CN109389051A - 一种基于卷积神经网络的建筑物遥感图像识别方法 - Google Patents
一种基于卷积神经网络的建筑物遥感图像识别方法 Download PDFInfo
- Publication number
- CN109389051A CN109389051A CN201811099700.5A CN201811099700A CN109389051A CN 109389051 A CN109389051 A CN 109389051A CN 201811099700 A CN201811099700 A CN 201811099700A CN 109389051 A CN109389051 A CN 109389051A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional layer
- remote sensing
- sensing images
- convolutional
- 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.)
- Pending
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
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
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)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的建筑物遥感图像识别方法,包括以下步骤:获取原始遥感图像;对原始遥感图像辐射定标;对辐射定标后的遥感图像进行大气校正,对大气校正后的遥感图像进行标注;将大气校正后的遥感图像和标签图进行随机分割,再进行数据增强,构成数据集;搭建语义分割分类器,得到建筑语义分割网络模型;将大气校正后的遥感图像送入建筑语义分割网络模块进行建筑物语义分割,得到建筑语义分割图;本发明的技术方案提高遥感图像的建筑物与非建筑物分类的精确度,解决了遥感图像的建筑物语义分割网络模型中目标的分类和像素位置的确定这两个相互制约的问题。
Description
技术领域
本发明涉及遥感图像监督分类的研究领域,特别涉及一种基于卷积神经网络的建筑物遥感图像识别方法。
背景技术
传统遥感图像分类方法主要有监督分类和面向对象图像分类。监督分类是利用已知的样本的类别去确定未知样本的类别。常用的监督分类有最小距离分类、最大似然分类、支持向量机分类、人工神经网络分类等。面向对象的遥感图像分类方法在分类时不仅依靠地物的光谱特征,更多的是利用其几何信息和结构信息,图像的最小单元不是单个的像素而是对象,后续的图像分析和处理也都是基于对象进行的,分类精度较高。Qikai Lu等人在文献[1]A Novel Clustering-Based Feature Representation for the Classificationof Hyperspectral Imagery中提出了一种用来表达每个像素周围的空间信息的特征,结合多种聚类方法,如:K-means、模糊C-Means、EM算法等,显著提高了地物分类的准确率。郭怡帆等人在文献[2]面向对象的高分辨率遥感影像建筑物轮廓提取研究中提出“自上而下””的面向对象分割分类方法,有助于提高分类精度。对一般城区场景的高密度建筑物提取,总体的精确度为87%。范天航在文献[3]基于高分遥感影像数据的油田地区建筑物信息提取方法研究中提出基于Mean Shift滤波算法的图像分割方法对高分遥感图像进行了对象和空间尺度提取,然后对分割后的地物对象进行了面向对象的多特征提取,最后利用得到的对象特征进行分类,总体的精确度只有70%。Hongjun Su等人在文献[4]OptimizedHyperspectral Band Selection Using Particle Swarm Optimization中提出了基于粒子群优化(PSO)的方法用于地物覆盖的分类,并评估了所提出方法在处理大规模遥感图像的算法复杂度。
随着计算机视觉的快速发展,卷积神经网络在图像的信息提取方面运用越来越广泛。图像的语义分割技术是利用卷积神经网络模型的像素级别的分类,语义分割结果超过很多传统分类的方法,利用卷积神经网络对遥感图像进行分类的技术开始出现。李学龙等人在文献[5]基于红通道和全卷积神经网络的水下光学智能感知方法中提出全卷积神经网络对图像进行智能地语义分割,该方法基于AlexNet网络模型,在最后一个卷积层后面加了一个32倍上采样层。根据所属类别的最大概率确定每个像素的所属类别,得到水下场景的分割图。左童春在文献[6]基于高分辨率可见光遥感图像的建筑物提取技术研究中为场景中不同尺寸的建筑物定制了不同的后处理和轮廓估计方案,再利用多层级融合全卷积神经网络模型等到最后的建筑物语义分割图,精确度为84.2%。
然而,现有技术存在以下缺点:
1、基于高分遥感影像数据的油田地区建筑物信息提取方法研究的缺点:使用统一的结构元素进行形态学操作会产生优化不足或者过度优化的情况,影响了建筑物轮廓的准确度;原因:在对提取后的建筑物形态学优化时,某些空间尺度较大的卫星遥感影像中,不同建筑物的大小差别较大。
2、面向对象的高分辨率遥感影像建筑物轮廓提取研究缺点:没有实现自动化;原因:方法的实现是在已有的软件的基础上进行。
3、基于红通道和全卷积神经网络的水下光学智能感知方法的缺点:网络模型过于单一,虽然最后一个上采样层扩大32倍,输出的特征图再利用卷积层恢复细节,但是得到的图像是分辨率还是很低;原因:一个上采样层扩大32倍,只是恢复池化过程中的一小部分细节,得到的特征图很粗糙。
4、基于高分辨率可见光遥感图像的建筑物提取技术研究的缺点:方法中像素与像素之间的关系考虑的不够充分。也没有充分考虑图像在网络模型中目标的分类和像素位置的确定这两个问题,导致分割结果精度不太好;原因:图像在网络模型中目标的分类和像素位置的确定是两个相互制约的问题,这两个问题会影响分割结果。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于卷积神经网络的建筑物遥感图像识别方法。
本发明的目的通过以下的技术方案实现:
一种基于卷积神经网络的建筑物遥感图像识别方法,包括以下步骤:
S1、获取原始遥感图像;
S2、对原始遥感图像辐射定标,得到辐射定标后的遥感图像;
S3、对辐射定标后的遥感图像进行大气校正,得到大气校正后的遥感图像;对大气校正后的遥感图像每个像素进行标注,得到对应的标签图;
S4、将大气校正后的遥感图像和标签图进行随机分割,得到分割后的遥感图像和分割后的标签图;再进行数据增强,构成数据集;
S5、搭建语义分割分类器,得到建筑语义分割网络模型;
S6、利用数据集对建筑语义分割网络模块进行训练与参数优化,得到最优的建筑语义分割网络模块;
S7、利用最优的建筑语义分割网络模块对建筑物遥感图像进行建筑物语义分割,得到建筑语义分割图,从而对建筑物遥感图像进行分析。
进一步地,所述原始遥感图像由遥感影像数据网站下载和无人机拍摄获取,二者选择其一;
进一步地,步骤S2中,所述辐射定标,具体过程为:使用辐射定标工具,获取原始遥感图像设置面板中的参数,完成辐射定标;
进一步地,步骤S3中,所述标注,具体为,对大气校正后的遥感图像的每个像素进行标注,即对大气校正后的遥感图像中的每个像素分类,每个像素分为建筑或者非建筑中的一类;将分为建筑的像素标注为0,将分为非建筑的像素标注为255,得到与大气校正后的遥感图像大小一样的标签图;所述大气校正,具体过程为:使用大气校正工具,选择辐射定标结构设置面板中的参数,完成大气校正;
进一步地,所述步骤S4中,随机切割具体过程为:对遥感图像进行切割,切割成256×256尺寸的网络模型;原始遥感图像和标签图随机生成x,y坐标,切割该坐标下256×256的小尺寸的图像;
数据增强具体过程为:对每个小尺寸遥感图像做模糊处理:采用均值滤波,设置5×5的模板大小,使卷积框覆盖区域所有像素点与模板相乘后得到的值作为中心像素的值;防止出现过拟合现象;
