CN108229273A - 多层神经网络模型训练、道路特征识别的方法和装置 - Google Patents
多层神经网络模型训练、道路特征识别的方法和装置 Download PDFInfo
- Publication number
- CN108229273A CN108229273A CN201710108551.3A CN201710108551A CN108229273A CN 108229273 A CN108229273 A CN 108229273A CN 201710108551 A CN201710108551 A CN 201710108551A CN 108229273 A CN108229273 A CN 108229273A
- Authority
- CN
- China
- Prior art keywords
- road
- remote sensing
- sensing images
- neural network
- network model
- 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
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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了多层神经网络模型训练、道路特征识别的方法和装置以及电子设备。该方法的一具体实施方式包括:确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。该实施方式能够采用道路加宽后的遥感图像样本训练用于识别遥感图像中的道路特征的多层神经网络模型,并采用该多层神经网络模型识别待检测的遥感图像中的道路特征,然后生成道路图。
Description
技术领域
本申请涉及计算机技术领域,具体涉及遥感技术领域,尤其涉及多层神经网络模型训练、道路特征识别的方法和装置。
背景技术
地图的更新,尤其是路网的更新在经济建设、军事、抗震救灾等领域具有重大意义。从卫星或航拍的遥感影像中提取道路具有效率高、速度快,覆盖广等优点。传统方法通常利用人工从遥感影像中提取道路。在道路提取的应用中,道路的种类及宽度千差万别。真实场景的遥感图片中,除较宽的高速公路外,也有不少较窄的小路,例如田间小道、社区道路、临时道路或者沙漠中的道路等。传统方法很难从遥感图像中提取出窄路。
发明内容
本申请的目的在于提出一种改进的多层神经网络模型训练、道路特征识别的技术方案。
第一方面,本申请提供了一种多层神经网络模型训练方法,该方法包括确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
在一些实施例中,将确定的部分中的道路进行加宽标注处理,包括:将确定的部分中的道路的宽度值标注为宽度阈值。
在一些实施例中,将确定的部分中的道路进行加宽标注处理,包括:将确定的部分中的道路的周边预定区域内的像素标注为道路。
在一些实施例中,该方法还包括:根据确定的部分中的道路的宽度值和宽度阈值的差值确定预定区域的大小。
在一些实施例中,该方法还包括:根据遥感图像的分辨率确定宽度阈值。
在一些实施例中,多层神经网络模型包括:卷积神经网络。
第二方面,本申请提供了一种道路特征识别方法,该方法包括:获取待检测的遥感图像;基于如第一方面任一实施例中的多层神经网络模型提取待检测的遥感图像的道路特征。
在一些实施例中,该方法还包括:根据提取的道路特征生成道路图。
第三方面,本申请提供了一种多层神经网络模型训练装置,该装置包括:宽度确定单元,用于确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;加宽单元,用于将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;训练单元,用于基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
在一些实施例中,加宽单元进一步用于:将确定的部分中的道路的宽度值标注为宽度阈值。
在一些实施例中,加宽单元进一步用于:将确定的部分中的道路的周边预定区域内的像素标注为道路。
在一些实施例中,该装置还包括:区域确定单元,用于根据确定的部分中的道路的宽度值和宽度阈值的差值确定预定区域的大小。
在一些实施例中,该装置还包括:阈值确定单元,用于根据遥感图像的分辨率确定宽度阈值。
在一些实施例中,多层神经网络模型包括:卷积神经网络。
第四方面,本申请提供了一种道路特征识别装置,该装置包括:获取单元,用于获取待检测的遥感图像;提取单元,用于基于如第一方面任一实施例中的多层神经网络模型提取待检测的遥感图像的道路特征。
在一些实施例中,该装置还包括:生成单元,用于根据提取的道路特征生成道路图。
第五方面,本申请提供了一种电子设备,其特征在于,包括:存储器,存储可执行指令;一个或多个处理器,与存储器通信以执行可执行指令从而完成以下操作:确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
本申请提供的多层神经网络模型训练、道路特征识别的方法和装置,通过对遥感图像训练样本集中窄路(即道路宽度小于预设的宽度阈值的道路)的宽度进行加宽标注,融合道路周边相关信息,使用加宽后的遥感图像训练样本集训练多层神经网络模型,使得该多层神经网络模型在不影响对宽路(即道路宽度大于或等于预设的宽度阈值的道路)的处理下,对窄路的学习增强,防止窄路像素点过少而丢失信息,从而提高道路图生成准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的多层神经网络模型训练方法的一个实施例的流程图;
