CN110348404B - 一种农村道路景观视觉评价分析方法 - Google Patents

一种农村道路景观视觉评价分析方法 Download PDF

Info

Publication number
CN110348404B
CN110348404B CN201910638396.5A CN201910638396A CN110348404B CN 110348404 B CN110348404 B CN 110348404B CN 201910638396 A CN201910638396 A CN 201910638396A CN 110348404 B CN110348404 B CN 110348404B
Authority
CN
China
Prior art keywords
building
training
network
rural road
convolution
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
Application number
CN201910638396.5A
Other languages
English (en)
Other versions
CN110348404A (zh
Inventor
毛攀云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huzhou University
Original Assignee
Huzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huzhou University filed Critical Huzhou University
Priority to CN201910638396.5A priority Critical patent/CN110348404B/zh
Publication of CN110348404A publication Critical patent/CN110348404A/zh
Application granted granted Critical
Publication of CN110348404B publication Critical patent/CN110348404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种农村道路景观视觉评价分析方法，属于视觉识别领域，使用图像采集装置对农村道路两边景物进行图像采集；人工建筑物标记，识别建筑物特征点，收集训练图片；将训练图片输入神经网络中进行训练得到深度学习模型；采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；根据路边景物建筑物所占权重进行评价路边视觉效果。本发明具有识别率高，响应速度快等优点，能够快速的对长距离的道路景观进行评价。使得处理速度快，可使识别率可以达到98%以上，并使识别时间在50毫秒左右，大大提高道路景观的视觉效果的评价速度。