对每个小尺寸遥感图像做光照调整处理:采用伽马变换提升暗部细节;
对每个小尺寸遥感图像做增加噪声处理:采用高斯噪声和椒盐噪声增加噪声;防止出现过拟合现象;
对每个小尺寸遥感图像和标签图做旋转处理:旋转90°、180°、270°;
对每个小尺寸遥感图像和标签图做镜像处理:沿y轴的镜像操作;
数据增强后的图像构成数据集,将数据集划分成训练集和验证集,训练集与验证集的比例为K,这里K为4:1。
进一步地,所述建筑语义分割网络模型,包含编码器-解码器模块、预测模块;
所述编码器-解码器模块包含卷积层、池化层、上采样层、融合层、全局卷积模块、边界巩固模块;所述全局卷积模块将一个大卷积核拆分为卷积组合,将核大小增加带特征图的空间大小,充分考虑像素与像素之间的关系,保持分割信息,从而提高分类结果;所述边界巩固模块学习边界信息,提高物体像素位置的确定精度,从而细化分类结果;
所述预测模块包含标签预测和sigmoid分类函数;
所述sigmoid分类函数为:
其中,f(zi,j)表示将的值转换为概率范围0到1;zi,j为i像素属于类别j的预测分值。
进一步地,所述建筑语义分割网络模型,从第一卷积层开始,依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一融合层、第二池化层、第八卷积层、第九卷积层、第三池化层、第十卷积层、第十一卷积层、第二融合层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第三融合层、第四池化层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第四融合层、第一上采样层、第五融合层、第二十一卷积层、第二十二卷积层、第二上采样层、第六融合层、第二十三卷积层、第二十四卷积层、第三上采样层、第七融合层、第二十五卷积层、第二十六卷积层、第四上采样层、第八融合层、第二十七卷积层、第二十八卷积层、第二十九卷积层、第三十卷积层、第九融合层、标签预测模块;
所述第一融合层将第五卷积层的输出与第七卷积层的输出进行特征图叠加,所述第二融合层将第三池化层的输出与第十一卷积层的输出进行特征图叠加,所述第三融合层将第十四卷积层的输出与第十六卷积层的输出进行特征图叠加,所述第四融合层将第十八卷积层的输出与第二十卷积层的输出进行特征图叠加,所述第五融合层将第三融合层的输出与第一上采样层的输出进行特征图叠加,所述第六融合层将第九卷积层的输出与第二上采样层的输出进行特征图叠加,所述第七融合层将第一融合层的输出与第三上采样层的输出进行特征图叠加,所述第八融合层将第二卷积层的输出与第四上采样层的输出进行特征图叠加,所述第九融合层将第二十八卷积层的输出与第三十卷积层的输出进行特征图叠加;
所述全局卷积模块包含第一全局卷积模块、第二全局卷积模块;所述第一全局卷积模块由第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一融合层构成;所述第二全局卷积模块由第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第三融合层构成;
所述边界巩固模块包含第一边界巩固模块、第二边界巩固模块、第三边界巩固模块;所述第一边界巩固模块由第十卷积层、第十一卷积层、第二融合层构成;所述第二边界巩固模块由第十九卷积层、第二十卷积层、第四融合层构成;所述第三边界巩固模块由第二十九卷积层、第三十卷积层、第九融合层构成。
进一步地,所述卷积层采用Conv2D,所有的卷积层中步长为单位步长,padding设置为same;所述池化层采用MaxPooling2D,所有的池化层中步长为2;所述上采样层采用UpSampling2D,所有的上采样层中步长为2;融合层采用Concatenate,使前后不同层之间产生特征图相互融合;
所述第一卷积层和第二卷积层,卷积核大小为3*3,卷积核数量为32,激活函数为relu;第一池化层,池化核大小为2*2;第三卷积层,卷积核大小为3*3,卷积核数量为64,激活函数为relu;第四卷积层和第七卷积层,卷积核大小为3*1,卷积核数量为64,激活函数为relu;第五卷积层和第六卷积层,卷积核大小为1*3,卷积核数量为64,激活函数为relu;第二池化层,池化核大小为2*2;第八卷积层和第九卷积层,卷积核大小为3*3,卷积核数量为128,激活函数为relu;第三池化层,池化核大小为2*2;第十卷积层,卷积核大小为3*3,卷积核数量为128;第十一卷积层,卷积核大小为3*3,卷积核数量为128;第十二卷积层,卷积核大小为3*3,卷积核数量为256,激活函数为relu;第十三卷积层和第十六卷积层,卷积核大小为3*1,卷积核数量为256,激活函数为relu;第十四卷积层和第十五卷积层,卷积核大小为1*3,卷积核数量为256,激活函数为relu;第四池化层,池化核大小为2*2;第十七卷积层和第十八卷积层,卷积核大小为3*3,卷积核数量为512,激活函数为relu;第十九卷积层,卷积核大小为3*3,卷积核数量为512,激活函数为relu;第二十卷积层,卷积核大小为3*3,卷积核数量为512;第一上采样层,核大小为2*2,核数量为1024;第二十一卷积层和第二十二卷积层,卷积核大小为3*3,卷积核数量为256,激活函数为relu;第二上采样层,核大小为2*2,核数量为256;第二十三卷积层和第二十四卷积层,卷积核大小为3*3,卷积核数量为128,激活函数为relu;第三上采样层,核大小为2*2,核数量为128;第二十五卷积层和第二十六卷积层,卷积核大小为3*3,卷积核数量为64;第四上采样层,核大小为2*2,核数量为64;第二十七卷积层和第二十八卷积层,卷积核大小为3*3,卷积核数量为32,激活函数为relu;第二十九卷积层,卷积核大小为3*3,卷积核数量为32,第三十卷积层,卷积核大小为3*3,卷积核数量为32;
所述激活函数relu为:
其中,relu(x)表示将输出值进行非线性转化,x为输入值,为对应卷积层的输出结果。
进一步地,所述步骤S6,具体过程为:
深度卷积神经网络的端到端遥感图像语义分割模型搭建后;利用所述数据集对所述语义分割模型进行训练与参数优化,获取最优的网络模型;优化器选择SGD,即随机梯度下降法;学习率为初始化0.01,按每次学习率除以10倍来调整学习率;权值衰减decay=0.0001,动量momentum=0.9;损失函数选择对数损失函数binary_crossentropy;迭代次数设置为M,这里M为30;批大小设置为L,这里L为16;将每次迭代的最佳模型存储起来,迭代结束得到最优的网络模型。
进一步地,所述步骤S7,具体过程为:
基于所述最优的网络模型对目标遥感图像的建筑物语义分割;训练模型时选择的输入图片尺寸大小为256×256,最优的网络模型对想要预测的遥感图像语义分割时也要选择256×256送进模型预测;一般要预测遥感图片的大小大于256×256,模型对图片的分割预测的过程:先给预测遥感图片做填充0操作,得到一副填充过的大图,同时得到一个与该图一样大的全0图A,把图片的尺寸补齐为256的倍数,然后以256为步长切割大图,依次将小图送进模型预测,预测好的小图则放在图A的相应位置上,依次进行,最终得到预测好的整张大图A,再做图片切割,切割成原先图片的尺寸,完成整个遥感图像语义分割流程即完成了建筑物与非建筑物的分类;得到一张黑白图片,建筑物为黑色,非建筑物为白色。
本发明与现有技术相比,具有如下优点和有益效果:
本发明利用深度学习中的卷积神经网络模型解决遥感图像的建筑物语义分割问题即对遥感图像中建筑物与非建筑物进行分类;提供了一种新的端到端深度卷积神经网络模型,端到端为从输入端到输出端直接用一个神经网络相连,从而自动化分类遥感图片中的建筑物与非建筑物。本发明可以提高遥感图像的建筑物与非建筑物分类的精确度,解决了遥感图像的建筑物语义分割网络模型中目标的分类和像素位置的确定这两个相互制约的问题。
附图说明
图1是本发明所述一种基于卷积神经网络的建筑物遥感图像识别方法的方法流程图;
图2是本发明实施例建筑语义分割网络模型的结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
