CN110598673A - 基于残差网络的遥感图像道路提取方法 - Google Patents

基于残差网络的遥感图像道路提取方法 Download PDF

Info

Publication number
CN110598673A
CN110598673A CN201910902725.2A CN201910902725A CN110598673A CN 110598673 A CN110598673 A CN 110598673A CN 201910902725 A CN201910902725 A CN 201910902725A CN 110598673 A CN110598673 A CN 110598673A
Authority
CN
China
Prior art keywords
layer
network
remote sensing
convolution
adder
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
Application number
CN201910902725.2A
Other languages
English (en)
Inventor
李玉霞
童玲
彭博
范琨龙
李振旭
司宇
杨超
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910902725.2A priority Critical patent/CN110598673A/zh
Publication of CN110598673A publication Critical patent/CN110598673A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

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

Abstract

本发明公开了一种基于残差网络的遥感图像道路提取系统与方法，构建了包括输入层、stem block单元、变体Res‑block结构和DBlockPlus的B‑DLinkNetPlus网络架构。通过基于残差网络设计变体Res‑block结构，并将其作为编码模块，提升梯度反向传播到浅层网络的特性，解决梯度弥散问题。本发明优化DBlock的特征融合和特征图通道数构建DBlockPlus单元，减小了网络模型尺寸和细节信息丢失。本发明采用三个连续3×3卷积层的stem block单元，并结合空洞卷积构建B‑DLinkNetPlus深度卷积网络，实现了高精度和轻量化的遥感图像道路提取系统。

