CN110619282A - 一种无人机正射影像建筑物自动提取方法 - Google Patents
一种无人机正射影像建筑物自动提取方法 Download PDFInfo
- Publication number
- CN110619282A CN110619282A CN201910789685.5A CN201910789685A CN110619282A CN 110619282 A CN110619282 A CN 110619282A CN 201910789685 A CN201910789685 A CN 201910789685A CN 110619282 A CN110619282 A CN 110619282A
- Authority
- CN
- China
- Prior art keywords
- model
- building
- image
- loss
- aerial vehicle
- 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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种无人机正射影像建筑物自动提取方法,具体步骤如下:步骤S1:对原始的无人机正射影像训练数据进行数据增强得到数量扩大后的训练数据;步骤S2:获得训练好的U‑net建筑物提取模型;步骤S3:获得训练好的Seg‑net建筑物提取模型;步骤S4:获得训练好的deeplab建筑物提取模型;步骤S5:获得U‑net建筑物提取模型的最终预测结果Pu;步骤S6:获得Seg‑net建筑物提取模型的最终预测结果Ps;步骤S7:获得deeplab建筑物提取模型的最终预测结果Pd;步骤S8:对三个模型得到的预测结果Pu,Ps,Pd进行投票,得最终的预测结果。本发明能够用于从大量的无人机正射影像中自动分割出属于建筑物的像素点,大大提升测绘领域提取地图要素的速度。
Description
技术领域
本发明属于航空图像处理技术领域,具体是指一种无人机正射影像建筑物自动提取方法。
背景技术
随着测绘技术发展,从二维到三维,从慢速到快速。传统技术利用全站仪进行全野外数据采集测绘,越来越不能满足现实需求。利用无人机倾斜摄影及三维激光扫描技术已成为大比例尺地形图测绘的发展方向。它大大压缩野外工作时间,降低劳动强度。但是,并没有实现快速测绘,生产周期依然较长,缺乏时效性,综合效率没有几何级的提高。快速测绘的瓶颈在于人工数据处理的低效率。
倾斜摄影三维实景数据有着非常丰富的信息,包含几何形状、几何关系、纹理、色彩等,如房屋、桥梁、道路、沟渠等有非常明确的几何特征,植被、土地等有丰富的纹理及色彩信息。随着人工智能,计算机技术的发展,利用人工智能实现对这些关键要素的自动提取是可行的,也是意义巨大。
倾斜摄影测量三维实景数据在传统地形图生产中,利用人工智能(AI)自动识别、提取、输出地图要素,实现大比例尺自动化测图是具有前瞻性的研究。其市场及社会效益很大。仅农村宅基地测量就有近千亿的市场,加上规划、交通、农业、国土等行业项目。如果能够实现内外业工作占比1:1的目标,那将为企业节省70%的成本,工期缩短85%。研究成果形成产品也将会有巨大的市场,并在短期内没有竞争对手,市场容量不可估量。
发明内容
本发明所要解决的技术问题是提供一种利用训练好的深度学习模型,对无人机正射影像测试图进行建筑物自动提取方法。
为解决上述技术问题,本发明为一种无人机正射影像建筑物自动提取方法,包括无人机正射影像数据、深度学习模型训练、数据增强、新的损失函数、测试时增强方法(TTA)、集成学习,其具体步骤如下:
步骤S1:对原始的无人机正射影像训练数据进行数据增强得到数量扩大后的无人机正射影像训练数据,将分辨率高的影像数据及其二值标注影像切割成512*512像素的图片,得到训练集与验证集,包括正射影像及其对应的建筑物目标的二值标注;
步骤S2:在keras中搭建U-net语义分割模型,采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系,并将原本的交叉熵损失函数改进为新的损失函数,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,并利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的U-net建筑物提取模型;
步骤S3:在keras中搭建Seg-net语义分割模型,采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系,相对于U-net,该模型深度更深,将原本的交叉熵损失函数改进为新的损失函数,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,然后利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的Seg-net建筑物提取模型;
步骤S4:在keras中搭建deeplab模型,利用空洞卷积的概念扩大网络的感受野的同时,不降低特征图的尺度,因而减小了目标提取的位置误差,并设计新的损失函数为focal_loss与dice_loss的加权和,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,然后利用keras中的fit_generator函数批量获取训练数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的deeplab建筑物提取模型;
步骤S5:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的U-net建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-1,P2-1,P3-1,P4-1,转换到原图位置后求平均值得到U-net建筑物提取模型的最终预测结果Pu;
步骤S6:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的Seg-net建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-2,P2-2,P3-2,P4-2,转换到原图位置后求平均值得到Seg-net建筑物提取模型的最终预测结果Ps;
步骤S7:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的deeplab建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-3,P2-3,P3-3,P4-3,转换到原图位置后求平均值得到deeplab建筑物提取模型的最终预测结果Pd;
步骤S8:对三个模型得到的预测结果Pu,Ps,Pd进行投票,投票规则为三个模型中有超过两个模型预测为建筑物目标像素,那该像素属于建筑物目标像素,得到最终的预测结果。
优选的,所述无人机正射影像是训练深度学习模型的原始数据以及标注数据,用于训练深度模型的权重;