一种基于卷积神经网络的建筑物遥感图像识别方法,如图1所示,包括以下步骤:
第一步:获取原始遥感图像;所述原始遥感图像由遥感影像数据网站下载和无人机拍摄获取,二者选择其一;
第二步:对原始遥感图像辐射定标,得到辐射定标后的遥感图像;所述辐射定标,具体过程为:使用辐射定标工具,获取原始遥感图像设置面板中的参数,完成辐射定标;
第三步:对辐射定标后的遥感图像进行大气校正,得到大气校正后的遥感图像;对大气校正后的遥感图像每个像素进行标注,得到对应的标签图;
所述标注,具体为,对大气校正后的遥感图像的每个像素进行标注,即对大气校正后的遥感图像中的每个像素分类,每个像素分为建筑或者非建筑中的一类;将分为建筑的像素标注为0,将分为非建筑的像素标注为255,得到与大气校正后的遥感图像大小一样的标签图;所述大气校正,具体过程为:使用大气校正工具,选择辐射定标结构设置面板中的参数,完成大气校正;
第四步:将大气校正后的遥感图像和标签图进行随机分割,得到分割后的遥感图像和分割后的标签图;再进行数据增强,构成数据集;
随机切割具体过程为:对遥感图像进行切割,切割成合适网络模型的尺寸大小,这里选择尺寸大小为256×256;原始遥感图像和标签图随机生成x,y坐标,切割该坐标下256×256的小尺寸的图像;
数据增强具体过程为:对每个小尺寸遥感图像做模糊处理:采用均值滤波,设置5×5的模板大小,使卷积框覆盖区域所有像素点与模板相乘后得到的值作为中心像素的值;防止出现过拟合现象;
对每个小尺寸遥感图像做光照调整处理:采用伽马变换提升暗部细节;
对每个小尺寸遥感图像做增加噪声处理:采用高斯噪声和椒盐噪声增加噪声;防止出现过拟合现象;
对每个小尺寸遥感图像和标签图做旋转处理:旋转90°、180°、270°;
对每个小尺寸遥感图像和标签图做镜像处理:沿y轴的镜像操作;
数据增强后的图像构成数据集,将数据集划分成训练集和验证集,训练集与验证集的比例为K,这里K为4:1。
第五步:搭建语义分割分类器,得到建筑语义分割网络模型,如图2所示;
所述建筑语义分割网络模型,包含编码器-解码器模块、预测模块;
所述编码器-解码器模块包含卷积层、池化层、上采样层、融合层、全局卷积模块、边界巩固模块;
所述预测模块包含标签预测和sigmoid分类函数;
所述sigmoid分类函数为:
其中,f(zi,j)表示将的值转换为概率范围0到1;zi,j为i像素属于类别j的预测分值。
所述建筑语义分割网络模型,从第一卷积层开始,依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一融合层、第二池化层、第八卷积层、第九卷积层、第三池化层、第十卷积层、第十一卷积层、第二融合层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第三融合层、第四池化层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第四融合层、第一上采样层、第五融合层、第二十一卷积层、第二十二卷积层、第二上采样层、第六融合层、第二十三卷积层、第二十四卷积层、第三上采样层、第七融合层、第二十五卷积层、第二十六卷积层、第四上采样层、第八融合层、第二十七卷积层、第二十八卷积层、第二十九卷积层、第三十卷积层、第九融合层、标签预测模块;
所述第一融合层将第五卷积层的输出与第七卷积层的输出进行特征图叠加,所述第二融合层将第三池化层的输出与第十一卷积层的输出进行特征图叠加,所述第三融合层将第十四卷积层的输出与第十六卷积层的输出进行特征图叠加,所述第四融合层将第十八卷积层的输出与第二十卷积层的输出进行特征图叠加,所述第五融合层将第三融合层的输出与第一上采样层的输出进行特征图叠加,所述第六融合层将第九卷积层的输出与第二上采样层的输出进行特征图叠加,所述第七融合层将第一融合层的输出与第三上采样层的输出进行特征图叠加,所述第八融合层将第二卷积层的输出与第四上采样层的输出进行特征图叠加,所述第九融合层将第二十八卷积层的输出与第三十卷积层的输出进行特征图叠加;
所述全局卷积模块包含图2中的第一全局卷积模块、第二全局卷积模块;所述第一全局卷积模块由第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一融合层构成;所述第二全局卷积模块由第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第三融合层构成;
所述边界巩固模块包含图2中的第一边界巩固模块、第二边界巩固模块、第三边界巩固模块;所述第一边界巩固模块由第十卷积层、第十一卷积层、第二融合层构成;所述第二边界巩固模块由第十九卷积层、第二十卷积层、第四融合层构成;所述第三边界巩固模块由第二十九卷积层、第三十卷积层、第九融合层构成。
所述卷积层采用Conv2D,所有的卷积层中步长为单位步长,padding设置为same;所述池化层采用MaxPooling2D,所有的池化层中步长为2;所述上采样层采用UpSampling2D,所有的上采样层中步长为2;融合层采用Concatenate,使前后不同层之间产生特征图相互融合;
所述第一卷积层和第二卷积层,卷积核大小为3*3,卷积核数量为32,激活函数为relu;第一池化层,池化核大小为2*2;第三卷积层,卷积核大小为3*3,卷积核数量为64,激活函数为relu;第四卷积层和第七卷积层,卷积核大小为3*1,卷积核数量为64,激活函数为relu;第五卷积层和第六卷积层,卷积核大小为1*3,卷积核数量为64,激活函数为relu;第二池化层,池化核大小为2*2;第八卷积层和第九卷积层,卷积核大小为3*3,卷积核数量为128,激活函数为relu;第三池化层,池化核大小为2*2;第十卷积层,卷积核大小为3*3,卷积核数量为128;第十一卷积层,卷积核大小为3*3,卷积核数量为128;第十二卷积层,卷积核大小为3*3,卷积核数量为256,激活函数为relu;第十三卷积层和第十六卷积层,卷积核大小为3*1,卷积核数量为256,激活函数为relu;第十四卷积层和第十五卷积层,卷积核大小为1*3,卷积核数量为256,激活函数为relu;第四池化层,池化核大小为2*2;第十七卷积层和第十八卷积层,卷积核大小为3*3,卷积核数量为512,激活函数为relu;第十九卷积层,卷积核大小为3*3,卷积核数量为512,激活函数为relu;第二十卷积层,卷积核大小为3*3,卷积核数量为512;第一上采样层,核大小为2*2,核数量为1024;第二十一卷积层和第二十二卷积层,卷积核大小为3*3,卷积核数量为256,激活函数为relu;第二上采样层,核大小为2*2,核数量为256;第二十三卷积层和第二十四卷积层,卷积核大小为3*3,卷积核数量为128,激活函数为relu;第三上采样层,核大小为2*2,核数量为128;第二十五卷积层和第二十六卷积层,卷积核大小为3*3,卷积核数量为64;第四上采样层,核大小为2*2,核数量为64;第二十七卷积层和第二十八卷积层,卷积核大小为3*3,卷积核数量为32,激活函数为relu;第二十九卷积层,卷积核大小为3*3,卷积核数量为32,第三十卷积层,卷积核大小为3*3,卷积核数量为32;
所述激活函数relu为:
其中,relu(x)表示将输出值进行非线性转化,x为输入值,为对应卷积层的输出结果。
第六步:利用数据集对建筑语义分割网络模块进行训练与参数优化,得到最优的建筑语义分割网络模块;
具体过程为:
深度卷积神经网络的端到端遥感图像语义分割模型搭建后;利用所述数据集对所述语义分割模型进行训练与参数优化,获取最优的网络模型;优化器选择SGD,即随机梯度下降法;学习率为初始化0.01,按每次学习率除以10倍来调整学习率;权值衰减decay=0.0001,动量momentum=0.9;损失函数选择对数损失函数binary_crossentropy;迭代次数设置为M,这里M为30;批大小设置为L,这里L为16;将每次迭代的最佳模型存储起来,迭代结束得到最优的网络模型。
第七步:利用最优的建筑语义分割网络模块对建筑物遥感图像进行建筑物语义分割,得到建筑语义分割图,从而对建筑物遥感图像进行分析;