Description

基于残差网络的遥感图像道路提取方法
技术领域
本发明属于遥感图像自动化处理技术领域，具体涉及基于残差网络的遥感图像道路提取方法。
背景技术
遥感影像作为一种常见且重要的数字影像，是20世纪60年代空间测量技术、地球科学理论、计算机技术、传感器技术与航空航天技术快速发展的产物。人们可以通过处理和分析遥感图像，获得其所携带的地面信息，无论对于科学研究或者实际生活应用，都具有很高的应用价值。
随着遥感技术的发展，遥感图像具有向高分辨率发展的趋势，这种高分辨率遥感影像一方面能为道路区域的检测提供了更多的特征细节信息，如目标在图像中表现的颜色、轮廓和纹理，另一方面也会产生更多的复杂背景干扰，干扰道路区域的检测，如城市建筑物、阴影和植被遮挡，同时路面上也有大量的复杂信息干扰，如城市绿化带、车辆和交通线，遥感影像的空间分辨率不同导致影像中道路的形态不同，如乡村与城市道路大小不一和道路材质不同等等。在现阶段的道路提取任务中，主要难点在于如何设计算法，自动忽略复杂背景以及噪声的干扰，通过海量的遥感图像数据表现的特征，准确地提取遥感图像中的道路区域。而深度学习作为人工智能领域的新兴技术，能够通过其深度多层次的结构来分析和处理大数据，自动从训练数据中学习到特定对象的特征，从而准确捕捉到目标对象的特点，理解图像中的内容，但是现有技术网络结构复杂，且道路信息提取精度无法保证。
发明内容
针对现有技术中的上述不足，本发明提供的基于残差网络的遥感图像道路提取方法解决了现有技术结构复杂和道路信息提取精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于残差网络的遥感图像道路提取方法，包括以下步骤：
S1、在残差网络的基础上构建变体Res-block结构，通过变体Res-block结构构建编码模块；
S2、根据编码模块，采用空洞卷积构建B-DLinkNetPlus深度卷积网络；
S3、对B-DLinkNetPlus深度卷积网络进行训练，获取遥感图像道路提取系统；
S4、将待检测图像输入遥感图像道路提取系统，得到遥感图像的道路信息。
进一步地，所述B-DLinkNetPlus深度卷积网络包括依次连接的输入层、Stemblock单元、第一building block单元、第一最大池化层、第二building block单元、第二最大池化层、第三building block单元、第三最大池化层、第四building block单元、DblockPlus单元、第一反卷积单元、第一加法器、第二反卷积单元、第二加法器、第三反卷积单元、第三加法器、第一反卷积层、第一空洞卷积层、第二空洞卷积层、softmax层和输出层；
所述第一building block单元还与第三加法器的输入端连接，所述第二buildingblock单元还与第二加法器的输入端连接，所述第三building block单元还与第一加法器的输入端连接，所述第一加法器、第二加法器和第三加法器均用于将输入端的输入数据相加并输出相加结果。
进一步地，第一building block单元、第一最大池化层、第二building block单元、第二最大池化层、第三building block单元、第三最大池化层和第四building block单元卷积构成B-DLinkNetPlus深度卷积网络的编码模块。
进一步地，所述Stem block单元包括依次连接的第一卷积层、第二卷积层、第三卷积层和平均池化层，所述第一卷积层步长为2，大小为3×3；所述第二卷积层和第三卷积层的步长均为1，大小均为3×3；所述平均池化层的步长为2，大小为2×2。