Description

一种农村道路景观视觉评价分析方法
技术领域
本发明涉及装修设计领领域，尤其涉及一种农村道路景观视觉评价分析方法。
背景技术
农村道路景观是道路与其周围环境的一个综合景观体系，是由道路两侧的垂直景观(绿化、建筑、农田、山体等)和水平景观(路面、边坡等)所构成。农村景观视觉质量评价是农村景观规划开发的科学基础和依据。视觉景观评价，侧重于分析景观要素及特征对视觉感知的影响，以心理物理学方法占据主导地位。近年来学界关于景观质量的研究尚未形成新的评价方法，仍沿用美景度评估法、SD语义差异法等，多种方法的结合使用已经成为一种共同的趋势。
但是上述的道路评价方法只是在评价方面进行详细的确定归类分析，在前期的道路路边的建筑类别的识别方面做得比较的粗糙，使得影响了后面的评价，并且上述的评价方法中效率比较低，不能快速的对道路两边的视觉进行评价，因此，需要设计出以后总能够快速评价的方法。
发明内容
本发明的目的在于提供一种农村道路景观视觉评价分析方法，以解决现有道路视觉评价效率低，不能满足道路视觉快速评价的技术问题。
一种农村道路景观视觉评价分析方法，所述方法包括如下步骤：所述方法包括如下步骤：
步骤1：使用图像采集装置对农村道路两边景物进行图像采集；
步骤2： 人工建筑物标记，识别建筑物特征点，收集训练图片；
步骤3： 将训练图片输入神经网络中进行训练得到深度学习模型；
步骤4： 采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；
步骤5： 识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；
步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果。
进一步地，所述步骤1的具体过程为：
使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。
进一步地，所述步骤2的具体过程为：
使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签；
标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。
进一步地，所述步骤3的具体过程为：
将训练集输入卷积神经网络中，使用改进的卷积神经网络进行训练，训练迭代学习输出最优深度学习模型，得到权重参数文件；
卷积神经网络中的网络参数初始化，加载设置好的超参数与模型配置文件，将制作好的数据集，将训练集数据输入卷积神经网络中，其中，输入图片的结构是4通道520*520像素尺寸的图片，通过传入输入层图片数据、每层的边界框数和类别数，调用网络核心方法，构建网络模块，网络为全卷积层，含有残差网络结构，通过正向传播训练输出最优损失函数，并使用随机梯度下降方法优化反向传播过程，更新权重偏置等参数，训练迭代学习输出深度学习模型，得到权重参数文件分批次训练数据；
网络由卷积层以不同形式链接形成的残差网络结构，是一种组合形式的卷积操作以不同组合构成，这种组合由一个卷积层，一个批正则化层与一个以带泄露的线性修正函数为激活函数的网络层的结合构成，组合包括卷积操作，卷积操作之后的数据批正则化操作以及对数据进行输入到激活函数中的操作，整个网络将这种组合形式的卷积结构两个或多个相连构成一个小型结构，这种小型结构中的前后两个卷积层使用的卷积核维度不同，使用1*1的卷积层与3*3卷积层交替组成，达到神经网络深度的增加，之后将这种小型结构的输出结果与前层小型网络或者卷积结构输出相加，构成残差网络结构short连接形式，并输入线性单元激活函数，最后图像信息数据经过1*1卷积核的卷积层输入线性激活函数，将输出结果输出，网络共由22部分构成，每一部分中包含的卷积核的数量以及结构不同，在网络模型中，最后建筑物信息由一个输出值得到，由三个主要输出值通过重合度计算得到，三个输出值均由卷积操作后输入激活函数输出得到，每个输出值包含10种预测框对应值，输出值的过程中使用非极大值抑制保证对每个对象只检测一次，找出概率最大的边界框，通过维度聚类方法来预测边界框并用逻辑回归预测对象分数，每个边界框对应四个数据，分别为中心点坐标以及边界框的宽度与高度，训练中使用二元交叉熵对生成的边界框在进行分类预测，确定边界框中物体类别，最后输出值为建筑物预测框坐标值。
进一步地，所述步骤4中，
对摄像头采集的视频进行处理，保存为图片，按照5帧一次的对照片进行读取，对图片进行识别处理，输出建筑物特征数据，包括建筑物边框像素点坐标。
进一步地，所述步骤5中，
根据边界框的宽度与高度进行计算建筑物的面积在图像中权重，同时标注建筑物的坐标点，坐标点算出建筑物离路边的距离，然后根据所有图像进行计算整个农村道路路边景物中建筑物所占权重。
进一步地，所述步骤6中评价的具体过程为：
道路景观评价分数=（1-建筑物权重）*70*0.85+（建筑物与路边距离/基准距离）*30*0.98，分数越高，农村道路景观越好。
本发明采用了上述技术方案，本发明具有以下技术效果：
本发明具有识别率高，响应速度快等优点，能够快速的对长距离的道路景观进行评价。使得处理速度快，可使识别率可以达到98%以上，并使识别时间在50毫秒左右，大大提高道路景观的视觉效果的评价速度，与现有的就似乎相比具有速度快，识别率高，在后期评价汇总放弃道路的坡度等因素，可以更好考虑农村丘陵的情况，主要结合了路边的景物进行评价，使得评价的效率高，速度快，符合现有评价工作的需求。
