CN116758360B - 土地空间用途管理方法及其*** - Google Patents
土地空间用途管理方法及其*** Download PDFInfo
- Publication number
- CN116758360B CN116758360B CN202311053432.4A CN202311053432A CN116758360B CN 116758360 B CN116758360 B CN 116758360B CN 202311053432 A CN202311053432 A CN 202311053432A CN 116758360 B CN116758360 B CN 116758360B
- Authority
- CN
- China
- Prior art keywords
- classification
- feature
- transfer
- land space
- map
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 127
- 238000012546 transfer Methods 0.000 claims abstract description 102
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000000903 blocking effect Effects 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
- G06V10/82—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
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种土地空间用途管理方法及其***。其首先将土地空间规划图和航空影像图分别进行图像分块处理后通过孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,接着,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,然后,将所述转移特征图通过通道注意力模块后优化以得到优化后分类特征图,最后,将所述优化后分类特征图通过分类器以得到用于表示土地空间是否被异常使用的分类结果。这样,可以使土地空间的使用情况的管理效率提升。
Description
技术领域
本申请涉及智能化管理领域,且更为具体地,涉及一种土地空间用途管理方法及其***。
背景技术
传统的土地空间用途管理往往依靠人工巡查和查处,效率低下且容易出现管理漏洞。
因此,期望一种优化的土地空间用途管理方案。
发明内容
有鉴于此,本公开提出了一种土地空间用途管理方法及其***,可以使土地空间的使用情况的管理效率提升。
根据本公开的一方面,提供了一种土地空间用途管理方法,其包括:
输入土地空间规划图和航空影像图;
将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块;
将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型;
计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
将所述转移特征图通过通道注意力模块以得到分类特征图;
将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图;
将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用。
根据本公开的另一方面,提供了一种土地空间用途管理***,其包括:
数据输入模块,用于输入土地空间规划图和航空影像图;
图像分块处理模块,用于将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块;
孪生检测编码模块,用于将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型;
转移矩阵计算模块,用于计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
通道注意力编码模块,用于将所述转移特征图通过通道注意力模块以得到分类特征图;
融合优化模块,用于将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图;
分类模块,用于将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用。
根据本公开的实施例,其首先将土地空间规划图和航空影像图分别进行图像分块处理后通过孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,接着,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,然后,将所述转移特征图通过通道注意力模块后优化以得到优化后分类特征图,最后,将所述优化后分类特征图通过分类器以得到用于表示土地空间是否被异常使用的分类结果。这样,可以使土地空间的使用情况的管理效率提升。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的土地空间用途管理方法的应用场景图。
图2示出根据本公开的实施例的土地空间用途管理方法的流程图。
图3示出根据本公开的实施例的土地空间用途管理方法的架构示意图。
图4示出根据本公开的实施例的土地空间用途管理方法的子步骤S130的流程图。
图5示出根据本公开的实施例的土地空间用途管理方法的子步骤S131的流程图。
图6示出根据本公开的实施例的土地空间用途管理方法的子步骤S150的流程图。
图7示出根据本公开的实施例的土地空间用途管理***的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开的实施例的土地空间用途管理方法的应用场景图。如图1所示,在该应用场景中,首先,获取土地空间规划图(例如,图1中所示意的D2)和航空影像图(例如,图1中所示意的D1),这里航空影像图可以由无人机(例如,图1中所示意的N)采集,当然本申请仅为示意图,航空影像图还可以通过其他航空器进行采集,如飞机,然后,将所述土地空间规划图和所述航空影像图输入至部署有土地空间用途管理算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述土地空间用途管理算法对所述土地空间规划图和所述航空影像图进行处理以得到用于表示土地空间是否被异常使用的分类结果。
