CN108256464A - 基于深度学习的高分辨率遥感影像城市道路提取方法 - Google Patents
基于深度学习的高分辨率遥感影像城市道路提取方法 Download PDFInfo
- Publication number
- CN108256464A CN108256464A CN201810029148.6A CN201810029148A CN108256464A CN 108256464 A CN108256464 A CN 108256464A CN 201810029148 A CN201810029148 A CN 201810029148A CN 108256464 A CN108256464 A CN 108256464A
- Authority
- CN
- China
- Prior art keywords
- value
- urban road
- remote sensing
- frame
- road
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习的高分辨率遥感影像城市道路提取方法。基于深度学习的高分辨率遥感影像城市道路提取方法,利用SSD深度学习模型提取高分辨率影像中的城市道路信息的方法,可提高城市道路提取精度;构建了辐射特征损失函数和几何特征损失函数构建方法,结合传统SSD深度学习模型,大幅提高城市道路提取精度,本发明的优点主要体现在:自动化程度高,无需用户干预,提取效率高;基于深度学习目标检测模型,并且构建辐射和几何特征损失函数,城市道路提取精度高;方法可扩展性好,可适当调整模型参数以适用于不同传感器的遥感卫星图像。
Description
技术领域
本发明涉及城市道路提取方法,尤其涉及基于深度学习的高分辨率遥感影 像城市道路提取方法。
背景技术
道路网作为基础地理信息,它的识别和精确定位对于影像理解、GIS数据 获取、制图以及作为其他目标的参照体都有深远意义。如何更好地利用遥感影 像提取道路信息,是近年来的一个重要研究方向。根据自动化程度,道路提取 可分全自动和半自动两种方式。目前国内外学者对于这两种方式的道路提取已 进行了大量的研究。然而,除了一些半自动系统,还没有一种适用范围广的方 法来自动提取道路网络,且大量应用都集中于中低分辨率下的道路或道路网。 传统的基于线状地物的道路提取方法有:Hough变换,基于一阶微分算子的边 缘检测方法等。这种道路提取方法常用于中低分辨率影像中道路的提取,但是高分辨率遥感影像中地物目标的复杂性和多样性决定了使用传统的道路提取方 法不能满足日常实际应用的需要。
随着空间信息技术的飞速发展,影像分辨率逐渐提高,低、中分辨率卫星 影像由于分辨率较低,道路呈线状分布,提取相对容易;在高分辨率遥感影像 中,道路表现为局部灰度值近似、宽度变化缓慢的狭长区域或矩形,不能使用 低分辨率影像中提取道路特征的方法来提取,这使得道路提取变得复杂,在高 分辨率图像中道路与周围环境,尤其是房屋等水泥建筑物的灰度差异变得不是 很明显,道路特征也复杂多变,而且路面噪声,如建筑物和绿化树木的阴影、 路面上的交通线、行人、汽车等,变得不可忽略,由于这些噪声的影像,使得 遥感图像中道路网变得非常凌乱,道路边缘也变得模糊不清。另外,由于停车 场、池塘、建筑物项部、河流等所产生与道路类似的图像特征也给道路提取带 来很大的难度。
目前针对中低分辨率影像的研究很多,而针对高分辨率影像中的道路特征 提取研究还很少,并且当前的道路提取方法在提取效率、速度、适用性和准确 性方面还面临前所未有的困难。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了基于深度学习的高分 辨率遥感影像城市道路提取方法。
为了解决以上技术问题,本发明采用的技术方案是:基于深度学习的高分 辨率遥感影像城市道路提取方法,包括以下步骤:
步骤一、构建训练数据集:选择若干高分辨率遥感影像图片,随机分为训 练数据集和验证数据集;将训练数据集中包含道路的图片标记为正样本,不包 含道路的图片标记为负样本;
步骤二、构建SSD神经网络模型:搭建SSD神经网络模型训练框架,将标注 后的训练数据集输入到SSD神经网络模型中进行迭代训练,得到初始城市道路 分类模型和参数;
步骤三、建立辐射特征损失函数:
f(w)=λ||w||2+∑iyiloggw(xi)+(1-yi)(logl-gw(xi)
其中,λ表示设定的常量,l为预测框,w当前预测框辐射值,gw表示当前 像素值与预测框内像素均值的比值,x为当前点像素值,y为当前点辐射值,取 值{0,1};
步骤四、建立几何特征损失函数:
其中,w表示像素点紧致度,取值(0,1],C为该点距预测框左侧距离 值,m为该点距预测框上边框距离值,x、y为该点坐标值,T为设定的阈值;所 述像素点紧致度w的计算公式为:
其中,Area为区域面积,p为区域周长;
步骤五、利用训练数据集对步骤二得到的初始城市道路分类模型进行迭代 训练,训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价,改进 模型参数,得到优化的城市道路分类模型;利用优化的城市道路分类模型对验 证数据集进行检测;
步骤六、使用优化的城市道路分类模型对待处理的高分辨率遥感影像进行 处理,输出城市道路数据。
进一步地,所述步骤二中,在训练过程中,将位置定位的准确度值和得分 置信度融合起来,根据整体损失函数对模型进行评价,所述整体损失函数公式 为:
其中,Lconf(x,c)为置信度的损失,Lconf(x,l,g)为位置损失,N是匹配的默认 框的个数,x表示匹配的默认框是否属于类别p,取值{0,1};l预测框,g是真实 值;c是指所框选目标属于类别p的置信度;Lconf(x,c)为预测框l和真实值g的损失 函数,α值通过交叉验证设置为1。
进一步地,所述置信度损失的公式如下:
其中,为第i个默认框和对应的第j个真实值,相应的类别为p;x 表示匹配的默认框是否属于类别p,取值{0,1}。
进一步地,所述位置损失的详细公式如下:
其中,N是匹配的默认框的个数,x表示匹配的默认框是否属于类别p,取值 {0,1},l为预测框,g为真实值(ground truth)。(cx,cy)为补偿(regress to offsets-回归偏移)后的默认框d的中心,w、h分别为为默认框的宽和高。
本发明的高分辨率遥感影像城市道路提取方法,利用SSD深度学习模型提 取高分辨率影像中的城市道路信息的方法,可提高城市道路提取精度;构建了 辐射特征损失函数和几何特征损失函数构建方法,结合传统SSD深度学习模 型,大幅提高城市道路提取精度,本发明的优点主要体现在:1.自动化程度 高,无需用户干预,提取效率高。2.基于深度学习目标检测模型,并且构建辐 射和几何特征损失函数,城市道路提取精度高。3.方法可扩展性好,可适当调 整模型参数以适用于不同传感器的遥感卫星图像。
附图说明
图1为本发明提供的方法的流程示意图。
图2为加入辐射和几何损失函数前道路提取的结果。
图3为加入辐射和几何损失函数后道路提取的结果。
图4为待提取的遥感影像图。
图5按本发明的方法为从图4中的遥感影像中提取的道路图。
图6为遥感影像图与本发明提取的城市道路图结合输出的城市道路遥感影 像图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1所示的基于深度学习的高分辨率遥感影像城市道路提取方法,包括以 下步骤:
步骤一:构建训练数据集:选定湖南省作为研究区,利用正负样本标注后 的国产资源三号卫星融合后影像数据(2.1m分辨率,300*300,86800张)作为 数据源,供训练及测试使用;
步骤二:利用Ubuntu14.04+Python2.7+caffe+CPU搭建模型训练框架,将 标注后正负样本数据集输入SSD深度学习模型进行训练迭代,得到初始城市道 路分类模型参数。利用该初始城市道路分类模型对遥感影像道路提取的结果如 图2所示。
在训练过程使用了Smooth L1loss+softmax loss,将位置定位的准确度 值和得分置信度融合起来,从而使得对城市道路的检测和识别都表现出较好的 效果。
整体损失函数公式如下,第一项为置信度的损失,第二项为位置的损失,N为匹配的默认边框的数目,a为平衡因子,交叉验证的时候取值为1。