进一步地，所述第一building block单元、第二building block单元、第三building block单元和第四building block单元结构相同，均包括n个依次连接的变体Res-block结构，每个所述变体Res-block结构包括依次连接的第四卷积层、第五卷积层、第六卷积层和第四加法器，所述第四卷积层步长为1，大小为1×1；所述第五卷积层步长为1，大小为3×3；所述第六卷积层步长为1，大小为1×1；所述第四卷积层的输入端还与第四加法器的输入端连接，所述第四加法器用于将输入端的输入数据相加并输出相加结果。
进一步地，所述DblockPlus单元包括依次连接的第七卷积层、Dblock结构、第八卷积层和第六加法器，所述Dblock结构包括并联的5条串联通路，每条串联通路由j个扩张率不同的空洞卷积层组成，j＝0,1,2,3,4，且每条串联通路的输出端均与第五加法器的输入端连接，所述j＝0的串联通路的输出数据与输入数据相同；
所述第七卷积层的输入端与第六加法器的输入端连接，所述第五加法器和第六加法器均用于将输入端的输入数据相加并输出相加结果。
进一步地，所述第一反卷积单元、第二反卷积单元和第三反卷积单元结构相同，均包括依次连接的第九卷积层、第二反卷积层和第十卷积层，所述第九卷积层和第十卷积层步长均为1，大小均为1×1；所述第二反卷积层步长为2，大小为3×3；
所述每个卷积层操作前进行Batch Normalization归一化和ReLU非线性激活函数处理。
进一步地，所述步骤S3包括以下分步骤：
S3.1、获取原始遥感图像，通过人工标记获得与待提取图像大小相同的标签图像；
S3.2、对原始遥感图像进行HSV对比度变换和空间几何变换的训练数据増强处理，并将增强后的遥感图像和标签图像裁剪成同一大小；
S3.3、将增强后的遥感图像输入B-DLinkNetPlus深度卷积网络中，将标签图像作为神经网络输出的真值标签；
S3.4、计算卷积层神经网络每一次输出结果与对应真值标签之间的损失函数，以损失函数最小为目标函数，利用网络参数优化算法对神经网络中的参数不断进行优化；
S3.5、当损失值不再下降时，将此时的网络参数保存为最终网络模型参数。
进一步地，所述神经网络的优化目标函数包括两部分，一部分是交叉熵函数，另一部分是预测图像与标签图像逐像素相减求平均。
进一步地，所述步骤S3.4中的网络参数优化算法为Adam算法，其具体优化过程包括：将初始学习率设置为0.001，每个循环运算2000次，每次运算两张图像，每四个循环后，将学习率变为原始学习率的0.997倍，使用多个遥感道路标签图像对网络模型进行训练，当损失值缩小10倍后，将学习率缩小10倍继续训练，当损失值不再下降，将此时网络参数保存为最终网络模型参数。
本发明的有益效果为：
(1)本发明的B-DLinkNetPlus深度卷积网络采用stem block单元作为整个网络的开始，减少了连续的降采样导致的细节信息丢失的问题。
(2)本发明采用变体Res-block结构构建编码模块，并采用空洞卷积来构建B-DLinkNetPlus深度卷积网络，使短路连接通路更加独立，训练过程中的正向传播中的特征传播与反向传播中的梯度传播都更加顺畅，拥有更高的检测精度，保证了遥感图像道路提取系统提取道路信息的精度。
(3)本发明的DBlockPlus单元采用不同扩张率的空洞卷积层来增大感受野，且DBlockPlus单元的设计减少了整个网络的参数。
(4)本发明实现高精度的遥感图像的道路提取同时，减少了整个系统的参数。
附图说明
图1为基于残差网络的遥感图像道路提取方法步骤图。
图2为本发明中的B-DLinkNetPlus深度卷积网络示意图。
图3为本发明中的Stem block单元示意图。
图4为本发明中的变体Res-block结构示意图。
图5为本发明中的DblockPlus单元示意图。
图6为本发明中的反卷积单元示意图。