附图说明
图1为本发明流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
请参阅图1，本发明提供一种农村道路景观视觉评价分析方法，所述方法包括如下步骤：
步骤1：使用图像采集装置对农村道路两边景物进行图像采集。使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。通过不同时间段的采集，可以大大的提高训练集的精度，使得在后期不同时间段进行识别时，均能有较好的适应能力。
步骤2： 人工建筑物标记，识别建筑物特征点，收集训练图片。使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签。
标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。人工通过软件，对图像中的建筑物进行外轮廓用红线描绘出来，然后图像自动识别建筑物的特征，也就是轮廓内的内容。人工标记作为一个前期训练的数据收集，为后期的训练提供一个更好的数据对比，提高识别准确率。
步骤3： 将训练图片输入神经网络中进行训练得到深度学习模型。将训练集输入卷积神经网络中，使用改进的卷积神经网络进行训练，训练迭代学习输出最优深度学习模型，得到权重参数文件。
卷积神经网络中的网络参数初始化，加载设置好的超参数与模型配置文件，将制作好的数据集，将训练集数据输入卷积神经网络中，其中，输入图片的结构是4通道520*520像素尺寸的图片，通过传入输入层图片数据、每层的边界框数和类别数，调用网络核心方法，构建网络模块，网络为全卷积层，含有残差网络结构，通过正向传播训练输出最优损失函数，并使用随机梯度下降方法优化反向传播过程，更新权重偏置等参数，训练迭代学习输出深度学习模型，得到权重参数文件分批次训练数据。
网络由卷积层以不同形式链接形成的残差网络结构，是一种组合形式的卷积操作以不同组合构成，这种组合由一个卷积层，一个批正则化层与一个以带泄露的线性修正函数为激活函数的网络层的结合构成，组合包括卷积操作，卷积操作之后的数据批正则化操作以及对数据进行输入到激活函数中的操作，整个网络将这种组合形式的卷积结构两个或多个相连构成一个小型结构，这种小型结构中的前后两个卷积层使用的卷积核维度不同，使用1*1的卷积层与3*3卷积层交替组成，达到神经网络深度的增加，之后将这种小型结构的输出结果与前层小型网络或者卷积结构输出相加，构成残差网络结构short连接形式，并输入线性单元激活函数，最后图像信息数据经过1*1卷积核的卷积层输入线性激活函数，将输出结果输出，网络共由22部分构成，每一部分中包含的卷积核的数量以及结构不同，在网络模型中，最后建筑物信息由一个输出值得到，由三个主要输出值通过重合度计算得到，三个输出值均由卷积操作后输入激活函数输出得到，每个输出值包含10种预测框对应值，输出值的过程中使用非极大值抑制保证对每个对象只检测一次，找出概率最大的边界框，通过维度聚类方法来预测边界框并用逻辑回归预测对象分数，每个边界框对应四个数据，分别为中心点坐标以及边界框的宽度与高度，训练中使用二元交叉熵对生成的边界框在进行分类预测，确定边界框中物体类别，最后输出值为建筑物预测框坐标值。
步骤4：采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练。对摄像头采集的视频进行处理，保存为图片，按照5帧一次的对照片进行读取，对图片进行识别处理，输出建筑物特征数据，包括建筑物边框像素点坐标。把视频采集装置固定在车上，车运动的线路与路边的距离是设定的，当有来车时，关闭视频采集装置，避让来车，然后再回到原来的线路，再打开视频采集装置进行采集。从而使得在图片处理时，采集的图像的摄像头与路边的距离是固定，处理图像时，可以更好的通过坐标来换算出建筑物离路边的距离。
步骤5： 识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重。根据边界框的宽度与高度进行计算建筑物的面积在图像中权重，同时标注建筑物的坐标点，坐标点算出建筑物离路边的距离，然后根据所有图像进行计算整个农村道路路边景物中建筑物所占权重。根据识别的轮廓进行面积运算，然后与整个图像的面积进行对比得到权重，然后算总的权重。图像坐标根据原来设定图像的距离比例进行等比例距离运算，从而可以得到后面每个图片中建筑物与道路的距离。
步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果。道路景观评价分数=（1-建筑物权重）*70*0.85+（建筑物与路边距离/基准距离）*30*0.98，分数越高，农村道路景观越好。
评价的效果一般按照分数段进行排列，90-100分景观优美，80-90分景观优良，70-80分景观良好，60-70分景观一般，少于60分时，判断该路段景观不合格，需要整改，通知相应部门及西宁人工核查和整改。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种农村道路景观视觉评价分析方法，其特征在于，所述方法包括如下步骤：