图2示出根据本公开的实施例的土地空间用途管理方法的流程图。图3示出根据本公开的实施例的土地空间用途管理方法的架构示意图。如图2和图3所示,根据本申请实施例的土地空间用途管理方法,包括步骤:S110,输入土地空间规划图和航空影像图;S120,将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块;S130,将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型;S140,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;S150,将所述转移特征图通过通道注意力模块以得到分类特征图;S160,将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图;以及,S170,将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用。
更具体地,在步骤S110中,输入土地空间规划图和航空影像图。所述土地空间规划图能够表示土地空间的各种用途,包括耕地、林地、城镇等,相应地,在本申请的一个具体示例中,所述土地空间规划图可以为某个地区的城镇规划图,对此并不为本申请所局限。所述航空影像图可以提供更加详细和全面的土地空间信息,例如该城镇中具体的地形、道路、建筑物等信息,对于异常使用情况的发现和定位有较大帮助。相应地,在本申请的一个具体示例中,所述航空影像图通过航空器(如飞机、无人机)在空中采集。
更具体地,在步骤S120中,将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块。由于所述土地空间规划图和所述航空影像图中关于某个地区城镇规划的隐含特征为小尺度的细微特征信息,例如地形、道路和建筑物等特征信息,难以进行充分地捕捉提取。并且由于卷积运算的固有局限性,纯CNN的方法很难学习明确的全局和远程语义信息交互。因此,为了能够提高所述土地空间规划图和所述航空影像图中关于所述城镇的空间规划隐含小尺度的细微特征的表达能力,以此来提高土地空间异常使用检测的精准度,先将所述土地空间规划图和所述航空影像图进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块。
更具体地,在步骤S130中,将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型。所述孪生检测模型的第一图像编码器和第二图像编码器具有相同的网络结构。应可以理解,使用包含有相同网络结构的图像编码器来进行图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来提高两者图像中关于所述城镇规划隐含特征的差异性对比的精度,从而有利于进行该城镇的土地空间使用情况的异常检测。
相应地,在一种可能的实现方式中,如图4所示,将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型,包括:S131,使用所述孪生检测模型的所述第一图像编码器的嵌入层分别对所述多个土地空间规划图像块中各个土地空间规划图像块进行嵌入化以得到多个土地空间规划图像块嵌入向量,以及,使用所述孪生检测模型的所述第二图像编码器的嵌入层分别对所述多个航空影像图像块中各个航空影像图像块进行嵌入化以得到多个航空影像图像块嵌入向量;以及,S132,将所述多个土地空间规划图像块嵌入向量通过所述孪生检测模型的所述第一图像编码器的转换器以得到所述多个土地空间规划图像块特征向量,以及,将所述多个航空影像图像块嵌入向量通过所述孪生检测模型的所述第二图像编码器的转换器以得到所述多个航空影像图像块特征向量。
相应地,在一种可能的实现方式中,如图5所示,使用所述孪生检测模型的所述第一图像编码器的嵌入层分别对所述多个土地空间规划图像块中各个土地空间规划图像块进行嵌入化以得到多个土地空间规划图像块嵌入向量,以及,使用所述孪生检测模型的所述第二图像编码器的嵌入层分别对所述多个航空影像图像块中各个航空影像图像块进行嵌入化以得到多个航空影像图像块嵌入向量,包括:S1311,将所述多个土地空间规划图像块中各个土地空间规划图像块的二维像素值矩阵展开为一维像素值向量以得到第一一维像素值向量的序列,以及,将所述多个航空影像图像块中各个航空影像图像块的二维像素值矩阵展开为一维像素值向量以得到第二一维像素值向量的序列;以及,S1312,使用所述孪生检测模型的所述第一图像编码器的嵌入层分别对所述第一一维像素值向量的序列中的各个第一一维像素值向量进行全连接编码以得到所述多个土地空间规划图像块嵌入向量,以及,使用所述孪生检测模型的所述第二图像编码器的嵌入层分别对所述第二一维像素值向量的序列中的各个第二一维像素值向量进行全连接编码以得到所述多个航空影像图像块嵌入向量。
更具体地,在步骤S140中,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图。以此来表示出所述土地空间规划图和所述航空影像图中的每一个局部区域的隐含差异性关联特征信息,从而得到由多个转移矩阵组成的转移特征图,也就是,整合所述土地空间规划图和所述航空影像图之间的各个局部区域的差异性关联特征信息,这样有利于后续进行分类识别土地空间中的异常行为。
相应地,在一种可能的实现方式中,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,包括:以转移矩阵计算公式计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到所述多个转移矩阵;其中,所述转移矩阵计算公式为:
其中,和分别表示每一组对应的所述土地空间规划图像块特征向量和所述
航空影像图像块特征向量,表示每一组对应的所述土地空间规划图像块特征向量和所
述航空影像图像块特征向量之间的转移矩阵,表示向量相乘;以及,将所述多个转移矩阵
进行排列以得到所述转移特征图。
更具体地,在步骤S150中,将所述转移特征图通过通道注意力模块以得到分类特征图。所述通道注意力能够聚焦于特征通道间的相关性和重要性,以此来根据每个通道的重要性对所述转移特征图进行加权处理,能够使得对分类结果重要的通道获得更高的权重值,同时忽略掉对分类结果不重要的通道。这样可以更好地获取两者图像中聚焦于关于所述城镇的规划特征的差异性关联特征,从而区分出该城镇中不同区域的空间用途,提高对于该城镇土地空间异常使用的检测精准度。