图7为本发明的实验结果对比图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于残差网络的遥感图像道路提取方法，包括以下步骤：
S1、在残差网络的基础上构建变体Res-block结构，通过变体Res-block结构构建编码模块；
S2、根据编码模块，采用空洞卷积构建B-DLinkNetPlus深度卷积网络；
S3、对B-DLinkNetPlus深度卷积网络进行训练，获取遥感图像道路提取系统；
S4、将待检测图像输入遥感图像道路提取系统，得到遥感图像的道路信息。
如图2所示，所述B-DLinkNetPlus深度卷积网络包括依次连接的输入层、Stemblock单元、第一building block单元、第一最大池化层、第二building block单元、第二最大池化层、第三building block单元、第三最大池化层、第四building block单元、DblockPlus单元、第一反卷积单元、第一加法器、第二反卷积单元、第二加法器、第三反卷积单元、第三加法器、第一反卷积层、第一空洞卷积层、第二空洞卷积层、softmax层和输出层。
在本实施例中，第一反卷积层的大小为4×4，第一空洞卷积层和第二空洞卷积层的扩张率均为1，大小均为3×3。
第一building block单元还与第三加法器的输入端连接，所述第二buildingblock单元还与第二加法器的输入端连接，所述第三building block单元还与第一加法器的输入端连接，所述第一加法器、第二加法器和第三加法器均用于将输入端的输入数据相加并输出相加结果。
第一building block单元、第一最大池化层、第二building block单元、第二最大池化层、第三building block单元、第三最大池化层和第四building block单元卷积构成B-DLinkNetPlus深度卷积网络的编码模块。
如图3所示，所述Stem block单元包括依次连接的第一卷积层、第二卷积层、第三卷积层和平均池化层，所述第一卷积层步长为2，大小为3×3；所述第二卷积层和第三卷积层的步长均为1，大小均为3×3；所述平均池化层的步长为2，大小为2×2。
第一building block单元、第二building block单元、第三building block单元和第四building block单元结构相同，均包括n个依次连接的变体Res-block结构。如图4所示，每个所述变体Res-block结构包括依次连接的第四卷积层、第五卷积层、第六卷积层和第四加法器，所述第四卷积层步长为1，大小为1×1；所述第五卷积层步长为1，大小为3×3；所述第六卷积层步长为1，大小为1×1；所述第四卷积层的输入端还与第四加法器的输入端连接，所述第四加法器用于将输入端的输入数据相加并输出相加结果。
如图5所示，所述DblockPlus单元包括依次连接的第七卷积层、Dblock结构、第八卷积层和第六加法器，所述Dblock结构包括并联的5条串联通路，每条串联通路由j个扩张率不同的空洞卷积层组成，j＝0,1,2,3,4，且每条串联通路的输出端均与第五加法器的输入端连接，所述j＝0的串联通路的输出数据与输入数据相同；
所述第七卷积层的输入端与第六加法器的输入端连接，所述第五加法器和第六加法器均用于将输入端的输入数据相加并输出相加结果。
在本实施例中，k＝0时，第七卷积层的输出与第五加法器的输入连接；k＝1时的串联通路包括第三空洞卷积层；k＝2时的串联通路包括依次连接的第三空洞卷积层和第四空洞卷积层；k＝3时的串联通路包括依次连接的第三空洞卷积层、第四空洞卷积层和第五空洞卷积层；k＝4时的串联通路包括依次连接的第三空洞卷积层、第四空洞卷积层、第五空洞卷积层和第六空洞卷积层。第三空洞卷积层、第四空洞卷积层、第五空洞卷积层和第六空洞卷积层的扩张率分别为1、2、4和8。所述Dblock结构的作用为：将第三空洞卷积层、第四空洞卷积层、第五空洞卷积层和第六空洞卷积层的输出通过逐像素的方式相加在一起。
如图6所示，所述第一反卷积单元、第二反卷积单元和第三反卷积单元结构相同，均包括依次连接的第九卷积层、第二反卷积层和第十卷积层，所述第九卷积层和第十卷积层步长均为1，大小均为1×1；所述第二反卷积层步长为2，大小为3×3。
在本实施例中，每一个卷积层操作前都进行Batch Normalization归一化和ReLU非线性激活函数处理。
步骤S3包括以下分步骤：
S3.1、获取原始遥感图像，通过人工标记获得与待提取图像大小相同的标签图像；
S3.2、对原始遥感图像进行HSV对比度变换和空间几何变换的训练数据増强处理，并将增强后的遥感图像和标签图像裁剪成同一大小；
S3.3、将增强后的遥感图像输入B-DLinkNetPlus深度卷积网络中，将标签图像作为神经网络输出的真值标签；
S3.4、计算卷积层神经网络每一次输出结果与对应真值标签之间的损失函数，以损失函数最小为目标函数，利用网络参数优化算法对神经网络中的参数不断进行优化；
S3.5、当损失值不再下降时，将此时的网络参数保存为最终网络模型参数。
神经网络的优化目标函数包括两部分，一部分是交叉熵函数，另一部分是预测图像与标签图像逐像素相减求平均。
步骤S3.4中的网络参数优化算法为Adam算法，其具体优化过程包括：将初始学习率设置为0.001，每个循环运算2000次，每次运算两张图像，每四个循环后，将学习率变为原始学习率的0.997倍，使用多个遥感道路标签图像对网络模型进行训练，当损失值缩小10倍后，将学习率缩小10倍继续训练，当损失值不再下降，将此时网络参数保存为最终网络模型参数。
如图7所示，为本发明的实验结果对比图，其中，第一列图像为原始遥感图像，第二列图像为原始遥感图像的标签图像，第三列图像为DLinkNet50实验结果图，第四列图像为DLinkNet101实验结果图，第五列图像为B-DLinkNetPlus50实验结果图，第六列图像为B-DLinkNetPlus101实验结果图，DLinkNet50为卷积层层数为50的原始残差网络结构，DLinkNet101为卷积层层数为101的原始残差网络结构，B-DLinkNetPlus50为本发明提出卷积层数为50层的系统结构，B-DLinkNetPlus101为本发明提出卷积层数为101层的系统结构。
表1为网络模型大小及道路分割IOU精度的结果，IOU表示给定的一组图像中预测区域与真实区域的相似程度。
表1
网络名称 模型大小 IOU精度
DLinkNet50 702M 57.02％
DLinkNet101 758M 57.43％
B-DLinkNetPlus50 371M 59.29％
B-DLinkNetPlus101 434M 59.45％
从实验结果和表1可以看出，本发明在保证了道路提取精度的同时，减少了整个系统的参数，减小了本发明的模型大小。
本发明的B-DLinkNetPlus深度卷积网络采用stem block单元作为整个网络的开始，减少了连续的降采样导致的细节信息丢失的问题。本发明采用变体Res-block结构构建编码模块，并采用空洞卷积来构建B-DLinkNetPlus深度卷积网络，使短路连接通路更加独立，训练过程中的正向传播中的特征传播与反向传播中的梯度传播都更加顺畅，拥有更高的检测精度，保证了遥感图像道路提取系统提取道路信息提取的精度。
本发明的DBlockPlus单元采用不同扩张率的空洞卷积层来增大感受野，且DBlockPlus单元的设计减少了整个网络的参数。本发明实现高精度的遥感图像的道路提取同时，减少了整个系统的参数。

Claims (10)

1.一种基于残差网络的遥感图像道路提取方法，其特征在于，包括以下步骤：
S1、在残差网络的基础上构建变体Res-block结构，通过变体Res-block结构构建编码模块；
S2、根据编码模块，采用空洞卷积构建B-DLinkNetPlus深度卷积网络；
S3、对B-DLinkNetPlus深度卷积网络进行训练，获取遥感图像道路提取系统；
S4、将待检测图像输入遥感图像道路提取系统，得到遥感图像的道路信息。
2.根据权利要求1所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述B-DLinkNetPlus深度卷积网络包括依次连接的输入层、stem block单元、第一buildingblock单元、第一最大池化层、第二building block单元、第二最大池化层、第三buildingblock单元、第三最大池化层、第四building block单元、DblockPlus单元、第一反卷积单元、第一加法器、第二反卷积单元、第二加法器、第三反卷积单元、第三加法器、第一反卷积层、第一空洞卷积层、第二空洞卷积层、softmax层和输出层；
所述第一building block单元还与第三加法器的输入端连接，所述第二buildingblock单元还与第二加法器的输入端连接，所述第三building block单元还与第一加法器的输入端连接，所述第一加法器、第二加法器和第三加法器均用于将输入端的输入数据相加并输出相加结果。
3.根据权利要求2所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述第一building block单元、第一最大池化层、第二building block单元、第二最大池化层、第三building block单元、第三最大池化层和第四building block单元卷积构成B-DLinkNetPlus深度卷积网络的编码模块。
4.根据权利要求2所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述Stem block单元包括依次连接的第一卷积层、第二卷积层、第三卷积层和平均池化层，所述第一卷积层步长为2，大小为3×3；所述第二卷积层和第三卷积层的步长均为1，大小均为3×3；所述平均池化层的步长为2，大小为2×2。
5.根据权利要求4所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述第一building block单元、第二building block单元、第三building block单元和第四building block单元结构相同，均包括n个依次连接的变体Res-block结构，每个所述变体Res-block结构包括依次连接的第四卷积层、第五卷积层、第六卷积层和第四加法器，所述第四卷积层步长为1，大小为1×1；所述第五卷积层步长为1，大小为3×3；所述第六卷积层步长为1，大小为1×1；所述第四卷积层的输入端还与第四加法器的输入端连接，所述第四加法器用于将输入端的输入数据相加并输出相加结果；
所述每个卷积层操作前进行Batch Normalization归一化和ReLU非线性激活函数处理。
6.根据权利要求5所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述DblockPlus单元包括依次连接的第七卷积层、Dblock结构、第八卷积层和第六加法器，所述Dblock结构包括并联的5条串联通路，每条串联通路由j个扩张率不同的空洞卷积层组成，j＝0,1,2,3,4，且每条串联通路的输出端均与第五加法器的输入端连接，所述j＝0的串联通路的输出数据与输入数据相同；
所述第七卷积层的输入端与第六加法器的输入端连接，所述第五加法器和第六加法器均用于将输入端的输入数据相加并输出相加结果。
7.根据权利要求6所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述第一反卷积单元、第二反卷积单元和第三反卷积单元结构相同，均包括依次连接的第九卷积层、第二反卷积层和第十卷积层，所述第九卷积层和第十卷积层步长均为1，大小均为1×1；所述第二反卷积层步长为2，大小为3×3；
所述每个卷积层操作前进行Batch Normalization归一化和ReLU非线性激活函数处理。
8.根据权利要求2所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述步骤S3包括以下分步骤：
S3.1、获取原始遥感图像，通过人工标记获得与待提取图像大小相同的标签图像；
S3.2、对原始遥感图像进行HSV对比度变换和空间几何变换的训练数据増强处理，并将增强后的遥感图像和标签图像裁剪成同一大小；
S3.3、将增强后的遥感图像输入B-DLinkNetPlus深度卷积网络中，将标签图像作为神经网络输出的真值标签；
S3.4、计算卷积层神经网络每一次输出结果与对应真值标签之间的损失函数，以损失函数最小为目标函数，利用网络参数优化算法对神经网络中的参数不断进行优化；
S3.5、当损失值不再下降时，将此时的网络参数保存为最终网络模型参数。
9.根据权利要求8所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述神经网络的优化目标函数包括两部分，一部分是交叉熵函数，另一部分是预测图像与标签图像逐像素相减求平均。
10.根据权利要求8所述的基于残差网络的遥感图像道路提取方法，其特征在于，所述步骤S3.4中的网络参数优化算法为Adam算法，其具体优化过程包括：将初始学习率设置为0.001，每个循环运算2000次，每次运算两张图像，每四个循环后，将学习率变为原始学习率的0.997倍，使用多个遥感道路标签图像对网络模型进行训练，当损失值缩小10倍后，将学习率缩小10倍继续训练，当损失值不再下降，将此时网络参数保存为最终网络模型参数。
CN201910902725.2A 2019-09-24 2019-09-24 基于残差网络的遥感图像道路提取方法 Pending CN110598673A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910902725.2A CN110598673A (zh) 2019-09-24 2019-09-24 基于残差网络的遥感图像道路提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910902725.2A CN110598673A (zh) 2019-09-24 2019-09-24 基于残差网络的遥感图像道路提取方法

