CN110705381A - 遥感影像道路提取方法及装置 - Google Patents

遥感影像道路提取方法及装置 Download PDF

Info

Publication number
CN110705381A
CN110705381A CN201910863459.7A CN201910863459A CN110705381A CN 110705381 A CN110705381 A CN 110705381A CN 201910863459 A CN201910863459 A CN 201910863459A CN 110705381 A CN110705381 A CN 110705381A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
extracting
network
features
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
CN201910863459.7A
Other languages
English (en)
Inventor
王金
王铎
陈艳艳
司琦
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201910863459.7A priority Critical patent/CN110705381A/zh
Publication of CN110705381A publication Critical patent/CN110705381A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

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)

Abstract

本发明实施例提供一种遥感影像道路提取方法及装置，所述方法包括：获取目标遥感影像；将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。本发明实施例提供一种遥感影像道路提取方法及装置，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。

Description

遥感影像道路提取方法及装置
技术领域
本发明涉及测绘科学技术领域，尤其涉及一种遥感影像道路提取方法及装置。
背景技术
道路变化，包括新增道路里程，是道路资产管理和养护中非常重要的基础数据；同时，无人驾驶高精地图也需要快速更新地图信息。因此，利用新技术，快速、客观感知道路现状，有很重要的现实意义和研究价值。
利用传统的测量手段，比如全站仪，在正常运行的道路上采集数据，容易造成交通拥堵，也危害测量人员的安全。GPS数据只能提供有限的轨迹数据，无法全面展示道路全貌。街景数据虽然提供了清晰的道路影像，但是受采集视角影响，极易被遮挡。车载激光扫描技术，可以快速获取海量高密度的道路及周边地物坐标和颜色数据，但是易被行驶车辆遮挡，且数据更新慢。卫星影像可快速采集及更新大范围的遥感影像，是一种合适的提取道路信息的数据源。
虽然遥感影像可快速客观获得大面积的地表数据，但是道路面积在整幅遥感影像中占比不大，且道路交叉形式多样，几何形状千变万化，因此，同时高精度提取不同种类道路存在较大挑战。
发明内容
本发明实施例提供一种遥感影像道路提取方法及装置，用于解决现有技术中同时提取不同种类道路时精度低的技术问题。
为了解决上述技术问题，一方面，本发明实施例提供一种遥感影像道路提取方法，包括：
获取目标遥感影像；
将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
进一步地，训练所述深度学习网络的具体步骤如下：
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；
对于每一子样本，利用编码网络提取高维特征；
再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。
进一步地，所述利用编码网络提取高维特征，具体包括：
利用三组卷积块提取基本特征；
再基于所述基本特征，利用第一分支编码网络提取第一分辨率的全局特征；利用第二分支编码网提取第二分辨率的局部特征，其中，所述编码网络包括所述三组卷积块、所述第一分支编码网络和所述第二分支编码网，所述第一分支编码网络包括两个瓶颈块和一个带有四个分支的空洞卷积，所述第二分支编码网络使用空洞卷积代替池化操作，所述高维特征包括所述第一分辨率的全局特征和所述第二分辨率的局部特征。
进一步地，所述再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结，具体包括：
利用一个反卷积层和三个卷积层复原特征影像细节；
使用残差网络的前两个积块用来提取所述低维特征；
再使用一个卷积层将所述低维特征和所述高维特征进行联结。
进一步地，还包括：
使用二元交叉熵代替损失函数来训练所述解码网络。
进一步地，输出的道路的类型至少包括城市道路、乡村道路和小区道路。
另一方面，本发明实施例提供一种遥感影像道路提取装置，包括：
获取模块，用于获取目标遥感影像；
提取模块，用于将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
进一步地，还包括训练模块，用于：
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；
对于每一子样本，利用编码网络提取高维特征；
再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。
再一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。
又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。
本发明实施例提供一种遥感影像道路提取方法及装置，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
附图说明
图1为本发明实施例提供的遥感影像道路提取方法示意图；
图2为本发明实施例提供的遥感影像道路提取装置示意图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的遥感影像道路提取方法示意图，如图1所示，本发明实施例提供一种遥感影像道路提取方法，其执行主体为遥感影像道路提取装置，该方法包括：
步骤S101、获取目标遥感影像。
具体来说，遥感影像可以是采用高分辨率的光学卫星采集的光学卫星影像，或者是采用高分辨率的雷达卫星采集的雷达卫星影像，或者是采用航空器采集的航空影像。
步骤S102、将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
具体来说，在获取目标遥感影像之后，将目标遥感影像输入至训练好的深度学习网络，即可输出目标遥感影像中不同类型的道路，其中，深度学习网络基于恒等映射和空洞卷积构建而成。
本发明实施例提供一种遥感影像道路提取方法，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
基于上述任一实施例，进一步地，训练所述深度学习网络的具体步骤如下：
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；
对于每一子样本，利用编码网络提取高维特征；
再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。
具体来说，训练深度学习网络的具体步骤如下：
(1)标定。
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定。
例如，将获得的高清遥感影像统一分割成500*500像素的子样本，使用Labelme软件人工对主要的和明显的道路进行粗标定。
(2)编码。
对于每一子样本，利用编码网络提取高维特征。
首先，利用三组卷积块进行基本特征提取。然后，提出两个分支的编码结构提取不同维度的特征。
(3)解码。
利用解码网络提取低维特征，并将高维特征和低维特征进行联结，提高解码效果。
本发明实施例提供一种遥感影像道路提取方法，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
基于上述任一实施例，进一步地，所述利用编码网络提取高维特征，具体包括：
利用三组卷积块提取基本特征；
再基于所述基本特征，利用第一分支编码网络提取第一分辨率的全局特征；利用第二分支编码网提取第二分辨率的局部特征，其中，所述编码网络包括所述三组卷积块、所述第一分支编码网络和所述第二分支编码网，所述第一分支编码网络包括两个瓶颈块和一个带有四个分支的空洞卷积，所述第二分支编码网络使用空洞卷积代替池化操作，所述高维特征包括所述第一分辨率的全局特征和所述第二分辨率的局部特征。
具体来说，首先，利用三组卷积块进行基本特征提取。然后，提出两个分支的编码结构提取不同维度的特征。对于第一个分支编码网络，2个瓶颈块用来作下采样，然后，带有4个分支的空洞卷积(简称ASPP)用来学习出4个不同分辨率的影像图，该分支网络学习了不同分辨率的全局特征信息。第二个分支编码结构侧重于学习更多局部信息，使用空洞卷积代替池化操作，该操作不缩小特征影像分辨率的基础上，增大了感受野；再次使用ASPP，但是分辨率不同于第一个编码分支的分辨率。最后，通过使用双线性插值上采样和卷积操作，两个分支编码网络学习出的不同分辨率的影像特征，作为编码输出。
本发明实施例提供一种遥感影像道路提取方法，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
基于上述任一实施例，进一步地，所述再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结，具体包括：
利用一个反卷积层和三个卷积层复原特征影像细节；
使用残差网络的前两个积块用来提取所述低维特征；
再使用一个卷积层将所述低维特征和所述高维特征进行联结。
具体来说，解码网络的工作过程包括，一个反卷积层和三个卷积层被用来尽可能多的复原特征影像细节。ResNet网络的前两个积块用来提取低维特征；高维特征是编码过程中两个不同尺度的高维特征的输出，包括利用第一分支编码网络提取的第一分辨率的全局特征，以及利用第二分支编码网提取第二分辨率的局部特征。在一个卷积操作后，低维和高维特征进行联结，提高解码效果，并被送入最后一个卷积层。
本发明实施例提供一种遥感影像道路提取方法，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
基于上述任一实施例，进一步地，还包括：
使用二元交叉熵代替损失函数来训练所述解码网络。
具体来说，因道路种类几何形状繁多，且受旁边建筑物遮挡，使得有些道路即使肉眼都难以判断，这类样本统称为难样本。使用二元交叉熵代替损失函数来训练解码网络，并判断该样本是否为难样本。因为转换器是动态判断，因此，相应的样本只被训练一次。通过两个全连接结构，难样本学习结果比只使用一个解码结构要好。而且提高难样本学习效果的同时，简单样本也不会过拟合。
本发明实施例提供一种遥感影像道路提取方法，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。而且，对于被建筑阴影遮挡的道路，也能取得不错的效果。
基于上述任一实施例，进一步地，输出的道路的类型至少包括城市道路、乡村道路和小区道路。
具体来说，将目标遥感影像输入至训练好的深度学习网络，输出目标遥感影像中不同类型的道路，输出的道路的类型包括城市道路、乡村道路和小区道路等。
本发明实施例提供一种遥感影像道路提取方法，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
基于上述任一实施例，图2为本发明实施例提供的遥感影像道路提取装置示意图，如图2所示，本发明实施例提供一种遥感影像道路提取装置，用于执行上述任一实施例中所述的方法，具体包括获取模块201和提取模块202，其中：
获取模块201用于获取目标遥感影像；提取模块202用于将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
基于上述任一实施例，进一步地，还包括训练模块，用于：
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；
对于每一子样本，利用编码网络提取高维特征；
再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。
本发明实施例提供一种遥感影像道路提取装置，用于执行上述任一实施例中所述的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。
本发明实施例提供一种遥感影像道路提取装置，基于恒等映射和空洞卷积，提出两个分支的编码网络分别学习，在反卷积层联结对应的高维和低维特征。保留不同尺度全局信息的同时，可学习出更多的局部信息，有利于提取不同种类的道路。
图3为本发明实施例提供的电子设备的结构示意图，如图3所示，所述设备包括：处理器(processor)301、存储器(memory)302、总线303，以及存储在存储器上并可在处理器上运行的计算机程序。
其中，处理器301和存储器302通过总线303完成相互间的通信；
处理器301用于调用并执行存储器302中的计算机程序，以执行上述各方法实施例中的步骤，例如包括：
获取目标遥感影像；
将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：
获取目标遥感影像；
将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：
获取目标遥感影像；
将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种遥感影像道路提取方法，其特征在于，包括：
获取目标遥感影像；
将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
2.根据权利要求1所述的遥感影像道路提取方法，其特征在于，训练所述深度学习网络的具体步骤如下：
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；
对于每一子样本，利用编码网络提取高维特征；
再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。
3.根据权利要求2所述的遥感影像道路提取方法，其特征在于，所述利用编码网络提取高维特征，具体包括：
利用三组卷积块提取基本特征；
再基于所述基本特征，利用第一分支编码网络提取第一分辨率的全局特征；利用第二分支编码网提取第二分辨率的局部特征，其中，所述编码网络包括所述三组卷积块、所述第一分支编码网络和所述第二分支编码网，所述第一分支编码网络包括两个瓶颈块和一个带有四个分支的空洞卷积，所述第二分支编码网络使用空洞卷积代替池化操作，所述高维特征包括所述第一分辨率的全局特征和所述第二分辨率的局部特征。
4.根据权利要求2所述的遥感影像道路提取方法，其特征在于，所述再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结，具体包括：
利用一个反卷积层和三个卷积层复原特征影像细节；
使用残差网络的前两个积块用来提取所述低维特征；
再使用一个卷积层将所述低维特征和所述高维特征进行联结。
5.根据权利要求2所述的遥感影像道路提取方法，其特征在于，还包括：
使用二元交叉熵代替损失函数来训练所述解码网络。
6.根据权利要求1所述的遥感影像道路提取方法，其特征在于，输出的道路的类型至少包括城市道路、乡村道路和小区道路。
7.一种遥感影像道路提取装置，其特征在于，包括：
获取模块，用于获取目标遥感影像；
提取模块，用于将所述目标遥感影像输入至训练好的深度学习网络，输出所述目标遥感影像中不同类型的道路，其中，所述深度学习网络基于恒等映射和空洞卷积构建而成。
8.根据权利要求7所述的遥感影像道路提取装置，其特征在于，还包括训练模块，用于：
将遥感影像样本统一分割成预设大小的子样本，并对每一子样本进行道路标定；
对于每一子样本，利用编码网络提取高维特征；
再利用解码网络提取低维特征，并将所述高维特征和所述低维特征进行联结。
9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述遥感影像道路提取方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至6任一所述遥感影像道路提取方法的步骤。
CN201910863459.7A 2019-09-09 2019-09-09 遥感影像道路提取方法及装置 Pending CN110705381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910863459.7A CN110705381A (zh) 2019-09-09 2019-09-09 遥感影像道路提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910863459.7A CN110705381A (zh) 2019-09-09 2019-09-09 遥感影像道路提取方法及装置

Publications (1)

Publication Number Publication Date
CN110705381A true CN110705381A (zh) 2020-01-17

Family

ID=69196191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910863459.7A Pending CN110705381A (zh) 2019-09-09 2019-09-09 遥感影像道路提取方法及装置

Country Status (1)

Country Link
CN (1) CN110705381A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112101187A (zh) * 2020-09-11 2020-12-18 腾讯科技（深圳）有限公司 道路识别方法、装置及电子设备
CN112668447A (zh) * 2020-12-24 2021-04-16 中国科学院地理科学与资源研究所 一种基于深度学习的无人机影像道路自动提取方法和系统
CN113033608A (zh) * 2021-02-08 2021-06-25 北京工业大学 遥感影像道路提取方法及装置
CN115641512A (zh) * 2022-12-26 2023-01-24 成都国星宇航科技股份有限公司 一种卫星遥感影像道路识别方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190752A (zh) * 2018-07-27 2019-01-11 国家新闻出版广电总局广播科学研究院 基于深度学习的全局特征和局部特征的图像语义分割方法
CN109902600A (zh) * 2019-02-01 2019-06-18 清华大学 一种道路区域检测方法
CN110110617A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 医学影像分割方法、装置、电子设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190752A (zh) * 2018-07-27 2019-01-11 国家新闻出版广电总局广播科学研究院 基于深度学习的全局特征和局部特征的图像语义分割方法
CN109902600A (zh) * 2019-02-01 2019-06-18 清华大学 一种道路区域检测方法
CN110110617A (zh) * 2019-04-22 2019-08-09 腾讯科技（深圳）有限公司 医学影像分割方法、装置、电子设备和存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AZIGULI WULAMU 等: ""Multiscale Road Extraction in Remote Sensing Images"", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *
GUANSHUO WANG 等: ""Learning Discriminative Features with Multiple Granularities for Person Re-Identification"", 《ARXIV:1804.01438V3》 *
HAO HE 等: ""Road Extraction by Using Atrous Spatial Pyramid Pooling Integrated Encoder-Decoder Network and Structural Similarity Loss"", 《REMOTE SENSING》 *
RUDRA PK POUDEL 等: ""Fast-SCNN: Fast Semantic Segmentation Network"", 《ARXIV:1902.04502V1》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112101187A (zh) * 2020-09-11 2020-12-18 腾讯科技（深圳）有限公司 道路识别方法、装置及电子设备
CN112101187B (zh) * 2020-09-11 2024-05-28 腾讯科技（深圳）有限公司 道路识别方法、装置及电子设备
CN112668447A (zh) * 2020-12-24 2021-04-16 中国科学院地理科学与资源研究所 一种基于深度学习的无人机影像道路自动提取方法和系统
CN112668447B (zh) * 2020-12-24 2022-03-15 中国科学院地理科学与资源研究所 一种基于深度学习的无人机影像道路自动提取方法和系统
CN113033608A (zh) * 2021-02-08 2021-06-25 北京工业大学 遥感影像道路提取方法及装置
CN115641512A (zh) * 2022-12-26 2023-01-24 成都国星宇航科技股份有限公司 一种卫星遥感影像道路识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110705381A (zh) 遥感影像道路提取方法及装置
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN110598784B (zh) 基于机器学习的建筑垃圾分类方法及装置
CN109840553B (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN113706698B (zh) 实景三维道路重建方法及装置、存储介质、电子设备
US20180300549A1 (en) Road detecting method and apparatus
Karimi et al. Pedestrian network map generation approaches and recommendation
CN112132108A (zh) 地面点云数据的提取方法、装置、设备及存储介质
CN112906638A (zh) 一种基于多层次监督和深度度量学习的遥感变化检测方法
CN107832849B (zh) 一种基于知识库的电力线廊道三维信息提取方法及装置
CN108153979B (zh) 基于InSAR的形变信息提取方法、终端及存储介质
CN112966548A (zh) 一种大豆地块识别方法及系统
CN111914848B (zh) 一种融合gis数据的遥感图像语义分割方法及系统
CN117172134B (zh) 基于融合地形特征的月表多尺度dem建模方法
Awad Toward robust segmentation results based on fusion methods for very high resolution optical image and lidar data
CN116823896A (zh) 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备
CN115423968A (zh) 基于点云数据和实景三维模型的输电通道优化方法
CN115527027A (zh) 一种基于多特征融合机制的遥感影像地物分割方法
CN111239131A (zh) 一种ai智能水环保实时监测平台
CN113779863A (zh) 一种基于数据挖掘的地表温度降尺度方法
CN113033608B (zh) 遥感影像道路提取方法及装置
Mahphood et al. Virtual first and last pulse method for building detection from dense LiDAR point clouds
CN115346081A (zh) 基于多数据融合的输电线路点云数据分类方法
Na et al. Remote sensing classification of marsh wetland with different resolution images
CN113066181A (zh) 一种基于卫星影像和数字高程数据的地形模拟方法

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: 20200117