相应地,在一种可能的实现方式中,如图6所示,将所述转移特征图通过通道注意力模块以得到分类特征图,包括:S151,使用所述通道注意力模块对所述转移特征图进行显式空间编码以得到差分关联特征图;S152,计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;S153,将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;S154,基于所述通道注意力加权特征向量的自协方差矩阵,对所述通道注意力加权特征向量中各个位置的特征值进行校正以得到优化通道注意力加权特征向量;以及,S155,以所述优化通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
更具体地,在步骤S160中,将所述转移特征图和所述分类特征图进行平滑响应参
数化解耦融合以得到优化后分类特征图。将所述多个土地空间规划图像块和多个航空影像
图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型时,由于所述土地
空间规划图和所述航空影像图本身的图像语义差异,在由图像编码器进行图像分块语义的
上下文关联特征提取时,会进一步放大所述多个土地空间规划图像块特征向量和所述多个
航空影像图像块特征向量之间在整体特征分布上的差异,从而导致所述多个土地空间规划
图像块特征向量的整体特征分布与所述多个航空影像图像块特征向量的整体特征分布之
间会存在较为显著的分布不平衡,影响计算每一组对应的所述土地空间规划图像块特征向
量和所述航空影像图像块特征向量之间的转移矩阵得到的多个转移矩阵的表达一致性,从
而导致由所述多个转移矩阵组成的所述转移特征图通过通道注意力模块得到的所述分类
特征图在归属于特征矩阵维度的域转移特征的对应性上偏离所述转移特征图,也就是,偏
离在分类场景下基于域转移空间特征分布的分类规则的对应性,因此,将所述转移特征图,
例如记为,和所述分类特征图,例如记为进行平滑响应参数化解耦融合,来获得优化后
的分类特征图,例如记为。
相应地,在一种可能的实现方式中,将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图,包括:以融合公式将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到所述优化后分类特征图;
其中,所述融合公式为:
其中,表示所述转移特征图,表示所述分类特征图,表示所述转移
特征图和所述分类特征图之间的余弦距离,表示特征图的按位置点乘,表示特征
图的加法运算,表示特征图的减法运算,为以2为底的对数,且表示所述优化后分
类特征图。
这里,所述平滑响应参数化解耦融合通过使用平滑参数化函数的解耦原则,基于
所述转移特征图和所述分类特征图之间的余弦距离的非负对称性来编译所述转移特
征图和所述分类特征图的特征之间的逐点嵌入,从而以特征之间的空间变换
(transformation)来推断所述转移特征图和所述分类特征图之间的信息分布转移
(information distribution shift),从而表达特征之间的平滑响应在特征空间分布维度
的域转移特征分布规则下的信息结构化融合,从而提升优化后的分类特征图与所述转
移特征图在归属于特征矩阵维度的域转移特征上的对应性,以提升所述分类特征图的表达
效果。
更具体地,在步骤S170中,将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用。在得到所述分类结果后,可基于所述分类结果来对土地空间的使用情况进行自动化管理和异常检测,从而及时对异常使用地区进行相应的管理处理。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一种可能的实现方式中,将所述优化后分类特征图通过所述分类器以
得到分类损失函数值,包括:所述分类器以分类公式对所述优化后分类特征图进行处理以
生成分类结果,其中,所述分类公式为:,其中表示将所述优化后分类特征图投影为向量,至为各层全连接层的权重矩
阵,至表示各层全连接层的偏置矩阵。
综上,基于本申请实施例的土地空间用途管理方法,其首先将土地空间规划图和航空影像图分别进行图像分块处理后通过孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,接着,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,然后,将所述转移特征图通过通道注意力模块以得到分类特征图,最后,将所述优化后分类特征图通过分类器以得到用于表示土地空间是否被异常使用的分类结果。这样,可以使土地空间的使用情况的管理效率提升。
图7示出根据本公开的实施例的土地空间用途管理***100的框图。如图7所示,根据本申请实施例的土地空间用途管理***100,包括:数据输入模块110,用于输入土地空间规划图和航空影像图;图像分块处理模块120,用于将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块;孪生检测编码模块130,用于将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型;转移矩阵计算模块140,用于计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;通道注意力编码模块150,用于将所述转移特征图通过通道注意力模块以得到分类特征图;融合优化模块160,用于将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图;以及,分类模块170,用于将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用。
相应地,在一种可能的实现方式中,所述融合优化模块160,用于:以融合公式将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到所述优化后分类特征图;
其中,所述融合公式为:
其中,表示所述转移特征图,表示所述分类特征图,表示所述转移
特征图和所述分类特征图之间的余弦距离,表示特征图的按位置点乘,表示特征