Publications (1)

Publication Number Publication Date
CN110598673A true CN110598673A (zh) 2019-12-20

Family

ID=68862578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910902725.2A Pending CN110598673A (zh) 2019-09-24 2019-09-24 基于残差网络的遥感图像道路提取方法

Country Status (1)

Country Link
CN (1) CN110598673A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111460936A (zh) * 2020-03-18 2020-07-28 中国地质大学（武汉） 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备
CN111767810A (zh) * 2020-06-18 2020-10-13 哈尔滨工程大学 一种基于D-LinkNet的遥感图像道路提取方法
CN112037226A (zh) * 2020-08-27 2020-12-04 海南大学 一种基于深度学习的卫星图像道路分割方法及系统
CN112085756A (zh) * 2020-09-23 2020-12-15 清华大学苏州汽车研究院（相城） 一种基于残差网络的道路图像多尺度边缘检测模型及方法
CN113011294A (zh) * 2021-03-08 2021-06-22 中国科学院空天信息创新研究院 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
CN113033531A (zh) * 2019-12-24 2021-06-25 上海智臻智能网络科技股份有限公司 一种图像中文本识别方法、装置及电子设备
CN113326837A (zh) * 2021-06-17 2021-08-31 郑州大学 基于深度学习的飞机挂架检测方法以及终端设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法
CN109086668A (zh) * 2018-07-02 2018-12-25 电子科技大学 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和系统
CN109635748A (zh) * 2018-12-14 2019-04-16 中国公路工程咨询集团有限公司 高分辨率影像中道路特征的提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法
CN109086668A (zh) * 2018-07-02 2018-12-25 电子科技大学 基于多尺度生成对抗网络的无人机遥感影像道路信息提取方法
CN109190481A (zh) * 2018-08-06 2019-01-11 中国交通通信信息中心 一种遥感影像道路材质提取方法和系统
CN109635748A (zh) * 2018-12-14 2019-04-16 中国公路工程咨询集团有限公司 高分辨率影像中道路特征的提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAIMING HE等: "Deep Residual Learning for Image Recognition", 《IEEE》 *
YUXIA LI等: "Road Extraction from Unmanned Aerial Vehicle Remote Sensing Images Based on Improved Neural Networks", 《SENSORS》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033531A (zh) * 2019-12-24 2021-06-25 上海智臻智能网络科技股份有限公司 一种图像中文本识别方法、装置及电子设备
CN113033531B (zh) * 2019-12-24 2023-10-27 上海智臻智能网络科技股份有限公司 一种图像中文本识别方法、装置及电子设备
CN111460936A (zh) * 2020-03-18 2020-07-28 中国地质大学（武汉） 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备
CN111767810A (zh) * 2020-06-18 2020-10-13 哈尔滨工程大学 一种基于D-LinkNet的遥感图像道路提取方法
CN111767810B (zh) * 2020-06-18 2022-08-02 哈尔滨工程大学 一种基于D-LinkNet的遥感图像道路提取方法
CN112037226A (zh) * 2020-08-27 2020-12-04 海南大学 一种基于深度学习的卫星图像道路分割方法及系统
CN112085756A (zh) * 2020-09-23 2020-12-15 清华大学苏州汽车研究院（相城） 一种基于残差网络的道路图像多尺度边缘检测模型及方法
CN112085756B (zh) * 2020-09-23 2023-11-07 清华大学苏州汽车研究院（相城） 一种基于残差网络的道路图像多尺度边缘检测模型及方法
CN113011294A (zh) * 2021-03-08 2021-06-22 中国科学院空天信息创新研究院 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
CN113011294B (zh) * 2021-03-08 2023-11-07 中国科学院空天信息创新研究院 基于遥感影像识别圆形喷灌地的方法、计算机设备和介质
CN113326837A (zh) * 2021-06-17 2021-08-31 郑州大学 基于深度学习的飞机挂架检测方法以及终端设备
CN113326837B (zh) * 2021-06-17 2022-11-01 郑州大学 基于深度学习的飞机挂架检测方法以及终端设备

Similar Documents

Publication Publication Date Title
CN110598673A (zh) 基于残差网络的遥感图像道路提取方法
CN111462126B (zh) 一种基于边缘增强的语义图像分割方法及系统
CN108765506B (zh) 基于逐层网络二值化的压缩方法
CN113705588B (zh) 基于卷积自注意力模块的孪生网络目标跟踪方法与系统
CN112991354B (zh) 一种基于深度学习的高分辨率遥感影像语义分割方法
CN109840556B (zh) 一种基于孪生网络的图像分类识别方法
CN110674742B (zh) 基于DLinkNet的遥感图像道路提取方法
CN113807355A (zh) 一种基于编解码结构的图像语义分割方法
CN113870335A (zh) 一种基于多尺度特征融合的单目深度估计方法
CN111461129B (zh) 一种基于上下文先验的场景分割方法和系统
CN113011336B (zh) 一种基于深度多分支聚合的实时街景图像语义分割方法
CN115082675B (zh) 一种透明物体图像分割方法及系统
CN112560966B (zh) 基于散射图卷积网络的极化sar图像分类方法、介质及设备
CN112733693B (zh) 一种全局感知高分辨率遥感影像多尺度残差道路提取方法
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN115775316A (zh) 基于多尺度注意力机制的图像语义分割方法
CN115984701A (zh) 一种基于编解码结构的多模态遥感图像语义分割方法
CN114882524A (zh) 一种基于全卷积神经网络的单目三维手势估计方法
CN110264483B (zh) 一种基于深度学习的语义图像分割方法
Tong et al. New network based on unet++ and densenet for building extraction from high resolution satellite imagery
CN113962878B (zh) 一种低能见度图像去雾模型方法
CN113643303A (zh) 基于双路注意力编解码网络的三维图像分割方法
CN116645514A (zh) 一种改进U2-Net的瓷砖表面缺陷分割方法
CN117173595A (zh) 基于改进YOLOv7的无人机航拍图像目标检测方法
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220