图3是根据本申请的道路特征识别方法的一个实施例的流程图;
图4a、4b和4c是根据本申请的道路特征识别方法的应用场景的示意图;
图5是根据本申请的多层神经网络模型训练装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的多层神经网络模型训练、道路特征识别的方法和装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101(航拍飞机)、终端设备102(人造卫星),网络103和电子设备104。网络103用以在终端设备101、102和电子设备104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102通过网络103与电子设备104交互,以接收或发送消息等。终端设备101、102是用来搭载传感器的运载工具,常用的有气球、飞机和人造卫星等,从远距离获取目标物体的电磁波特性,通过该信息的传输、贮存、卫星、修正、识别目标物体,最终实现其功能(定时、定位、定性、定量)。传感器是用来探测目标物电磁波特性的仪器设备,常用的有照相机、扫描仪和成像雷达等。
电子设备可以对接收到的遥感图像等数据进行分析等处理,并将处理结果(例如道路图)输出。
需要说明的是,本申请实施例提供的技术方案中,对遥感图像的获取方式并不限定,上图1仅为一种可选的实现方式,除此之外,还可通过第三方或其他平台离线获取所需的遥感图像,等等。
在获得遥感图像之后,可通过电子设备进行多层神经网络模型训练、道路特征识别的方法的执行,所述电子设备可包括服务器、PC机、移动终端、车载终端等设备。一种可选的实施方式中,多层神经网络模型训练方法可在服务器或者由多台服务器组成的服务器集群上进行,训练好的多层神经网络模型可运行在服务器、PC机、移动终端、车载终端等各种类型的电子设备上进行道路特征识别和/或道路图生成处理。
继续参考图2,示出了根据本申请的多层神经网络模型训练方法的一个实施例的流程200。所述的多层神经网络模型训练方法,包括以下步骤:
步骤201,确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分。
在本实施例中,多层神经网络模型训练方法运行于其上的电子设备(例如图1所示的电子设备)可以通过有线连接方式或者无线连接方式从用户利用其进行遥感图像采集的终端设备接收遥感图像训练样本集,或者从其他设备获得遥感图像训练样本集。遥感图像训练样本集中已经包括道路标注数据。通过道路标注数据可以确定出遥感图像中各条道路的宽度值,例如,一条道路由10*1000个像素点构成则道路宽度为10像素。通常采用人工标注的方法标注出遥感图像中的道路,可将遥感图像分类标注(例如属于道路的像素标注为1,不属于道路的部分标注为0,这里只需要将图像中的像素分为两类,这样0和1的做法是比较常用)。对于某些分辨率的遥感图像,预定的宽度阈值可以设置为15像素,当确定出的一条道路的宽度值小于15像素时,则认为该道路为窄路,确定出宽度值小于预定的宽度阈值的部分。
步骤202,将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集。
在本实施例中,将步骤201中确定出的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集。加宽标注可以经过第三方标注工具执行也可通过人工标注执行。加宽后的道路宽度大于或等于预定的宽度阈值。例如,如果预设的宽度阈值为15,则将宽度值为10和12的道路的宽度都重新标注为15。
步骤203,基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
在本实施例中,多层神经网络模型例如可以是深度神经网络、卷积神经网络等。该多层神经网络模型用于识别遥感图像中的道路特征,其中,该道路特征可包括道路的颜色、纹理、高度、温度、阴影、方向变化等特征。在开始训练前,所有的多层神经网络核参数都应该用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因核参数值过大而进入饱和状态,从而导致训练失败;“不同”用来保证网络可以正常地学习。实际上,如果用相同的数去初始化核参数,则网络无能力学习。通过把网络训练出来的结果和标注数据进行比对,修正误差。通过调整核参数使误差最小化来不断优化核参数。多层神经网络的一种可选的训练过程如下所示:将已加宽标注的遥感图像训练样本集作为训练数据输入多层神经网络模型;确定多层神经网络模型的输出结果和已加宽标注的遥感图像训练样本集之间的损失值;并基于损失值优化调整多层神经网络模型的网络参数,从而得到新的多层神经网络模型。可使用网络参数调整后的多层神经网络模型继续执行上述训练过程,直到多层神经网络模型的当前训练情况满足训练完成条件。设置训练完成条件可避免出现无限循环地训练该多层神经网络模型的情况。训练完成条件可包括但不限于以下至少一项:训练多层神经网络模型的训练次数达到预设的训练次数阈值;相邻两次训练中,多层神经网络模型的输出之间的损失值处于预设的容差范围之内。