优选的,所述模型训练指的是采用经典的语义分割模型U-net、Seg-net、deeplab作为建筑物提取的基础模型,对这些模型,采用无人机正射影像重新训练;
优选的,所述数据增强对输入的数据进行旋转、翻折、缩放、亮度变化、加入随机白噪声、随机模糊处理,提升数据的数量以提升所训练的模型的泛化能力;
优选的,所述新的损失函数是采用目标检测算法中提出来的focal-loss与dice-loss的加权和的形式,提升模型对难分类样本以及正负样本不均衡情况下的分类能力;
优选的,所述测试时增强方法(TTA)是在对图片进行预测时,对图片进行水平、垂直、对角线翻折得到共四张图片,分别进行预测后,再变换回去,求均值后得到最终的测试结果,能够去除预测时的随机误差;
优选的,所述集成学习是训练多个深度学习模型,采用投票机制,克服单个模型的随机噪声的影响,提升建筑物提取的效果。
本发明的有益效果:本发明在无人机正射影像的后处理过程中能够大大提高处理的效率,缩短测绘制图周期;本方法无需手动设计特征,特征提取由神经网络自学习得到,不存在人工设计特征的适应性差的问题;
附图说明
图1一种无人机正射影像建筑物自动提取方法的模型训练示意图;
图2一种无人机正射影像建筑物自动提取方法的测试流程图。
具体实施方式
结合附图,一种无人机正射影像建筑物自动提取方法,包括无人机正射影像数据、深度学习模型训练、数据增强、新的损失函数、测试时增强方法(TTA)、集成学习,其具体步骤如下:
步骤S1:对原始的无人机正射影像训练数据进行数据增强得到数量扩大后的无人机正射影像训练数据,将分辨率高的影像数据及其二值标注影像切割成512*512像素的图片,得到训练集与验证集,包括正射影像及其对应的建筑物目标的二值标注;
步骤S2:在keras中搭建U-net语义分割模型,采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系,并将原本的交叉熵损失函数改进为新的损失函数,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,并利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的U-net建筑物提取模型;
步骤S3:在keras中搭建Seg-net语义分割模型,采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系,相对于U-net,该模型深度更深,将原本的交叉熵损失函数改进为新的损失函数,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,然后利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的Seg-net建筑物提取模型;
步骤S4:在keras中搭建deeplab模型,利用空洞卷积的概念扩大网络的感受野的同时,不降低特征图的尺度,因而减小了目标提取的位置误差,并设计新的损失函数为focal_loss与dice_loss的加权和,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,然后利用keras中的fit_generator函数批量获取训练数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的deeplab建筑物提取模型;
步骤S5:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的U-net建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-1,P2-1,P3-1,P4-1,转换到原图位置后求平均值得到U-net建筑物提取模型的最终预测结果Pu;
步骤S6:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的Seg-net建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-2,P2-2,P3-2,P4-2,转换到原图位置后求平均值得到Seg-net建筑物提取模型的最终预测结果Ps;
步骤S7:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的deeplab建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-3,P2-3,P3-3,P4-3,转换到原图位置后求平均值得到deeplab建筑物提取模型的最终预测结果Pd;
步骤S8:对三个模型得到的预测结果Pu,Ps,Pd进行投票,投票规则为三个模型中有超过两个模型预测为建筑物目标像素,那该像素属于建筑物目标像素,得到最终的预测结果。
所述无人机正射影像是训练深度学习模型的原始数据以及标注数据,用于训练深度模型的权重;
所述模型训练指的是采用经典的语义分割模型U-net、Seg-net、deeplab作为建筑物提取的基础模型,对这些模型,采用无人机正射影像重新训练;
所述数据增强对输入的数据进行旋转、翻折、缩放、亮度变化、加入随机白噪声、随机模糊处理,提升数据的数量以提升所训练的模型的泛化能力;
所述新的损失函数是采用目标检测算法中提出来的focal-loss与dice-loss的加权和的形式,提升模型对难分类样本以及正负样本不均衡情况下的分类能力;
所述测试时增强方法(TTA)是在对图片进行预测时,对图片进行水平、垂直、对角线翻折得到共四张图片,分别进行预测后,再变换回去,求均值后得到最终的测试结果,能够去除预测时的随机误差;
所述集成学习是训练多个深度学习模型,采用投票机制,克服单个模型的随机噪声的影响,提升建筑物提取的效果。
如图1所示:载有预训练深度学习模型的原始数据以及标注数据的无人机正射影像通过两种路径进入数据切割模块即语义分割:一路直接进入数据切割模块,另一路是通过数据增强后在进入切割模块,最后经过切割处理的数据分别进入U-net模型训练、Seg-net模型训练和Deeplab模型训练。
如图2所示:一种无人机正射影像建筑物自动提取方法的测试流程包括5个模块:无人机正射影像、测试时增强方法(TTA)、数据切割、模型预测、最后是集成输出输,无人机正射影像载有所述测试图片经过使用TTA使得测试增强,再依次经过数据切割和模型预测的处理,其中模型预测包括U-net模型预测、Seg-net模型预测和Deeplab模型预测三种方式,获得最终的集成预测结果。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。
Claims (7)
1.一种无人机正射影像建筑物自动提取方法,其特征在于,包括无人机正射影像数据、深度学习模型训练、数据增强、新的损失函数、测试时增强方法(TTA)、集成学习,其具体步骤如下:
步骤S1:对原始的无人机正射影像训练数据进行数据增强得到数量扩大后的无人机正射影像训练数据,将分辨率高的影像数据及其二值标注影像切割成512*512像素的图片,得到训练集与验证集,包括正射影像及其对应的建筑物目标的二值标注;
步骤S2:在keras中搭建U-net语义分割模型,采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系,并将原本的交叉熵损失函数改进为新的损失函数,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,并利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的U-net建筑物提取模型;
步骤S3:在keras中搭建Seg-net语义分割模型,采用下采样、上采样的方法建立输入图像至输出预测之间的映射关系,相对于U-net,该模型深度更深,将原本的交叉熵损失函数改进为新的损失函数,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,然后利用keras中的fit_generator函数批量获取步骤S1所得到的数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的Seg-net建筑物提取模型;
步骤S4:在keras中搭建deeplab模型,利用空洞卷积的概念扩大网络的感受野的同时,不降低特征图的尺度,因而减小了目标提取的位置误差,并设计新的损失函数为focal_loss与dice_loss的加权和,Loss=a1lossfocal+a2lossdice,a1、a2为两项误差的权重,然后利用keras中的fit_generator函数批量获取训练数据输入模型进行训练,当验证集上的损失函数连续5个回合不再下降后,认为模型收敛,得到训练好的deeplab建筑物提取模型;
步骤S5:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的U-net建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-1,P2-1,P3-1,P4-1,转换到原图位置后求平均值得到U-net建筑物提取模型的最终预测结果Pu;
步骤S6:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的Seg-net建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-2,P2-2,P3-2,P4-2,转换到原图位置后求平均值得到Seg-net建筑物提取模型的最终预测结果Ps;
步骤S7:对测试图片做测试增强,即对测试图片I1水平翻转、垂直翻转、对角线翻转后得到相对应的增强图片I2,I3,I4,用训练好的deeplab建筑物提取模型对图片I1,I2,I3,I4,分别进行预测得到不同的预测结果P1-3,P2-3,P3-3,P4-3,转换到原图位置后求平均值得到deeplab建筑物提取模型的最终预测结果Pd;
步骤S8:对三个模型得到的预测结果Pu,Ps,Pd进行投票,投票规则为三个模型中有超过两个模型预测为建筑物目标像素,那该像素属于建筑物目标像素,得到最终的预测结果。
2.根据权利要求1所述的一种无人机正射影像建筑物自动提取方法,其特征在于:所述无人机正射影像是训练深度学习模型的原始数据以及标注数据,用于训练深度模型的权重。
3.根据权利要求1所述的一种无人机正射影像建筑物自动提取方法,其特征在于:所述模型训练指的是采用经典的语义分割模型U-net、Seg-net、deeplab作为建筑物提取的基础模型,对这些模型,采用无人机正射影像重新训练。
4.根据权利要求1所述的一种无人机正射影像建筑物自动提取方法,其特征在于:所述数据增强对输入的数据进行旋转、翻折、缩放、亮度变化、加入随机白噪声、随机模糊处理,提升数据的数量以提升所训练的模型的泛化能力。
5.根据权利要求1所述的一种无人机正射影像建筑物自动提取方法,其特征在于:所述新的损失函数是采用目标检测算法中提出来的focal-loss与dice-loss的加权和的形式,提升模型对难分类样本以及正负样本不均衡情况下的分类能力。
6.根据权利要求1所述的一种无人机正射影像建筑物自动提取方法,其特征在于:所述测试时增强方法(TTA)是在对图片进行预测时,对图片进行水平、垂直、对角线翻折得到共四张图片,分别进行预测后,再变换回去,求均值后得到最终的测试结果,能够去除预测时的随机误差。
7.根据权利要求1所述的一种无人机正射影像建筑物自动提取方法,其特征在于:所述集成学习是训练多个深度学习模型,采用投票机制,克服单个模型的随机噪声的影响,提升建筑物提取的效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789685.5A CN110619282B (zh) | 2019-08-26 | 2019-08-26 | 一种无人机正射影像建筑物自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789685.5A CN110619282B (zh) | 2019-08-26 | 2019-08-26 | 一种无人机正射影像建筑物自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619282A true CN110619282A (zh) | 2019-12-27 |
CN110619282B CN110619282B (zh) | 2023-01-10 |
Family
ID=68921966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910789685.5A Active CN110619282B (zh) | 2019-08-26 | 2019-08-26 | 一种无人机正射影像建筑物自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619282B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801109A (zh) * | 2021-04-14 | 2021-05-14 | 广东众聚人工智能科技有限公司 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
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 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699900A (zh) * | 2014-01-03 | 2014-04-02 | 西北工业大学 | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 |
WO2017042852A1 (en) * | 2015-09-11 | 2017-03-16 | Nec Corporation | Object recognition appratus, object recognition method and storage medium |
CN109034066A (zh) * | 2018-07-27 | 2018-12-18 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
CN109190712A (zh) * | 2018-09-21 | 2019-01-11 | 福州大学 | 一种基于深度学习的航拍巡线影像自动分类系统 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
US20190108384A1 (en) * | 2017-10-05 | 2019-04-11 | TuSimple | System and method for aerial video traffic analysis |
CN109766936A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于信息传递和注意力机制的图像变化检测方法 |
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
-
2019
- 2019-08-26 CN CN201910789685.5A patent/CN110619282B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699900A (zh) * | 2014-01-03 | 2014-04-02 | 西北工业大学 | 卫星影像中建筑物水平矢量轮廓自动批量提取方法 |
WO2017042852A1 (en) * | 2015-09-11 | 2017-03-16 | Nec Corporation | Object recognition appratus, object recognition method and storage medium |
US20190108384A1 (en) * | 2017-10-05 | 2019-04-11 | TuSimple | System and method for aerial video traffic analysis |
CN109034066A (zh) * | 2018-07-27 | 2018-12-18 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
CN109190712A (zh) * | 2018-09-21 | 2019-01-11 | 福州大学 | 一种基于深度学习的航拍巡线影像自动分类系统 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
CN109766936A (zh) * | 2018-12-28 | 2019-05-17 | 西安电子科技大学 | 基于信息传递和注意力机制的图像变化检测方法 |
CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
CN110044964A (zh) * | 2019-04-25 | 2019-07-23 | 湖南科技大学 | 基于无人飞机热成像视频的建筑饰面层脱粘缺陷识别方法 |
CN110136170A (zh) * | 2019-05-13 | 2019-08-16 | 武汉大学 | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 |
Non-Patent Citations (3)
Title |
---|
CHUN-WEI CHEN 等: ""Drone-View Building Identification by Cross-View Visual Learning and Relative Spatial Estimation"", 《IEEE》 * |
吴云辉: ""基于无人机倾斜摄影的违法建筑定量化监测研究"", 《测绘与空间地理信息》 * |
李政: ""基于无人机高分影像的空心村建筑物信息获取关键技术研究"", 《中国博士学位论文全文数据库(基础科学辑)》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN112801109A (zh) * | 2021-04-14 | 2021-05-14 | 广东众聚人工智能科技有限公司 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110619282B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
CN110619283B (zh) | 一种无人机正射影像道路自动提取方法 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109829399A (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
CN114758252B (zh) | 基于图像的分布式光伏屋顶资源分割与提取方法及系统 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN110334719B (zh) | 一种提取遥感影像中建筑物图像的方法及系统 | |
CN111178304B (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN111414954A (zh) | 一种岩石图像检索方法及其系统 | |
CN104835196A (zh) | 一种车载红外图像彩色化三维重建方法 | |
CN113807278A (zh) | 一种基于深度学习的土地利用分类及变化预测方法 | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
CN111028244B (zh) | 基于超像素的已知样本不均衡情况下的遥感图像语义分割的方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
CN116452850A (zh) | 一种基于数据挖掘和深度学习的道路积水区域识别方法 | |
Cui | Research on garden landscape reconstruction based on geographic information system under the background of deep learning | |
CN112883840B (zh) | 基于关键点检测的输电线路提取方法 | |
CN117496162B (zh) | 一种红外卫星遥感影像薄云去除方法、装置及介质 |
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 |