | |
Xie et al. | Improvement and application of UNet network for avoiding the effect of urban dense high-rise buildings and other feature shadows on water body extraction | |
CN116052206A (zh) | 融合视觉显著性的鸟类识别方法和*** | |
Yuan et al. | Graph neural network based multi-feature fusion for building change detection | |
De Teyou et al. | Deep neural networks for automatic extraction of features in time series optical satellite images | |
Singhal et al. | Cloud detection from AWiFS imagery using deep learning | |
Prabhakar et al. | Building Edge Detection from Very High-Resolution Remote Sensing Imagery Using Deep Learning | |
CN114821056B (zh) | 一种遥感影像中基于ai技术的林草资源变化自动判读方法 |
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 | ||
GR01 | Patent grant |