具体过程为:
基于所述最优的网络模型对目标遥感图像的建筑物语义分割;训练模型时选择的输入图片尺寸大小为256×256,最优的网络模型对想要预测的遥感图像语义分割时也要选择256×256送进模型预测;一般要预测遥感图片的大小大于256×256,模型对图片的分割预测的过程:先给预测遥感图片做填充0操作,得到一副填充过的大图,同时得到一个与该图一样大的全0图A,把图片的尺寸补齐为256的倍数,然后以256为步长切割大图,依次将小图送进模型预测,预测好的小图则放在图A的相应位置上,依次进行,最终得到预测好的整张大图A,再做图片切割,切割成原先图片的尺寸,完成整个遥感图像语义分割流程即完成了建筑物与非建筑物的分类;得到一张黑白图片,建筑物为黑色,非建筑物为白色。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,包括以下步骤:
S1、获取原始遥感图像;
S2、对原始遥感图像辐射定标,得到辐射定标后的遥感图像;
S3、对辐射定标后的遥感图像进行大气校正,得到大气校正后的遥感图像;对大气校正后的遥感图像每个像素进行标注,得到对应的标签图;
S4、将大气校正后的遥感图像和标签图进行随机分割,得到分割后的遥感图像和分割后的标签图;再进行数据增强,构成数据集;
S5、搭建语义分割分类器,得到建筑语义分割网络模型;
S6、利用数据集对建筑语义分割网络模块进行训练与参数优化,得到最优的建筑语义分割网络模块;
S7、利用最优的建筑语义分割网络模块对建筑物遥感图像进行建筑物语义分割,得到建筑语义分割图,从而对建筑物遥感图像进行分析。
2.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,所述原始遥感图像由遥感影像数据网站下载和无人机拍摄获取,二者选择其一。
3.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,步骤S2中,所述辐射定标,具体过程为:使用辐射定标工具,获取原始遥感图像设置面板中的参数,完成辐射定标。
4.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,步骤S3中,所述标注,具体为,对大气校正后的遥感图像的每个像素进行标注,即对大气校正后的遥感图像中的每个像素分类,每个像素分为建筑或者非建筑中的一类;将分为建筑的像素标注为0,将分为非建筑的像素标注为255,得到与大气校正后的遥感图像大小一样的标签图;所述大气校正,具体过程为:使用大气校正工具,选择辐射定标结构设置面板中的参数,完成大气校正。
5.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,所述步骤S4中,随机切割具体过程为:对遥感图像进行切割,切割成256×256尺寸的网络模型;原始遥感图像和标签图随机生成x,y坐标,切割该坐标下256×256的小尺寸的图像;
数据增强具体过程为:对每个小尺寸遥感图像做模糊处理:采用均值滤波,设置5×5的模板大小,使卷积框覆盖区域所有像素点与模板相乘后得到的值作为中心像素的值;防止出现过拟合现象;
对每个小尺寸遥感图像做光照调整处理:采用伽马变换提升暗部细节;
对每个小尺寸遥感图像做增加噪声处理:采用高斯噪声和椒盐噪声增加噪声;防止出现过拟合现象;
对每个小尺寸遥感图像和标签图做旋转处理:旋转90°、180°、270°;
对每个小尺寸遥感图像和标签图做镜像处理:沿y轴的镜像操作;
数据增强后的图像构成数据集,将数据集划分成训练集和验证集,训练集与验证集的比例为K,这里K为4:1。
6.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,步骤S5中,所述建筑语义分割网络模型,包含编码器-解码器模块、预测模块;
所述编码器-解码器模块包含卷积层、池化层、上采样层、融合层、全局卷积模块、边界巩固模块;
所述预测模块包含标签预测和sigmoid分类函数;
所述sigmoid分类函数为:
其中,f(zi,j)表示将的值转换为概率范围0到1;zi,j为i像素属于类别j的预测分值。
7.根据权利要求6所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,所述建筑语义分割网络模型,从第一卷积层开始,依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一融合层、第二池化层、第八卷积层、第九卷积层、第三池化层、第十卷积层、第十一卷积层、第二融合层、第十二卷积层、第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第三融合层、第四池化层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第四融合层、第一上采样层、第五融合层、第二十一卷积层、第二十二卷积层、第二上采样层、第六融合层、第二十三卷积层、第二十四卷积层、第三上采样层、第七融合层、第二十五卷积层、第二十六卷积层、第四上采样层、第八融合层、第二十七卷积层、第二十八卷积层、第二十九卷积层、第三十卷积层、第九融合层、标签预测模块;
所述第一融合层将第五卷积层的输出与第七卷积层的输出进行特征图叠加,所述第二融合层将第三池化层的输出与第十一卷积层的输出进行特征图叠加,所述第三融合层将第十四卷积层的输出与第十六卷积层的输出进行特征图叠加,所述第四融合层将第十八卷积层的输出与第二十卷积层的输出进行特征图叠加,所述第五融合层将第三融合层的输出与第一上采样层的输出进行特征图叠加,所述第六融合层将第九卷积层的输出与第二上采样层的输出进行特征图叠加,所述第七融合层将第一融合层的输出与第三上采样层的输出进行特征图叠加,所述第八融合层将第二卷积层的输出与第四上采样层的输出进行特征图叠加,所述第九融合层将第二十八卷积层的输出与第三十卷积层的输出进行特征图叠加;
所述全局卷积模块包含第一全局卷积模块、第二全局卷积模块;所述第一全局卷积模块由第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一融合层构成;所述第二全局卷积模块由第十三卷积层、第十四卷积层、第十五卷积层、第十六卷积层、第三融合层构成;
所述边界巩固模块包含第一边界巩固模块、第二边界巩固模块、第三边界巩固模块;所述第一边界巩固模块由第十卷积层、第十一卷积层、第二融合层构成;所述第二边界巩固模块由第十九卷积层、第二十卷积层、第四融合层构成;所述第三边界巩固模块由第二十九卷积层、第三十卷积层、第九融合层构成。
8.根据权利要求7所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,所述卷积层采用Conv2D,所有的卷积层中步长为单位步长,padding设置为same;所述池化层采用MaxPooling2D,所有的池化层中步长为2;所述上采样层采用UpSampling2D,所有的上采样层中步长为2;融合层采用Concatenate,使前后不同层之间产生特征图相互融合;