步骤1：使用图像采集装置对农村道路两边景物进行图像采集；
步骤2：人工建筑物标记，识别建筑物特征点，收集训练图片；
步骤3：将训练图片输入神经网络中进行训练得到深度学习模型；
步骤4：采用视频采集装置采集农村道路两边视频并转为图像输入深度学习模型及进行训练；
步骤5：识别出含有建筑物的图像，并计算建筑物所占图像的大小权重和路边景物建筑物所占权重；
步骤6：根据路边景物建筑物所占权重进行评价路边视觉效果；
所述步骤3的具体过程为：
将训练集输入卷积神经网络中，使用改进的卷积神经网络进行训练，训练迭代学习输出最优深度学习模型，得到权重参数文件；
卷积神经网络中的网络参数初始化，加载设置好的超参数与模型配置文件，将制作好的数据集，将训练集数据输入卷积神经网络中，其中，输入图片的结构是4通道520*520像素尺寸的图片，通过传入输入层图片数据、每层的边界框数和类别数，调用网络核心方法，构建网络模块，网络为全卷积层，含有残差网络结构，通过正向传播训练输出最优损失函数，并使用随机梯度下降方法优化反向传播过程，更新权重偏置参数，训练迭代学习输出深度学习模型，得到权重参数文件分批次训练数据；
网络由卷积层以不同形式链接形成的残差网络结构，是一种组合形式的卷积操作以不同组合构成，这种组合由一个卷积层，一个批正则化层与一个以带泄露的线性修正函数为激活函数的网络层的结合构成，组合包括卷积操作，卷积操作之后的数据批正则化操作以及对数据进行输入到激活函数中的操作，整个网络将这种组合形式的卷积结构两个或多个相连构成一个小型结构，这种小型结构中的前后两个卷积层使用的卷积核维度不同，使用1*1的卷积层与3*3卷积层交替组成，达到神经网络深度的增加，之后将这种小型结构的输出结果与前层小型网络或者卷积结构输出相加，构成残差网络结构short连接形式，并输入线性单元激活函数，最后图像信息数据经过1*1卷积核的卷积层输入线性激活函数，将输出结果输出，网络共由22部分构成，每一部分中包含的卷积核的数量以及结构不同，在网络模型中，最后建筑物信息由一个输出值得到，由三个主要输出值通过重合度计算得到，三个输出值均由卷积操作后输入激活函数输出得到，每个输出值包含10种预测框对应值，输出值的过程中使用非极大值抑制保证对每个对象只检测一次，找出概率最大的边界框，通过维度聚类方法来预测边界框并用逻辑回归预测对象分数，每个边界框对应四个数据，分别为中心点坐标以及边界框的宽度与高度，训练中使用二元交叉熵对生成的边界框在进行分类预测，确定边界框中物体类别，最后输出值为建筑物预测框坐标值。
2.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤1的具体过程为：
使用摄像装置对农村道路两边景物进行视频采样，得到农村道路两边景物采样视频，对采样视频进行帧处理得到采样图像，并设置图片尺寸，其中采样的农村道路两边景物为不同地段，不同时间段分别进行采集。
3.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤2的具体过程为：
使用标注工具对农村道路两边景物图片进行建筑物标记，识别建筑物特征，制作训练集，训练集包括输入照片以及对应的建筑物特征分类标签；
标记关键特征点，即识别整个图片的特征，通过关键特征点定位，特征点的特性必须在所有图片中保持一致，并且所有标签在所有图片中必须保持一致，之后生成标记文件，文件内含农村道路两边景物建筑物位置像素点坐标以及建筑物特征的分类标签，即包含神经网络要预测的对象分类标签与表示边界框的四个数字，分别为中心点坐标以及边界框的宽与高。
4.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤4中，
对摄像头采集的视频进行处理，保存为图片，按照5帧一次的对照片进行读取，对图片进行识别处理，输出建筑物特征数据，包括建筑物边框像素点坐标。
5.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤5中，
根据边界框的宽度与高度进行计算建筑物的面积在图像中权重，同时标注建筑物的坐标点，坐标点算出建筑物离路边的距离，然后根据所有图像进行计算整个农村道路路边景物中建筑物所占权重。
6.根据权利要求1所述的一种农村道路景观视觉评价分析方法，其特征在于：所述步骤6中评价的具体过程为：
道路景观评价分数＝(1-建筑物权重)*70*0.85+(建筑物与路边距离/基准距离)*30*0.98，分数越高，农村道路景观越好。
CN201910638396.5A 2019-07-16 2019-07-16 一种农村道路景观视觉评价分析方法 Active CN110348404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910638396.5A CN110348404B (zh) 2019-07-16 2019-07-16 一种农村道路景观视觉评价分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910638396.5A CN110348404B (zh) 2019-07-16 2019-07-16 一种农村道路景观视觉评价分析方法