图的加法运算,表示特征图的减法运算,为以2为底的对数,且表示所述优化后分
类特征图。
相应地,在一种可能的实现方式中,所述分类模块170,包括:
所述分类器以分类公式对所述优化后分类特征图进行处理以生成分类结果,其
中,所述分类公式为:,其中表示将
所述优化后分类特征图投影为向量,至为各层全连接层的权重矩阵,至表示各
层全连接层的偏置矩阵。
这里,本领域技术人员可以理解,上述土地空间用途管理***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的土地空间用途管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的土地空间用途管理***100可以实现在各种无线终端中,例如具有土地空间用途管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的土地空间用途管理***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该土地空间用途管理***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该土地空间用途管理***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该土地空间用途管理***100与该无线终端也可以是分立的设备,并且该土地空间用途管理***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器,上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种土地空间用途管理方法,其特征在于,包括:
输入土地空间规划图和航空影像图;
将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块;
将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型;
计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
将所述转移特征图通过通道注意力模块以得到分类特征图;
将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图;
将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用;
其中,将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图,包括:以融合公式将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到所述优化后分类特征图;
其中,所述融合公式为:
其中,/>表示所述转移特征图,/>表示所述分类特征图,/>表示所述转移特征图/>和所述分类特征图/>之间的余弦距离,/>表示特征图的按位置点乘,/>表示特征图的加法运算,/>表示特征图的减法运算,/>为以2为底的对数,且/>表示所述优化后分类特征图。
2.根据权利要求1所述的土地空间用途管理方法,其特征在于,将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型,包括:
使用所述孪生检测模型的所述第一图像编码器的嵌入层分别对所述多个土地空间规划图像块中各个土地空间规划图像块进行嵌入化以得到多个土地空间规划图像块嵌入向量,以及,使用所述孪生检测模型的所述第二图像编码器的嵌入层分别对所述多个航空影像图像块中各个航空影像图像块进行嵌入化以得到多个航空影像图像块嵌入向量;
将所述多个土地空间规划图像块嵌入向量通过所述孪生检测模型的所述第一图像编码器的转换器以得到所述多个土地空间规划图像块特征向量,以及,将所述多个航空影像图像块嵌入向量通过所述孪生检测模型的所述第二图像编码器的转换器以得到所述多个航空影像图像块特征向量。
3.根据权利要求2所述的土地空间用途管理方法,其特征在于,使用所述孪生检测模型的所述第一图像编码器的嵌入层分别对所述多个土地空间规划图像块中各个土地空间规划图像块进行嵌入化以得到多个土地空间规划图像块嵌入向量,以及,使用所述孪生检测模型的所述第二图像编码器的嵌入层分别对所述多个航空影像图像块中各个航空影像图像块进行嵌入化以得到多个航空影像图像块嵌入向量,包括:
将所述多个土地空间规划图像块中各个土地空间规划图像块的二维像素值矩阵展开为一维像素值向量以得到第一一维像素值向量的序列,以及,将所述多个航空影像图像块中各个航空影像图像块的二维像素值矩阵展开为一维像素值向量以得到第二一维像素值向量的序列;
使用所述孪生检测模型的所述第一图像编码器的嵌入层分别对所述第一一维像素值向量的序列中的各个第一一维像素值向量进行全连接编码以得到所述多个土地空间规划图像块嵌入向量,以及,使用所述孪生检测模型的所述第二图像编码器的嵌入层分别对所述第二一维像素值向量的序列中的各个第二一维像素值向量进行全连接编码以得到所述多个航空影像图像块嵌入向量。
4.根据权利要求3所述的土地空间用途管理方法,其特征在于,计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图,包括:
以转移矩阵计算公式计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到所述多个转移矩阵;
其中,所述转移矩阵计算公式为:
其中,/>和/>分别表示每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量,/>表示每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵,/>表示向量相乘;
将所述多个转移矩阵进行排列以得到所述转移特征图。
5.根据权利要求4所述的土地空间用途管理方法,其特征在于,将所述转移特征图通过通道注意力模块以得到分类特征图,包括:
使用所述通道注意力模块对所述转移特征图进行显式空间编码以得到差分关联特征图;
计算所述差分关联特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量;
将所述通道特征向量输入Sigmoid激活函数以得到通道注意力加权特征向量;
基于所述通道注意力加权特征向量的自协方差矩阵,对所述通道注意力加权特征向量中各个位置的特征值进行校正以得到优化通道注意力加权特征向量;
以所述优化通道注意力加权特征向量中各个位置的特征值作为权重分别对所述差分关联特征图的沿通道维度的各个特征矩阵进行加权以得到所述分类特征图。
6.根据权利要求5所述的土地空间用途管理方法,其特征在于,将所述优化后分类特征图通过分类器以得到分类结果,包括:
所述分类器以分类公式对所述优化后分类特征图进行处理以生成分类结果,其中,所述分类公式为:,其中/>表示将所述优化后分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵。
7.一种土地空间用途管理***,其特征在于,包括:
数据输入模块,用于输入土地空间规划图和航空影像图;
图像分块处理模块,用于将所述土地空间规划图和所述航空影像图分别进行图像分块处理以得到多个土地空间规划图像块和多个航空影像图像块;
孪生检测编码模块,用于将所述多个土地空间规划图像块和所述多个航空影像图像块分别通过包含第一图像编码器和第二图像编码器的孪生检测模型以得到多个土地空间规划图像块特征向量和多个航空影像图像块特征向量,其中,所述第一图像编码器和所述第二图像编码器为ViT模型;
转移矩阵计算模块,用于计算每一组对应的所述土地空间规划图像块特征向量和所述航空影像图像块特征向量之间的转移矩阵以得到由多个转移矩阵组成的转移特征图;
通道注意力编码模块,用于将所述转移特征图通过通道注意力模块以得到分类特征图;
融合优化模块,用于将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到优化后分类特征图;
分类模块,用于将所述优化后分类特征图通过分类器以得到分类结果,所述分类结果用于表示土地空间是否被异常使用;
其中,所述融合优化模块,用于:以融合公式将所述转移特征图和所述分类特征图进行平滑响应参数化解耦融合以得到所述优化后分类特征图;
其中,所述融合公式为:
其中,/>表示所述转移特征图,/>表示所述分类特征图,/>表示所述转移特征图/>和所述分类特征图/>之间的余弦距离,/>表示特征图的按位置点乘,/>表示特征图的加法运算,/>表示特征图的减法运算,/>为以2为底的对数,且/>表示所述优化后分类特征图。
8.根据权利要求7所述的土地空间用途管理***,其特征在于,所述分类模块,包括:
所述分类器以分类公式对所述优化后分类特征图进行处理以生成分类结果,其中,所述分类公式为:,其中/>表示将所述优化后分类特征图投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053432.4A CN116758360B (zh) | 2023-08-21 | 2023-08-21 | 土地空间用途管理方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311053432.4A CN116758360B (zh) | 2023-08-21 | 2023-08-21 | 土地空间用途管理方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758360A CN116758360A (zh) | 2023-09-15 |
CN116758360B true CN116758360B (zh) | 2023-10-20 |
Family
ID=87961332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311053432.4A Active CN116758360B (zh) | 2023-08-21 | 2023-08-21 | 土地空间用途管理方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758360B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315749A (zh) * | 2023-09-25 | 2023-12-29 | 惠州市沃生照明有限公司 | 用于台灯的灯光智能调控方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539296A (zh) * | 2020-04-17 | 2020-08-14 | 河海大学常州校区 | 一种基于遥感影像变化检测的违章建筑识别方法及*** |
CN114239250A (zh) * | 2021-11-24 | 2022-03-25 | 新泰市国土空间规划服务中心(新泰市建筑设计院、新泰市水利设计院) | 一种国土空间规划设计的***和方法 |
CN114821340A (zh) * | 2022-06-01 | 2022-07-29 | 河南大学 | 一种土地利用分类方法及*** |
CN114842343A (zh) * | 2022-05-17 | 2022-08-02 | 武汉理工大学 | 一种基于ViT的航空图像识别方法 |
CN115187127A (zh) * | 2022-07-27 | 2022-10-14 | 重庆市规划和自然资源信息中心 | 基于空间分析的详细规划分级管理智能检测方法 |
CN115424059A (zh) * | 2022-08-24 | 2022-12-02 | 珠江水利委员会珠江水利科学研究院 | 一种基于像素级对比学习的遥感土地利用分类方法 |
CN115545166A (zh) * | 2022-10-31 | 2022-12-30 | 南京信息工程大学 | 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法 |
CN115964599A (zh) * | 2022-12-07 | 2023-04-14 | 中国测绘科学研究院 | 一种大规模土地利用/覆被变化转移矩阵装置及使用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657230B2 (en) * | 2020-06-12 | 2023-05-23 | Adobe Inc. | Referring image segmentation |
-
2023
- 2023-08-21 CN CN202311053432.4A patent/CN116758360B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539296A (zh) * | 2020-04-17 | 2020-08-14 | 河海大学常州校区 | 一种基于遥感影像变化检测的违章建筑识别方法及*** |
CN114239250A (zh) * | 2021-11-24 | 2022-03-25 | 新泰市国土空间规划服务中心(新泰市建筑设计院、新泰市水利设计院) | 一种国土空间规划设计的***和方法 |
CN114842343A (zh) * | 2022-05-17 | 2022-08-02 | 武汉理工大学 | 一种基于ViT的航空图像识别方法 |
CN114821340A (zh) * | 2022-06-01 | 2022-07-29 | 河南大学 | 一种土地利用分类方法及*** |
CN115187127A (zh) * | 2022-07-27 | 2022-10-14 | 重庆市规划和自然资源信息中心 | 基于空间分析的详细规划分级管理智能检测方法 |
CN115424059A (zh) * | 2022-08-24 | 2022-12-02 | 珠江水利委员会珠江水利科学研究院 | 一种基于像素级对比学习的遥感土地利用分类方法 |
CN115545166A (zh) * | 2022-10-31 | 2022-12-30 | 南京信息工程大学 | 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法 |
CN115964599A (zh) * | 2022-12-07 | 2023-04-14 | 中国测绘科学研究院 | 一种大规模土地利用/覆被变化转移矩阵装置及使用方法 |
Non-Patent Citations (3)
Title |
---|
Xiaoting Rui.A new version of transfer matrix method for multibody systems.Multibody System Dynamics.2016,全文. * |
朱岩彬 ; 徐启恒 ; 杨俊涛 ; 莫海林 ; .基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究.地理信息世界.2020,(第02期),全文. * |
项明钧.基于电信大数据的城市功能分区及异常检测算法实现.中国优秀硕士学位论文全文数据库.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116758360A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A unified convolutional neural network integrated with conditional random field for pipe defect segmentation | |
US10885383B2 (en) | Unsupervised cross-domain distance metric adaptation with feature transfer network | |
US11328171B2 (en) | Image retrieval method and apparatus | |
US10824674B2 (en) | Label propagation in graphs | |
CN109740588B (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
CN112424769A (zh) | 用于地理位置预测的***和方法 | |
Tian et al. | Weakly-supervised nucleus segmentation based on point annotations: A coarse-to-fine self-stimulated learning strategy | |
US11255678B2 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN116758360B (zh) | 土地空间用途管理方法及其*** | |
US20220092407A1 (en) | Transfer learning with machine learning systems | |
CN112733885A (zh) | 点云识别模型的确定方法、点云识别的方法及装置 | |
WO2023001059A1 (zh) | 检测方法、装置、电子设备及存储介质 | |
CN115244587A (zh) | 高效基础事实注释 | |
Masouleh et al. | Fusion of deep learning with adaptive bilateral filter for building outline extraction from remote sensing imagery | |
CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其*** | |
CN108154153B (zh) | 场景分析方法和***、电子设备 | |
CN113129311A (zh) | 一种标签优化点云实例分割方法 | |
CN104077765A (zh) | 图像分割装置、图像分割方法和程序 | |
US20240071056A1 (en) | Percentile-based pseudo-label selection for multi-label semi-supervised classification | |
Oga et al. | River state classification combining patch-based processing and CNN | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
CN116310850A (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
Zhu et al. | A dual evaluation multi‐scale template matching algorithm based on wavelet transform |
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 |