基于深度学习技术可实现遥感图像道路的自动提取,大幅提高路网更新的速度。在道路提取的应用中,道路的种类及宽度千差万别。真实场景的遥感图片中,除较宽的高速公路外,也有不少较窄的小路,例如田间小道、社区道路、临时道路或者沙漠中的道路等。
在分辨率一定的情况下,真实道路的宽度会影响遥感图片中对应像素的多少,进而影响深度学习算法对其的准确程度。此外,传统的深度学习网络都会用先降采样再上采样的方式,也即先将特征图缩小以浓缩信息,再扩大至原图大小作为输出。该方式对宽度较大的道路没有影响,但对窄路,在降采样后,道路的信息可能会消失(像素消失),这样会导致无法训练小路。
而本申请的上述实施例提供的方法通过增加遥感图像训练样本集中窄路的标注宽度,使得多层神经网络对窄路周边(即,将道路真正宽度到宽度阈值中间范围作为真正道路的周边)特征也进行学习,在分辨率较低的情况下仍能准确地识别出遥感图像中的窄路,而不会因为窄路像素点过少而丢失信息。
在本实施例的一些可选的实现方式中,将确定的部分中的道路进行加宽标注处理,包括:将确定的部分中的道路的宽度值标注为宽度阈值。例如,原来道路的宽度为10像素,宽度阈值为15像素,则将该道路重新标注为15像素。这样可以使得在多层神经网络模型训练过程中,窄路的像素不会消失,保留窄路信息。并且保持宽路的宽度不变,以免遥感图像过度失真。
在本实施例的一些可选的实现方式中,将确定的部分中的道路进行加宽标注处理,包括:将确定的部分中的道路的周边预定区域内的像素标注为道路。例如,可以将道路周边的路基、绿化带或交通标示等和道路密切相关的物体也标注为道路,这些信息也能增大识别道路的概率,从而提高训练出的多层神经网络模型识别道路的准确性。
在本实施例的一些可选的实现方式中,该方法还包括:根据确定的部分中的道路的宽度值和宽度阈值的差值确定预定区域的大小。例如,原来道路的宽度为10像素,宽度阈值为15像素,则可将道路周边5像素的区域确定为预定区域。该预定区域可以以道路中轴线为对称轴对称分布,也可以非对称分布。这样做可以使得预定区域尽量获得更多的标注信息,增大识别道路的概率。并且不局限于对称分布,降低人工标注的难度。
在本实施例的一些可选的实现方式中,该方法还包括:根据遥感图像的分辨率确定宽度阈值。宽度阈值与遥感图像的分辨率相关联,遥感图像的分辨率越高,则宽度阈值越小。从而能够更准确地识别窄路。有针对性的设置宽度阈值,可以减少标注量,提高训练速度。
在本实施例的一些可选的实现方式中,多层神经网络模型包括:卷积神经网络(Convolutional Neural Networks,CNN)。卷积神经网络是一种人工神经网络。卷积神经网络是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。一般地,CNN的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是计算层,网络的每个计算层由多个特征映射层组成,每个特征映射层是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个特征提取层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习的实质,是通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而融合后提升分类或预测的准确性。与人工规则构造特征的方法相比,利用大数据来学习特征,更能够刻画数据的丰富内在信息。
进一步参考图3,其示出了道路特征识别方法的一个实施例的流程300。该道路特征识别方法的流程300,包括以下步骤:
步骤301,确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分。
步骤302,将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集。
步骤303,基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
步骤301-303与步骤201-203基本相同,因此不再赘述。
步骤304,获取待检测的遥感图像,基于多层神经网络模型提取待检测的遥感图像的道路特征。
在本实施例中,该多层神经网络模型用于提取待检测的遥感图像的道路特征。待检测的遥感图像中包括未标注出道路信息的像素。将该待检测的遥感图像输入多层神经网络模型,可以提取出待检测的遥感图像中道路的特征,可以得到像素属于道路的概率,或者像素的所属的类别信息。并且不会丢失窄路的像素。
步骤305,根据提取的道路特征生成道路图。
在本实施例中,基于步骤304提取的道路特征可以生成道路图。如果步骤304中得到的是各像素属于道路的概率,则根据概率生成的道路图中概率大的像素在道路图中显示的颜色深。
本申请的上述实施例提供的方法基于多层神经网络模型提取待检测的遥感图像的道路特征,能够准确、快速地识别出遥感图像中的道路信息并生成道路图。
继续参见图4a-4c,图4a-4c是根据本实施例的多层神经网络模型训练方法的应用场景的一个示意图。在图4a的应用场景中,用户将左图所示的沙漠的遥感图像输入到预先训练的多层神经网络模型中,根据该模型输出的道路信息绘制出右图所示的沙漠中的道路图,从右图中可以清楚地看到沙漠的遥感图像中存在的窄路。在图4b的应用场景中,用户将左图所示的城市市区的遥感图像输入到预先训练的多层神经网络模型中,根据该模型输出的道路信息绘制出右图所示的城市市区中的道路图,从右图中可以清楚地看到城市市区中存在的窄路。在图4c的应用场景中,用户将具有宽路和窄路的遥感图像输入到预先训练的多层神经网络模型中,根据该模型输出的道路信息绘制出道路图,可以从图4c看到除宽路结果依旧保持外,窄路的输出变宽。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种多层神经网络模型训练装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的多层神经网络模型训练装置500包括:宽度确定单元501、加宽单元502和训练单元503。其中,宽度确定单元501用于确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;加宽单元502用于将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;训练单元503用于基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
在本实施例中,多层神经网络模型训练装置500的宽度确定单元501、加宽单元502和训练单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。
在本实施例的一些可选的实现方式中,加宽单元502进一步用于:将确定的部分中的道路的宽度值标注为宽度阈值。
在本实施例的一些可选的实现方式中,加宽单元502进一步用于:将确定的部分中的道路的周边预定区域内的像素标注为道路。
在本实施例的一些可选的实现方式中,装置500还包括:区域确定单元,用于根据确定的部分中的道路的宽度值和宽度阈值的差值确定预定区域的大小。
在本实施例的一些可选的实现方式中,装置500还包括:阈值确定单元,用于根据遥感图像的分辨率确定宽度阈值。
在本实施例的一些可选的实现方式中,多层神经网络模型包括:卷积神经网络。
本申请提供了一种道路特征识别装置的一个实施例,该装置实施例与图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
该道路特征识别装置包括:获取单元,用于获取待检测的遥感图像;提取单元,用于基于多层神经网络模型提取待检测的遥感图像的道路特征。
在本实施例的一些可选的实现方式中,道路特征识别装置还包括:生成单元,用于根据提取的道路特征生成道路图。
本发明实施例还提供了一种电子设备,例如可以是移动终端、个人计算机(PC)、平板电脑、服务器等。下面参考图6,其示出了适于用来实现本申请实施例的终端设备或服务器的电子设备600的结构示意图:如图6所示,计算机系统600包括一个或多个处理器、通信部等,所述一个或多个处理器例如:一个或多个中央处理单元(CPU)601,和/或一个或多个图像处理器(GPU)613等,处理器可以根据存储在只读存储器(ROM)602中的可执行指令或者从存储部分608加载到随机访问存储器(RAM)603中的可执行指令而执行各种适当的动作和处理。通信部612可包括但不限于网卡,所述网卡可包括但不限于IB(Infiniband)网卡。
处理器可与只读存储器602和/或随机访问存储器603通信以执行可执行指令,通过总线604与通信部612相连、并经通信部612与其他目标设备通信,从而完成本申请实施例提供的任一项方法对应的操作,例如,确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
此外,在RAM 603中,还可存储有装置操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。在有RAM603的情况下,ROM602为可选模块。RAM603存储可执行指令,或在运行时向ROM602中写入可执行指令,可执行指令使处理器601执行上述通信方法对应的操作。输入/输出(I/O)接口605也连接至总线604。通信部612可以集成设置,也可以设置为具有多个子模块(例如多个IB网卡),并在总线链接上。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
需要说明的,如图6所示的架构仅为一种可选实现方式,在具体实践过程中,可根据实际需要对上述图6的部件数量和类型进行选择、删减、增加或替换;在不同功能部件设置上,也可采用分离设置或集成设置等实现方式,例如GPU和CPU可分离设置或者可将GPU集成在CPU上,通信部可分离设置,也可集成设置在CPU或GPU上,等等。这些可替换的实施方式均落入本发明公开的保护范围。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行流程图所示的方法的程序代码,程序代码可包括对应执行本申请实施例提供的方法步骤对应的指令,例如,确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;将确定的部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;基于更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
可能以许多方式来实现本发明的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本发明的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本发明实施为记录在记录介质中的程序,这些程序包括用于实现根据本发明的方法的机器可读指令。因而,本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
本发明的描述是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (10)
1.一种多层神经网络模型训练方法,其特征在于,所述方法包括:
确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;
将确定的所述部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;
基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述将确定的所述部分中的道路进行加宽标注处理,包括:
将确定的所述部分中的道路的宽度值标注为所述宽度阈值。
3.根据权利要求1所述的方法,其特征在于,所述将确定的所述部分中的道路进行加宽标注处理,包括:
将确定的所述部分中的道路的周边预定区域内的像素标注为道路。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据确定的所述部分中的道路的宽度值和所述宽度阈值的差值确定所述预定区域的大小。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
根据所述遥感图像的分辨率确定所述宽度阈值。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述多层神经网络模型包括:卷积神经网络。
7.一种道路特征识别方法,其特征在于,所述方法包括:
获取待检测的遥感图像;
基于如权利要求1-6任一项所述的多层神经网络模型提取所述待检测的遥感图像的道路特征。
8.一种多层神经网络模型训练装置,其特征在于,所述装置包括:
宽度确定单元,用于确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;
加宽单元,用于将确定的所述部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;
训练单元,用于基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
9.一种道路特征识别装置,其特征在于,所述装置包括:
获取单元,用于获取待检测的遥感图像;
提取单元,用于基于如权利要求1-6任一项所述的多层神经网络模型提取所述待检测的遥感图像的道路特征。
10.一种电子设备,其特征在于,包括:
存储器,存储可执行指令;
一个或多个处理器,与存储器通信以执行可执行指令从而完成以下操作:
确定遥感图像训练样本集包括的遥感图像的道路标注数据中道路的宽度值小于预定的宽度阈值的部分;
将确定的所述部分中的道路进行加宽标注处理,获得更新后遥感图像训练样本集;
基于所述更新后的遥感图像训练样本集训练用于识别遥感图像中的道路特征的多层神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710108551.3A CN108229273B (zh) | 2017-02-27 | 2017-02-27 | 多层神经网络模型训练、道路特征识别的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710108551.3A CN108229273B (zh) | 2017-02-27 | 2017-02-27 | 多层神经网络模型训练、道路特征识别的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229273A true CN108229273A (zh) | 2018-06-29 |
CN108229273B CN108229273B (zh) | 2021-03-05 |
Family
ID=62657298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710108551.3A Active CN108229273B (zh) | 2017-02-27 | 2017-02-27 | 多层神经网络模型训练、道路特征识别的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229273B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
CN111353441A (zh) * | 2020-03-03 | 2020-06-30 | 成都大成均图科技有限公司 | 基于位置数据融合的道路提取方法和系统 |
CN115001559A (zh) * | 2022-03-17 | 2022-09-02 | 中国科学院计算技术研究所 | 一种适用于卫星网络的用户终端分布模型构建方法 |
CN115937681A (zh) * | 2022-12-05 | 2023-04-07 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0738875A2 (en) * | 1995-04-19 | 1996-10-23 | Nippon Telegraph And Telephone Corporation | Method of automatically generating road network information and system for embodying the same |
JP2007073009A (ja) * | 2005-09-09 | 2007-03-22 | Hitachi Software Eng Co Ltd | 道路ネットワークデータの自動生成方法 |
CN101894124A (zh) * | 2010-05-14 | 2010-11-24 | 北京联合大学 | 一种三维物体的显示方法 |
CN103034863A (zh) * | 2012-12-24 | 2013-04-10 | 重庆市勘测院 | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 |
CN103714339A (zh) * | 2013-12-30 | 2014-04-09 | 武汉大学 | 基于矢量数据的sar影像道路损毁信息提取方法 |
CN103996042A (zh) * | 2014-05-20 | 2014-08-20 | 中山大学 | 一种面向对象分割结合灰度形态学的道路提取方法 |
CN104036298A (zh) * | 2013-09-23 | 2014-09-10 | 苏州工业职业技术学院 | 基于核Fisher自适应学习的高光谱遥感图像端元分类方法 |
CN104809187A (zh) * | 2015-04-20 | 2015-07-29 | 南京邮电大学 | 一种基于rgb-d数据的室内场景语义标注方法 |
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
CN105005794A (zh) * | 2015-07-21 | 2015-10-28 | 太原理工大学 | 融合多粒度上下文信息的图像像素语义标注方法 |
CN105184270A (zh) * | 2015-09-18 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 一种基于脉冲耦合神经网络方法的道路信息遥感提取方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
-
2017
- 2017-02-27 CN CN201710108551.3A patent/CN108229273B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0738875A2 (en) * | 1995-04-19 | 1996-10-23 | Nippon Telegraph And Telephone Corporation | Method of automatically generating road network information and system for embodying the same |
JP2007073009A (ja) * | 2005-09-09 | 2007-03-22 | Hitachi Software Eng Co Ltd | 道路ネットワークデータの自動生成方法 |
CN101894124A (zh) * | 2010-05-14 | 2010-11-24 | 北京联合大学 | 一种三维物体的显示方法 |
CN103034863A (zh) * | 2012-12-24 | 2013-04-10 | 重庆市勘测院 | 一种结合核Fisher与多尺度提取的遥感影像道路获取方法 |
CN104036298A (zh) * | 2013-09-23 | 2014-09-10 | 苏州工业职业技术学院 | 基于核Fisher自适应学习的高光谱遥感图像端元分类方法 |
CN103714339A (zh) * | 2013-12-30 | 2014-04-09 | 武汉大学 | 基于矢量数据的sar影像道路损毁信息提取方法 |
CN103996042A (zh) * | 2014-05-20 | 2014-08-20 | 中山大学 | 一种面向对象分割结合灰度形态学的道路提取方法 |
CN104915636A (zh) * | 2015-04-15 | 2015-09-16 | 北京工业大学 | 基于多级框架显著性特征的遥感影像道路识别方法 |
CN104809187A (zh) * | 2015-04-20 | 2015-07-29 | 南京邮电大学 | 一种基于rgb-d数据的室内场景语义标注方法 |
CN105005794A (zh) * | 2015-07-21 | 2015-10-28 | 太原理工大学 | 融合多粒度上下文信息的图像像素语义标注方法 |
CN105184270A (zh) * | 2015-09-18 | 2015-12-23 | 中国科学院遥感与数字地球研究所 | 一种基于脉冲耦合神经网络方法的道路信息遥感提取方法 |
CN105488534A (zh) * | 2015-12-04 | 2016-04-13 | 中国科学院深圳先进技术研究院 | 交通场景深度解析方法、装置及系统 |
Non-Patent Citations (4)
Title |
---|
BO LIU 等: "Main Road Extraction from ZY-3 Grayscale Imagery Based on Directional Mathematical Morphology and VGI Prior Knowledge in Urban Areas", 《PLOS ONE》 * |
ZILONG ZHONG 等: "Fully convolutional networks for building and road extraction: Preliminary results", 《IGARSS 2016》 * |
丁磊 等: "矢量数据辅助的高分辨率遥感影像道路自动提取", 《遥感学报》 * |
李华胜 等: "一种提取遥感影像中道路信息的方法", 《国土资源药膏》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
CN111353441A (zh) * | 2020-03-03 | 2020-06-30 | 成都大成均图科技有限公司 | 基于位置数据融合的道路提取方法和系统 |
CN115001559A (zh) * | 2022-03-17 | 2022-09-02 | 中国科学院计算技术研究所 | 一种适用于卫星网络的用户终端分布模型构建方法 |
CN115937681A (zh) * | 2022-12-05 | 2023-04-07 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
CN115937681B (zh) * | 2022-12-05 | 2024-04-19 | 中铁第四勘察设计院集团有限公司 | 一种遥感影像样本数据清洗方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108229273B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Salient object detection in the distributed cloud-edge intelligent network | |
Yang et al. | Building extraction at scale using convolutional neural network: Mapping of the united states | |
Kong et al. | A federated learning-based license plate recognition scheme for 5G-enabled internet of vehicles | |
Alsabhan et al. | Automatic building extraction on satellite images using Unet and ResNet50 | |
CN108229273A (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
CN106845487A (zh) | 一种端到端的车牌识别方法 | |
CN108229274A (zh) | 多层神经网络模型训练、道路特征识别的方法和装置 | |
CN115457531A (zh) | 用于识别文本的方法和装置 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN112115761B (zh) | 自动驾驶汽车视觉感知系统漏洞检测的对抗样本生成方法 | |
CN106548169A (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
CN113011387B (zh) | 网络训练及人脸活体检测方法、装置、设备及存储介质 | |
CN106997463A (zh) | 一种基于压缩感知域和卷积神经网络的路牌识别方法 | |
CN109977832A (zh) | 一种图像处理方法、装置及存储介质 | |
CN113033305B (zh) | 活体检测方法、装置、终端设备和存储介质 | |
Wu et al. | Real-time vehicle color recognition based on yolo9000 | |
CN109523570B (zh) | 运动参数计算方法及装置 | |
Kurath et al. | OSMDeepOD-Object Detection on Orthophotos with and for VGI | |
Acilo et al. | Traffic sign integrity analysis using deep learning | |
CN108229271A (zh) | 解译遥感图像的方法、装置和电子设备 | |
CN114550016B (zh) | 一种基于上下文信息感知的无人机定位方法及系统 | |
CN113628349B (zh) | 基于场景内容自适应的ar导航方法、设备及可读存储介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN115187497A (zh) | 吸烟检测方法、系统、设备及介质 | |
CN115082873A (zh) | 基于通路融合的图像识别方法、装置及存储介质 |
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 |