所述第一卷积层和第二卷积层,卷积核大小为3*3,卷积核数量为32,激活函数为relu;第一池化层,池化核大小为2*2;第三卷积层,卷积核大小为3*3,卷积核数量为64,激活函数为relu;第四卷积层和第七卷积层,卷积核大小为3*1,卷积核数量为64,激活函数为relu;第五卷积层和第六卷积层,卷积核大小为1*3,卷积核数量为64,激活函数为relu;第二池化层,池化核大小为2*2;第八卷积层和第九卷积层,卷积核大小为3*3,卷积核数量为128,激活函数为relu;第三池化层,池化核大小为2*2;第十卷积层,卷积核大小为3*3,卷积核数量为128;第十一卷积层,卷积核大小为3*3,卷积核数量为128;第十二卷积层,卷积核大小为3*3,卷积核数量为256,激活函数为relu;第十三卷积层和第十六卷积层,卷积核大小为3*1,卷积核数量为256,激活函数为relu;第十四卷积层和第十五卷积层,卷积核大小为1*3,卷积核数量为256,激活函数为relu;第四池化层,池化核大小为2*2;第十七卷积层和第十八卷积层,卷积核大小为3*3,卷积核数量为512,激活函数为relu;第十九卷积层,卷积核大小为3*3,卷积核数量为512,激活函数为relu;第二十卷积层,卷积核大小为3*3,卷积核数量为512;第一上采样层,核大小为2*2,核数量为1024;第二十一卷积层和第二十二卷积层,卷积核大小为3*3,卷积核数量为256,激活函数为relu;第二上采样层,核大小为2*2,核数量为256;第二十三卷积层和第二十四卷积层,卷积核大小为3*3,卷积核数量为128,激活函数为relu;第三上采样层,核大小为2*2,核数量为128;第二十五卷积层和第二十六卷积层,卷积核大小为3*3,卷积核数量为64;第四上采样层,核大小为2*2,核数量为64;第二十七卷积层和第二十八卷积层,卷积核大小为3*3,卷积核数量为32,激活函数为relu;第二十九卷积层,卷积核大小为3*3,卷积核数量为32,第三十卷积层,卷积核大小为3*3,卷积核数量为32;
所述激活函数relu为:
其中,relu(x)表示将输出值进行非线性转化,x为输入值,为对应卷积层的输出结果。
9.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,所述步骤S6,具体过程为:
深度卷积神经网络的端到端遥感图像语义分割模型搭建后;利用所述数据集对所述语义分割模型进行训练与参数优化,获取最优的网络模型;优化器选择SGD,即随机梯度下降法;学习率为初始化0.01,按每次学习率除以10倍来调整学习率;权值衰减decay=0.0001,动量momentum=0.9;损失函数选择对数损失函数binary_crossentropy;迭代次数设置为M,这里M为30;批大小设置为L,这里L为16;将每次迭代的最佳模型存储起来,迭代结束得到最优的网络模型。
10.根据权利要求1所述的一种基于卷积神经网络的建筑物遥感图像识别方法,其特征在于,所述步骤S7,具体过程为:
基于所述最优的网络模型对目标遥感图像的建筑物语义分割;训练模型时选择的输入图片尺寸大小为256×256,最优的网络模型对想要预测的遥感图像语义分割时也要选择256×256送进模型预测;一般要预测遥感图片的大小大于256×256,模型对图片的分割预测的过程:先给预测遥感图片做填充0操作,得到一副填充过的大图,同时得到一个与该图一样大的全0图A,把图片的尺寸补齐为256的倍数,然后以256为步长切割大图,依次将小图送进模型预测,预测好的小图则放在图A的相应位置上,依次进行,最终得到预测好的整张大图A,再做图片切割,切割成原先图片的尺寸,完成整个遥感图像语义分割流程即完成了建筑物与非建筑物的分类;得到一张黑白图片,建筑物为黑色,非建筑物为白色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811099700.5A CN109389051A (zh) | 2018-09-20 | 2018-09-20 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811099700.5A CN109389051A (zh) | 2018-09-20 | 2018-09-20 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109389051A true CN109389051A (zh) | 2019-02-26 |
Family
ID=65417720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811099700.5A Pending CN109389051A (zh) | 2018-09-20 | 2018-09-20 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389051A (zh) |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN109919218A (zh) * | 2019-02-28 | 2019-06-21 | 上海交通大学 | 混合连接的多任务fcn模型系统 |
CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN110111371A (zh) * | 2019-04-16 | 2019-08-09 | 昆明理工大学 | 一种基于卷积神经网络的斑点图图像配准方法 |
CN110110682A (zh) * | 2019-05-14 | 2019-08-09 | 西安电子科技大学 | 遥感图像的语义立体重构方法 |
CN110147733A (zh) * | 2019-04-16 | 2019-08-20 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
CN110197505A (zh) * | 2019-05-30 | 2019-09-03 | 西安电子科技大学 | 基于深度网络及语义信息的遥感图像双目立体匹配方法 |
CN110287777A (zh) * | 2019-05-16 | 2019-09-27 | 西北大学 | 一种自然场景下的金丝猴躯体分割算法 |
CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
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 |
CN110399820A (zh) * | 2019-07-16 | 2019-11-01 | 西安工程大学 | 一种公路路边景物视觉识别分析方法 |
CN110443862A (zh) * | 2019-06-28 | 2019-11-12 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
CN110532914A (zh) * | 2019-08-20 | 2019-12-03 | 西安电子科技大学 | 基于精细特征学习的建筑物检测方法 |
CN110543872A (zh) * | 2019-09-12 | 2019-12-06 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及系统 |
CN111008986A (zh) * | 2019-11-20 | 2020-04-14 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
CN111242895A (zh) * | 2019-12-31 | 2020-06-05 | 福建工程学院 | 一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法 |
CN111259900A (zh) * | 2020-01-13 | 2020-06-09 | 河海大学 | 一种卫星遥感图像的语义分割方法 |
CN111489421A (zh) * | 2020-03-24 | 2020-08-04 | 广东融合通信股份有限公司 | 一种卫星地图切分建筑重新组合方法 |
CN111985274A (zh) * | 2019-05-23 | 2020-11-24 | 中国科学院沈阳自动化研究所 | 一种基于卷积神经网络的遥感图像分割算法 |
CN111985487A (zh) * | 2020-08-31 | 2020-11-24 | 香港中文大学(深圳) | 一种遥感影像目标提取方法、电子设备及存储介质 |
CN112084923A (zh) * | 2020-09-01 | 2020-12-15 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
CN112084859A (zh) * | 2020-08-06 | 2020-12-15 | 浙江工业大学 | 一种基于稠密边界块和注意力机制的建筑物分割方法 |
CN112329852A (zh) * | 2020-11-05 | 2021-02-05 | 西安泽塔云科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
CN112560577A (zh) * | 2020-11-13 | 2021-03-26 | 空间信息产业发展股份有限公司 | 一种基于语义分割的遥感图像地物分类方法 |
CN112633140A (zh) * | 2020-12-21 | 2021-04-09 | 华南农业大学 | 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 |
CN113033714A (zh) * | 2021-05-24 | 2021-06-25 | 华中师范大学 | 多模态多粒度遥感影像面向对象自动机器学习方法及系统 |
CN113065412A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 基于改进的Deeplabv3+的航拍图像电磁介质语义识别方法及装置 |
CN113139550A (zh) * | 2021-03-29 | 2021-07-20 | 山东科技大学 | 一种基于深度语义分割网络的遥感影像海岸线提取方法 |
CN113255607A (zh) * | 2021-06-30 | 2021-08-13 | 北京道达天际科技有限公司 | 基于多模型融合的遥感房屋检测方法及装置 |
CN113516135A (zh) * | 2021-06-23 | 2021-10-19 | 江苏师范大学 | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 |
WO2021213068A1 (zh) * | 2020-04-22 | 2021-10-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像显示方法、装置、设备及介质 |
CN113989662A (zh) * | 2021-10-18 | 2022-01-28 | 中国电子科技集团公司第五十二研究所 | 一种基于自监督机制的遥感图像细粒度目标识别方法 |
CN114494910A (zh) * | 2022-04-18 | 2022-05-13 | 陕西自然资源勘测规划设计院有限公司 | 一种基于遥感图像的设施农用地多类别识别与分类方法 |
CN115082778A (zh) * | 2022-04-28 | 2022-09-20 | 中国农业科学院农业信息研究所 | 一种基于多分支学习的宅基地识别方法及系统 |
CN116052019A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 |
CN116452972A (zh) * | 2023-03-17 | 2023-07-18 | 兰州交通大学 | 一种基于Transformer端到端的遥感图像车辆目标检测方法 |
US11967071B2 (en) * | 2019-09-18 | 2024-04-23 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, apparatus, and medium for training recognition model and recognizing fundus features |
US11995827B2 (en) | 2020-04-22 | 2024-05-28 | Tencent Technology (Shenzhen) Company Limited | Image display method and apparatus for detecting abnormal object based on artificial intelligence, device, and medium |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN107679441A (zh) * | 2017-02-14 | 2018-02-09 | 郑州大学 | 基于多时相遥感影像阴影提取城市建筑物高度的方法 |
CN108009629A (zh) * | 2017-11-20 | 2018-05-08 | 天津大学 | 一种基于全卷积台标分割网络的台标分割方法 |
CN108491854A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于sf-rcnn的光学遥感图像目标检测方法 |
CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
-
2018
- 2018-09-20 CN CN201811099700.5A patent/CN109389051A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076438A1 (en) * | 2015-08-31 | 2017-03-16 | Cape Analytics, Inc. | Systems and methods for analyzing remote sensing imagery |
CN107679441A (zh) * | 2017-02-14 | 2018-02-09 | 郑州大学 | 基于多时相遥感影像阴影提取城市建筑物高度的方法 |
CN106909924A (zh) * | 2017-02-18 | 2017-06-30 | 北京工业大学 | 一种基于深度显著性的遥感影像快速检索方法 |
CN107610141A (zh) * | 2017-09-05 | 2018-01-19 | 华南理工大学 | 一种基于深度学习的遥感图像语义分割方法 |
CN108009629A (zh) * | 2017-11-20 | 2018-05-08 | 天津大学 | 一种基于全卷积台标分割网络的台标分割方法 |
CN108491854A (zh) * | 2018-02-05 | 2018-09-04 | 西安电子科技大学 | 基于sf-rcnn的光学遥感图像目标检测方法 |
CN108537192A (zh) * | 2018-04-17 | 2018-09-14 | 福州大学 | 一种基于全卷积网络的遥感影像地表覆盖分类方法 |
Non-Patent Citations (3)
Title |
---|
WANG SHAONA ETAL: "SAR image target recognition via Complementary Spatial Pyramid Coding", 《HTTPS://LINKINGHUB.ELSEVIER.COM/RETRIEVE/PII/S0925231216003106》 * |
伍广明等: "基于U型卷积神经网络的航空影像建筑物检测", 《测绘学报》 * |
肖朝霞等: "图像语义分割问题研究综述", 《软件导刊》 * |
Cited By (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919218A (zh) * | 2019-02-28 | 2019-06-21 | 上海交通大学 | 混合连接的多任务fcn模型系统 |
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN109934153B (zh) * | 2019-03-07 | 2023-06-20 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
CN110111371B (zh) * | 2019-04-16 | 2023-04-18 | 昆明理工大学 | 一种基于卷积神经网络的斑点图图像配准方法 |
CN110111371A (zh) * | 2019-04-16 | 2019-08-09 | 昆明理工大学 | 一种基于卷积神经网络的斑点图图像配准方法 |
CN110147733B (zh) * | 2019-04-16 | 2020-04-14 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
CN110147733A (zh) * | 2019-04-16 | 2019-08-20 | 北京航空航天大学 | 一种跨域的大范围场景生成方法 |
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 |
CN110110682A (zh) * | 2019-05-14 | 2019-08-09 | 西安电子科技大学 | 遥感图像的语义立体重构方法 |
CN110287777A (zh) * | 2019-05-16 | 2019-09-27 | 西北大学 | 一种自然场景下的金丝猴躯体分割算法 |
CN111985274A (zh) * | 2019-05-23 | 2020-11-24 | 中国科学院沈阳自动化研究所 | 一种基于卷积神经网络的遥感图像分割算法 |
CN111985274B (zh) * | 2019-05-23 | 2023-08-04 | 中国科学院沈阳自动化研究所 | 一种基于卷积神经网络的遥感图像分割方法 |
CN110197505A (zh) * | 2019-05-30 | 2019-09-03 | 西安电子科技大学 | 基于深度网络及语义信息的遥感图像双目立体匹配方法 |
CN110197505B (zh) * | 2019-05-30 | 2022-12-02 | 西安电子科技大学 | 基于深度网络及语义信息的遥感图像双目立体匹配方法 |
CN110298844A (zh) * | 2019-06-17 | 2019-10-01 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
CN110298844B (zh) * | 2019-06-17 | 2021-06-29 | 艾瑞迈迪科技石家庄有限公司 | X光造影图像血管分割与识别方法及装置 |
CN110443862B (zh) * | 2019-06-28 | 2022-10-14 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
CN110443862A (zh) * | 2019-06-28 | 2019-11-12 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
CN110399820A (zh) * | 2019-07-16 | 2019-11-01 | 西安工程大学 | 一种公路路边景物视觉识别分析方法 |
CN110532914A (zh) * | 2019-08-20 | 2019-12-03 | 西安电子科技大学 | 基于精细特征学习的建筑物检测方法 |
CN110543872B (zh) * | 2019-09-12 | 2023-04-18 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
CN110543872A (zh) * | 2019-09-12 | 2019-12-06 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
US11967071B2 (en) * | 2019-09-18 | 2024-04-23 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, apparatus, and medium for training recognition model and recognizing fundus features |
CN110852225A (zh) * | 2019-10-31 | 2020-02-28 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
CN110852225B (zh) * | 2019-10-31 | 2022-05-06 | 中国地质大学(武汉) | 基于深度卷积神经网络的遥感影像红树林提取方法及系统 |
CN111191500A (zh) * | 2019-11-12 | 2020-05-22 | 广东融合通信股份有限公司 | 一种基于深度学习图像分割的光伏屋顶资源识别方法 |
CN110852393A (zh) * | 2019-11-14 | 2020-02-28 | 吉林高分遥感应用研究院有限公司 | 一种遥感图像的分割方法及系统 |
CN111008986B (zh) * | 2019-11-20 | 2023-09-05 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
CN111008986A (zh) * | 2019-11-20 | 2020-04-14 | 天津大学 | 一种基于多任务半卷积的遥感图像分割方法 |
CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
CN111242895A (zh) * | 2019-12-31 | 2020-06-05 | 福建工程学院 | 一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法 |
CN111242895B (zh) * | 2019-12-31 | 2023-04-18 | 福建工程学院 | 一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法 |
CN111259900A (zh) * | 2020-01-13 | 2020-06-09 | 河海大学 | 一种卫星遥感图像的语义分割方法 |
CN111489421B (zh) * | 2020-03-24 | 2023-09-19 | 广东融合通信股份有限公司 | 一种卫星地图切分建筑重新组合方法 |
CN111489421A (zh) * | 2020-03-24 | 2020-08-04 | 广东融合通信股份有限公司 | 一种卫星地图切分建筑重新组合方法 |
US11995827B2 (en) | 2020-04-22 | 2024-05-28 | Tencent Technology (Shenzhen) Company Limited | Image display method and apparatus for detecting abnormal object based on artificial intelligence, device, and medium |
WO2021213068A1 (zh) * | 2020-04-22 | 2021-10-28 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像显示方法、装置、设备及介质 |
CN112084859B (zh) * | 2020-08-06 | 2024-02-09 | 浙江工业大学 | 一种基于稠密边界块和注意力机制的建筑物分割方法 |
CN112084859A (zh) * | 2020-08-06 | 2020-12-15 | 浙江工业大学 | 一种基于稠密边界块和注意力机制的建筑物分割方法 |
CN111985487B (zh) * | 2020-08-31 | 2024-03-19 | 香港中文大学(深圳) | 一种遥感影像目标提取方法、电子设备及存储介质 |
CN111985487A (zh) * | 2020-08-31 | 2020-11-24 | 香港中文大学(深圳) | 一种遥感影像目标提取方法、电子设备及存储介质 |
CN112084923B (zh) * | 2020-09-01 | 2023-12-22 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
CN112084923A (zh) * | 2020-09-01 | 2020-12-15 | 西安电子科技大学 | 一种遥感图像语义分割方法、存储介质及计算设备 |
CN112329852A (zh) * | 2020-11-05 | 2021-02-05 | 西安泽塔云科技股份有限公司 | 地表覆盖影像的分类方法、装置和电子设备 |
CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
CN112464745B (zh) * | 2020-11-09 | 2023-07-07 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
CN112560577A (zh) * | 2020-11-13 | 2021-03-26 | 空间信息产业发展股份有限公司 | 一种基于语义分割的遥感图像地物分类方法 |
CN112633140A (zh) * | 2020-12-21 | 2021-04-09 | 华南农业大学 | 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 |
CN112633140B (zh) * | 2020-12-21 | 2023-09-01 | 华南农业大学 | 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 |
CN113065412A (zh) * | 2021-03-12 | 2021-07-02 | 武汉大学 | 基于改进的Deeplabv3+的航拍图像电磁介质语义识别方法及装置 |
CN113139550A (zh) * | 2021-03-29 | 2021-07-20 | 山东科技大学 | 一种基于深度语义分割网络的遥感影像海岸线提取方法 |
CN113033714A (zh) * | 2021-05-24 | 2021-06-25 | 华中师范大学 | 多模态多粒度遥感影像面向对象自动机器学习方法及系统 |
CN113516135A (zh) * | 2021-06-23 | 2021-10-19 | 江苏师范大学 | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 |
CN113516135B (zh) * | 2021-06-23 | 2023-10-31 | 江苏师范大学 | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 |
CN113255607A (zh) * | 2021-06-30 | 2021-08-13 | 北京道达天际科技有限公司 | 基于多模型融合的遥感房屋检测方法及装置 |
CN113989662A (zh) * | 2021-10-18 | 2022-01-28 | 中国电子科技集团公司第五十二研究所 | 一种基于自监督机制的遥感图像细粒度目标识别方法 |
CN114494910B (zh) * | 2022-04-18 | 2022-09-06 | 陕西自然资源勘测规划设计院有限公司 | 一种基于遥感图像的设施农用地多类别识别与分类方法 |
CN114494910A (zh) * | 2022-04-18 | 2022-05-13 | 陕西自然资源勘测规划设计院有限公司 | 一种基于遥感图像的设施农用地多类别识别与分类方法 |
CN115082778A (zh) * | 2022-04-28 | 2022-09-20 | 中国农业科学院农业信息研究所 | 一种基于多分支学习的宅基地识别方法及系统 |
CN116452972A (zh) * | 2023-03-17 | 2023-07-18 | 兰州交通大学 | 一种基于Transformer端到端的遥感图像车辆目标检测方法 |
CN116052019B (zh) * | 2023-03-31 | 2023-07-25 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 |
CN116052019A (zh) * | 2023-03-31 | 2023-05-02 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389051A (zh) | 一种基于卷积神经网络的建筑物遥感图像识别方法 | |
CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
Chen et al. | Research of improving semantic image segmentation based on a feature fusion model | |
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
Giang et al. | U-Net convolutional networks for mining land cover classification based on high-resolution UAV imagery | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN111797779A (zh) | 基于区域注意力多尺度特征融合的遥感图像语义分割方法 | |
CN108509978A (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN109461157A (zh) | 基于多级特征融合及高斯条件随机场的图像语义分割方法 | |
Abdollahi et al. | Improving road semantic segmentation using generative adversarial network | |
CN106909924A (zh) | 一种基于深度显著性的遥感影像快速检索方法 | |
CN111259828A (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
Zhu et al. | ED-Net: Automatic building extraction from high-resolution aerial images with boundary information | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
CN113256649B (zh) | 一种基于深度学习的遥感图像选站选线语义分割方法 | |
WO2023030182A1 (zh) | 图像生成方法及装置 | |
CN108537121A (zh) | 气象环境参数与图像信息融合的自适应遥感场景分类方法 | |
CN114092487A (zh) | 目标果实实例分割方法及系统 | |
CN113034506A (zh) | 遥感图像语义分割方法、装置、计算机设备和存储介质 | |
CN113378897A (zh) | 基于神经网络的遥感图像分类方法、计算设备及存储介质 | |
CN116912708A (zh) | 一种基于深度学习的遥感影像建筑物提取方法 | |
CN115861619A (zh) | 一种递归残差双注意力核点卷积网络的机载LiDAR城市点云语义分割方法与系统 | |
CN108268878A (zh) | 三维全卷积网络实现设备 | |
CN114782798A (zh) | 一种基于注意力融合的水下目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190226 |
|
RJ01 | Rejection of invention patent application after publication |