其中,Lconf(x,c)为置信度的损失,Lconf(x,l,g)为位置损失,N是匹配的默认 框的个数,x表示匹配的默认框是否属于类别p,取值{0,1};l是预测框predicted box,g是真实值ground truth box;c是指所框选目标属于类别p的置信度 confidence。Lconf(x,c)为预测框l和真实值g的Smooth L1loss(损失函数),α值通 过cross validation(交叉验证)设置为1。
位置损失的详细公式如下:
其中,N是匹配的默认框的个数,x表示匹配的默认框是否属于类别p,取值 {0,1},l为预测框,g为真实值,d为默认框,k表示样本中分类类别数。 (cx,cy)为补偿后的默认框的中心,w、h分别为为默认框的宽和高。
置信度损失的公式如下:
其中,为第i个默认框和对应的第j个真实值,相应的类别为p;x 表示匹配的默认框是否属于类别p,取值{0,1}。
步骤三、建立辐射特征损失函数:城市道路的铺面材料一般为水泥和沥青 两大类,其在影像上的的辐射特征表现为内部辐射度比较均匀、与其相邻区域 灰度反差较大,本方法基于此特征构建辐射特征损失函数(公式5),以提高 此类材质提取精度。
f(w)=λ||w||2+∑iyiloggw(xi)+(1-yi)(logf-gw(xi) (5)
其中,λ表示设定的常量,l为预测框,w当前预测框辐射值,gw表示当前 像素值与预测框内像素均值的比值,x为当前点像素值,y为当前点辐射值,取 值{0,1};
步骤四、建立几何特征损失函数:
在高分辨率影像上,城市道路与其他建筑物形状特征区别较明显,呈连续 条带状,宽度变化小,且组成连通的拓扑网络。本方法利用能反应此特征的紧 致度指数(道路紧致度小于建筑物紧致度)(公式6)和长宽比特征(道路长 宽比大于建筑物),构建基于其几何特征构建损失函数,以区分道路和其他建 筑物,提高道路的提取精度。
像素点紧致度w的计算公式为:
其中π为圆周率,p为区域周长,w为紧致度范围,取值(0,1],圆的紧致度为1,正方形的紧致度为π/4,此指数算法简单,运算速度较快。
构建的几何特征损失函数如下:
其中,w表示像素点紧致度,取值(0,1],C为该点距预测框左侧距离 值,m为该点距预测框上边框距离值,x、y为该点坐标值,T为设定的阈值。
步骤五、利用训练数据集对步骤二得到的初始城市道路分类模型进行迭代 训练,训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价,改进 模型参数,得到优化的城市道路分类模型;利用优化的城市道路分类模型对验 证数据集进行检测;
其中,训练的迭代次数是12w次,由于只用CPU进行运算,一天只可迭代 1w+次,程序共运行10天,分辨率在300*300左右,速度为40ms左右,帧率可 达到37fps,速度较快。城市道路检测精度,在log文件里记录mAP(mean average precision)为0.741。训练完成后利用验证数据集进行城市道路检测,结 果显示本方法在高分辨率影像上提取城市道路信息精度较高(mAP=0.741), 且能满足实时应用需要。
步骤六、使用优化的城市道路分类模型对待处理的高分辨率遥感影像进行 处理,输出城市道路数据,输出结果如图4-6所示,图4是待提取的遥感影像 图,用本实施例构建的城市道路分类模型进行处理,获得图5所示的城市道路 图,图6为遥感影像图(图4)与本发明提取的城市道路图(图6)结合输出的 城市道路遥感影像图。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本 技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或 替换,也均属于本发明的保护范围。
Claims (4)
1.基于深度学习的高分辨率遥感影像城市道路提取方法,其特征在于,包括以下步骤:
步骤一、构建训练数据集:选择若干高分辨率遥感影像图片,随机分为训练数据集和验证数据集;将训练数据集中包含道路的图片标记为正样本,不包含道路的图片标记为负样本;
步骤二、构建SSD神经网络模型:搭建SSD神经网络模型训练框架,将标注后的训练数据集输入到SSD神经网络模型中进行迭代训练,得到初始城市道路分类模型和参数;
步骤三、建立辐射特征损失函数:
f(w)=λ||w||2+∑iyiloggw(xi)+(1-yi)(logl-gw(xi).
其中,λ表示设定的常量,l为预测框,w当前预测框辐射值,gw表示当前像素值与预测框内像素均值的比值,x为当前点像素值,y为当前点辐射值,取值{0,1};
步骤四、建立几何特征损失函数:
其中,w表示像素点紧致度,取值(0,1],C为该点距预测框左侧距离值,m为该点距预测框上边框距离值,x、y为该点坐标值,T为设定的阈值;所述像素点紧致度w的计算公式为:
其中,Area为区域面积,p为区域周长;
步骤五、利用训练数据集对步骤二得到的初始城市道路分类模型进行迭代训练,训练过程中使用步骤三和步骤四建立的损失函数对模型进行评价,改进模型参数,得到优化的城市道路分类模型;利用优化的城市道路分类模型对验证数据集进行检测;
步骤六、使用优化的城市道路分类模型对待处理的高分辨率遥感影像进行处理,输出城市道路数据。
2.根据权利要求1所述的基于深度学习的高分辨率遥感影像城市道路提取方法,其特征在于:所述步骤二中,在训练过程中,将位置定位的准确度值和得分置信度融合起来,根据整体损失函数对模型进行评价,所述整体损失函数公式为:
其中,Lconf(x,c)为置信度的损失,Lconf(x,l,g)为位置损失,N是匹配的默认框的个数,x表示匹配的默认框是否属于类别p,取值{0,1};l是预测框,g是真实值;c是指所框选目标属于类别p的置信度;Lconf(x,c)为预测框l和真实值g的损失函数,α值通过交叉验证设置为1。
3.根据权利要求2所述的基于深度学习的高分辨率遥感影像城市道路提取方法,其特征在于:所述置信度损失的公式如下:
其中,为第i个默认框和对应的第j个真实值,相应的类别为p;x表示匹配的默认框是否属于类别p,取值{0,1}。
4.根据权利要求2所述的基于深度学习的高分辨率遥感影像城市道路提取方法,其特征在于:
所述位置损失的详细公式如下:
其中,N是匹配的默认框的个数,x表示匹配的默认框是否属于类别p,取值{0,1},l为预测框,g为真实值,d为默认框,k表示样本中分类类别数;(cx,cy)为补偿后的默认框的中心,w、h分别为为默认框的宽和高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810029148.6A CN108256464B (zh) | 2018-01-12 | 2018-01-12 | 基于深度学习的高分辨率遥感影像城市道路提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810029148.6A CN108256464B (zh) | 2018-01-12 | 2018-01-12 | 基于深度学习的高分辨率遥感影像城市道路提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256464A true CN108256464A (zh) | 2018-07-06 |
CN108256464B CN108256464B (zh) | 2020-08-11 |
Family
ID=62726941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810029148.6A Active CN108256464B (zh) | 2018-01-12 | 2018-01-12 | 基于深度学习的高分辨率遥感影像城市道路提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256464B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877267A (zh) * | 2018-08-06 | 2018-11-23 | 武汉理工大学 | 一种基于车载单目相机的交叉路口检测方法 |
CN109506628A (zh) * | 2018-11-29 | 2019-03-22 | 东北大学 | 一种基于深度学习的卡车环境下目标物测距方法 |
CN110210376A (zh) * | 2019-05-30 | 2019-09-06 | 农业农村部农业生态与资源保护总站 | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 |
CN110348383A (zh) * | 2019-07-11 | 2019-10-18 | 重庆市地理信息中心 | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
CN110472503A (zh) * | 2019-07-11 | 2019-11-19 | 桂林电子科技大学 | 一种道路目标检测方法、装置及存储介质 |
CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
CN111062384A (zh) * | 2019-11-08 | 2020-04-24 | 博云视觉(北京)科技有限公司 | 一种基于深度学习的车窗精确定位方法 |
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 |
CN117635982A (zh) * | 2023-12-07 | 2024-03-01 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于深度学习的面向遥感图像的路网匹配方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
-
2018
- 2018-01-12 CN CN201810029148.6A patent/CN108256464B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423760A (zh) * | 2017-07-21 | 2017-12-01 | 西安电子科技大学 | 基于预分割和回归的深度学习目标检测方法 |
Non-Patent Citations (4)
Title |
---|
STEFAN HINZ ET AL.: "Automatic extraction of urban road networks from multi-view aerial imagery", 《ELSEVIER》 * |
WEI LIU ET AL.: "SSD: Single Shot MultiBox Detector", 《ARXIV》 * |
吴亮 等: "遥感图像自动道路提取方法综述", 《自动化学报》 * |
董占杰 等: "基于道路绿地特征的遥感影像道路信息提取方法研究", 《国土资源遥感》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108877267A (zh) * | 2018-08-06 | 2018-11-23 | 武汉理工大学 | 一种基于车载单目相机的交叉路口检测方法 |
CN109506628A (zh) * | 2018-11-29 | 2019-03-22 | 东北大学 | 一种基于深度学习的卡车环境下目标物测距方法 |
CN110210376A (zh) * | 2019-05-30 | 2019-09-06 | 农业农村部农业生态与资源保护总站 | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 |
CN110348383A (zh) * | 2019-07-11 | 2019-10-18 | 重庆市地理信息中心 | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
CN110472503A (zh) * | 2019-07-11 | 2019-11-19 | 桂林电子科技大学 | 一种道路目标检测方法、装置及存储介质 |
CN110348383B (zh) * | 2019-07-11 | 2020-07-31 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 一种基于卷积神经网络回归的道路中心线和双线提取方法 |
CN110728223A (zh) * | 2019-10-08 | 2020-01-24 | 济南东朔微电子有限公司 | 一种基于深度学习的安全帽佩戴识别方法 |
CN111062384A (zh) * | 2019-11-08 | 2020-04-24 | 博云视觉(北京)科技有限公司 | 一种基于深度学习的车窗精确定位方法 |
CN111062384B (zh) * | 2019-11-08 | 2023-09-08 | 博云视觉(北京)科技有限公司 | 一种基于深度学习的车窗精确定位方法 |
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 |
CN117635982A (zh) * | 2023-12-07 | 2024-03-01 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于深度学习的面向遥感图像的路网匹配方法 |
CN117635982B (zh) * | 2023-12-07 | 2024-06-04 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于深度学习的面向遥感图像的路网匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108256464B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256464A (zh) | 基于深度学习的高分辨率遥感影像城市道路提取方法 | |
CN111461258B (zh) | 耦合卷积神经网络和图卷积网络的遥感影像场景分类方法 | |
Zhang et al. | Fusion of images and point clouds for the semantic segmentation of large-scale 3D scenes based on deep learning | |
Ni et al. | An improved deep network-based scene classification method for self-driving cars | |
Serna et al. | Detection, segmentation and classification of 3D urban objects using mathematical morphology and supervised learning | |
CN111695448B (zh) | 一种基于视觉传感器的路侧车辆识别方法 | |
CN111694010A (zh) | 一种基于视觉与激光雷达融合的路侧车辆识别方法 | |
CN111738113B (zh) | 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法 | |
CN110046572A (zh) | 一种基于深度学习的地标建筑物识别与检测方法 | |
CN108876805B (zh) | 一种端对端无监督场景可通行区域认知与理解方法 | |
CN101770581A (zh) | 高分辨率城区遥感图像中道路中心线的半自动检测方法 | |
CN110399819A (zh) | 一种基于深度学习的遥感影像居民区自动提取方法 | |
CN106355643A (zh) | 一种高速公路三维实景道路模型的生成方法 | |
CN112633140A (zh) | 多光谱遥感图像城中村多类别建筑物语义分割方法及系统 | |
Chen et al. | The mixed kernel function SVM-based point cloud classification | |
CN111666909A (zh) | 基于面向对象和深度学习的疑似污染场地空间识别方法 | |
CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
CN115292913A (zh) | 一种面向车路协同的路测感知仿真系统 | |
CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
Liu et al. | A new multi-channel deep convolutional neural network for semantic segmentation of remote sensing image | |
CN111627103A (zh) | 基于行人活动和密度感知的智慧城市cim成像方法 | |
CN111726535A (zh) | 基于车辆感知的智慧城市cim视频大数据画质控制方法 | |
Chen et al. | Recognition algorithm of street landscape in cold cities with high difference features based on improved neural network | |
CN114581771A (zh) | 一种高分异源遥感坍塌建筑物检测方法 | |
CN110210376A (zh) | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 |
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 |