Publications (2)

Publication Number Publication Date
CN110348404A CN110348404A (zh) 2019-10-18
CN110348404B true CN110348404B (zh) 2023-05-02

Family

ID=68176423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910638396.5A Active CN110348404B (zh) 2019-07-16 2019-07-16 一种农村道路景观视觉评价分析方法

Country Status (1)

Country Link
CN (1) CN110348404B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743358B (zh) * 2021-09-16 2023-12-05 华中农业大学 一种全方位采集和智能计算的景观视觉特征识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868797A (zh) * 2015-01-22 2016-08-17 深圳市腾讯计算机系统有限公司 网络参数训练方法、景物类型识别方法及装置
CN106096761A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种基于神经网络的建筑负荷预测方法及装置
CN106910192A (zh) * 2017-03-06 2017-06-30 长沙全度影像科技有限公司 一种基于卷积神经网络的图像融合效果评估方法
CN107977677A (zh) * 2017-11-27 2018-05-01 深圳市唯特视科技有限公司 一种应用于大规模城区重建中的多标签像素分类方法
CN108681752A (zh) * 2018-05-28 2018-10-19 电子科技大学 一种基于深度学习的图像场景标注方法
CN109948547A (zh) * 2019-03-20 2019-06-28 广州市城市规划勘测设计研究院 城市绿地景观评价方法、装置、存储介质及终端设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10410413B2 (en) * 2015-05-29 2019-09-10 Hover Inc. Image capture for a multi-dimensional building model

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868797A (zh) * 2015-01-22 2016-08-17 深圳市腾讯计算机系统有限公司 网络参数训练方法、景物类型识别方法及装置
CN106096761A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种基于神经网络的建筑负荷预测方法及装置
CN106910192A (zh) * 2017-03-06 2017-06-30 长沙全度影像科技有限公司 一种基于卷积神经网络的图像融合效果评估方法
CN107977677A (zh) * 2017-11-27 2018-05-01 深圳市唯特视科技有限公司 一种应用于大规模城区重建中的多标签像素分类方法
CN108681752A (zh) * 2018-05-28 2018-10-19 电子科技大学 一种基于深度学习的图像场景标注方法
CN109948547A (zh) * 2019-03-20 2019-06-28 广州市城市规划勘测设计研究院 城市绿地景观评价方法、装置、存储介质及终端设备

Also Published As

Publication number Publication date
CN110348404A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110956094B (zh) 一种基于非对称双流网络的rgb-d多模态融合人员检测方法
CN104978567B (zh) 基于场景分类的车辆检测方法
CN111832489A (zh) 一种基于目标检测的地铁人群密度估计方法及系统
US20100008568A1 (en) Method for classifying a digital image
CN103530638B (zh) 多摄像头下的行人匹配方法
CN111160481B (zh) 基于深度学习的adas目标检测方法及系统
CN111640116B (zh) 基于深层卷积残差网络的航拍图建筑物分割方法及装置
CN109840559A (zh) 图像筛选方法、装置以及电子设备
CN105684046A (zh) 生成图像组成
JP2022509030A (ja) 画像処理方法、装置、機器及び記憶媒体
CN104361357A (zh) 基于图片内容分析的相片集分类系统及分类方法
CN113435407A (zh) 一种输电系统的小目标识别方法及装置
CN112242002A (zh) 基于深度学习的物体识别和全景漫游方法
CN116597270A (zh) 基于注意力机制集成学习网络的道路损毁目标检测方法
CN111507416A (zh) 一种基于深度学习的吸烟行为实时检测方法
CN114332559A (zh) 一种基于自适应跨模态融合机制和深度注意力网络的rgb-d显著性目标检测方法
CN110348404B (zh) 一种农村道路景观视觉评价分析方法
CN109064444B (zh) 基于显著性分析的轨道板病害检测方法
CN113626917A (zh) 基于全景技术和bim模型的构件工程量算量方法及系统
CN116095363B (zh) 基于关键行为识别的移动端短视频高光时刻剪辑方法
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN115830514B (zh) 一种适用于带弯曲河道的全河段表面流速计算方法及系统
CN113627302B (zh) 一种登高施工合规性检测方法及系统
CN104079934A (zh) 一种实时视频通信中的感兴趣区域提取方法
CN1508755A (zh) 敏感视频检测方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230407

Address after: 313000 No. 1, bachelor Road, Zhejiang, Huzhou

Applicant after: Huzhou University

Address before: 417000 487 Xing Xing Road, Lou Xing District, Loudi, Hunan.

Applicant before: Hunan University of Humanities, Science and Technology

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant