CN111008986B - 一种基于多任务半卷积的遥感图像分割方法 - Google Patents
一种基于多任务半卷积的遥感图像分割方法 Download PDFInfo
- Publication number
- CN111008986B CN111008986B CN201911143990.3A CN201911143990A CN111008986B CN 111008986 B CN111008986 B CN 111008986B CN 201911143990 A CN201911143990 A CN 201911143990A CN 111008986 B CN111008986 B CN 111008986B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- segmentation
- sensing image
- image
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多任务半卷积的遥感图像分割方法,包括以下步骤:步骤一,将原始遥感图像IO进行预处理,去除影像中的干扰因素后得到遥感图像I1;步骤二,构建多任务分割网络,同时对遥感图像进行边界预测和分割预测任务,并对多任务分割网络结构进行调整,以适应具体应用场景;步骤三,将半卷积加入到多任务分割网络中,以进一步提升多任务分割网络效果。本发明通过多任务重用特征和半卷积对边界信息的针对性提取,达到了边界的细化的目的。得益于该方法对边界的细化,本专利中提出的遥感图像分割方法对分割总体准确性有显著提升,在公开数据集测试中,与现有最佳方法提高0.9%,减少了最佳方法中7.9%的细节错误。
Description
技术领域
本发明属于深度学习、计算机辅助设计和遥感图像处理领域,涉及利用深度神经网络理解图像语义,对图像进行分类分割,提出一种基于多任务的半卷积遥感图像语义分割方法。
背景技术
用于地球观测的NOAA、MODIS、Landsat TM等卫星产生了越来越多的不同类型、分辨率、光谱分辨率和时间分辨率的图像。这些遥感图像被广泛应用于土地测绘、农业研究、环境研究、城市区域划分等领域中,在分析和处理自然资源与人类活动关系的研究中也有许多应用。所以需要对每张遥感图像进行分割工作。遥感图像分割,就是对遥感图像进行处理,从中提取目标的过程,其主要目标是利用图片的特征信息将图像分割为地面、房屋、农田、车辆、地面植被、海洋冰、大气云层等类别。遥感图像通常表现为灰度级多、信息量大、边界模糊、目标结构复杂等特点。但是人工操作不仅需要耗费巨大的人力和物力,而且难免会存在失误。因而遥感图像的分割问题是拥有重要现实应用意义的问题。
随着计算机技术的快速发展,基于深度学习的语义分割大放异彩。卷积神经网络(Convolution neural network,CNN)被广泛应用到图像分类分割等任务中。CNN是一种生物学和多层次的深度学习模型,具有更高的识别率和更广泛的实用性。Papandreou等人在2015年采用深度卷积神经网络(DCNN)开发了最大化(EM)方法。但是由于每个像素点需要使用其周围的像素块作为CNN的输入,导致存储开销大,计算效率低。针对这个问题,JonathanLong等人[1][2]提出了全卷积神经网络(Fully Convolutional Networks,FCN),通过用卷积层代替标准CNN中的完全连接层从而可以接受任意大小的输入图像,并且更加高效。Badrinarayanan等人[3]在2015年提出SegNet,将池化层结果应用到译码过程解决了使用像素块而带来的重复存储和计算卷积的问题。同年,Yu F等人[4]提出了空洞卷积(DilatedConvolutions):在使用相同参数量的情况下大大的增加了网络的感受野。该文还提出了“上下文模块”(context module),使用不同的空洞卷积进行多尺度图像特征的融合。Google的研究人员提出了Deeplab[5],通过引入空洞卷积的空间空洞金字塔池化(ASPP,atrous spatial pyramid pooling)更好的融合了多尺度的空间特征。Lin G等人[6]在2016年提出一种多阶段的使用残差链接的提炼网络(RefineNet),能够有效的将下采样中缺失的信息融合进来,从而达到将粗糙的高层语义特征和细粒度的底层特征进行融合的目的。2017年H Zhao等人[7]提出金字塔池化模块融合上下文信息并使用了附加的损失函数。在2017年Google的研究人员通过改进ASPP和串行部署ASPP模块进一步的改进了DeepLab网络。
因为遥感图像背景复杂度高,语义分割方法直接应用于遥感图像虽然能大致的分割出语义模块,但是存在边界模糊和因为缺乏空间位置关系推理的分类错误。
参考文献:
[1]Long,Jonathan,E.Shelhamer,and T.Darrell."Fully convolutionalnetworks for semantic segmentation."Computer Vision and Pattern RecognitionIEEE,2015:3431-3440.
[2]Long J,Shelhamer E,Darrell T.Fully convolutional networks forsemantic segmentation[J].IEEE Transactions on Pattern Analysis&MachineIntelligence,2014,PP(99):1-1.
[3]Badrinarayanan V,Kendall A,Cipolla R.SegNet:A Deep ConvolutionalEncoder-Decoder Architecture for Scene Segmentation[J].IEEE Transactions onPattern Analysis&Machine Intelligence,2015,PP(99):1-1.
[4]Yu F,Koltun V.Multi-Scale Context Aggregation by DilatedConvolutions[J].2015.
[5]Chen L C,Papandreou G,Kokkinos I,et al.DeepLab:Semantic ImageSegmentation with Deep Convolutional Nets,Atrous Convolution,and FullyConnected CRFs[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2016,PP(99):834-848.
[6]Lin G,Milan A,Shen C,et al.RefineNet:Multi-path RefinementNetworks for High-Resolution Semantic Segmentation[C]//IEEE Conference onComputer Vision and Pattern Recognition.IEEE Computer Society,2017:5168-5177.
[7]Zhao H,Shi J,Qi X,et al.Pyramid Scene Parsing Network[C]//IEEEConference on Computer Vision and Pattern Recognition.IEEE Computer Society,2017:6230-6239.
发明内容
本发明的目的是为了克服现有技术中的不足,提供一种基于多任务半卷积的遥感图像分割方法(简称EHN),通过提出一种多任务半卷积神经网络,利用多任务中的特征重用和半卷积的针对性处理,提高网络对于语义边界分割的准确性。
本发明的目的是通过以下技术方案实现的:
一种基于多任务半卷积的遥感图像分割方法,包括以下步骤:
步骤一:将原始遥感图像IO进行预处理,去除影像中的干扰因素后得到遥感图像I1;
步骤二:构建多任务分割网络,同时对遥感图像进行边界预测和分割预测任务,并对多任务分割网络结构进行调整,以适应具体应用场景;
步骤三:将半卷积加入到多任务分割网络中,以进一步提升多任务分割网络效果。
进一步的,步骤一中具体包括以下步骤:
步骤101:采用Reinhard色彩迁移的方法,对整体遥感图像IO进行色彩统一并整理获得处理后遥感图像I′O数据集;
步骤102:以I′O任意一个图像It为目标图像,计算目标图像It每个通道的均值和标准方差/>然后对I′O图像中除目标图像It外的其他图像,计算这些图像每个通道的均值ai和标准方差/>
步骤103:将需要调整的图像的均值与标准方差调整成目标图像;以通道x为例,调整后像素值为其中xi表示调整前x通道像数值。
步骤104:将调整后的图像按照步长为128,裁剪成256*256的形状,构成最终遥感图像I1,用于多任务分割网络中的输入。
进一步的,步骤二中具体包括以下步骤:
步骤201:构建编码器,编码器的构建是网络对于遥感图像特征提取的过程,采用了池化层与卷积层相结合的方法;
步骤202:构建分割任务解码器;分割任务解码器是通过将提取的特征进行解码,得到分割结果,计算分割任务损失Lseg;
步骤203:构建边界检测解码器;边界检测解码器是通过将提取的特征进行解码,得到边界检测结果,计算边界检测损失Ledge;
步骤204:计算多任务混合损失Lloss=αLedge+βLseg;
步骤205:重复步骤201至204直至多任务混合损失Lloss到可接受范围。
与现有技术相比,本发明的技术方案所带来的有益效果是:
1.本发明通过多任务重用特征和半卷积对边界信息的针对性提取,达到了边界的细化的目的。得益于该方法对边界的细化,本专利中提出的遥感图像分割方法对分割总体准确性有显著提升,在公开数据集测试中,与现有最佳方法提高0.9%,减少了最佳方法中7.9%的细节错误。
2.本发明方法有效克服了边界检测效果不佳的缺点,提升模型的对于边界检测的能力,提高模型对细节内容的刻画能力。
附图说明
图1是本发明方法的流程示意图。
图2是本发明构建的多任务半卷积神经网络的结构示意图。
图3是半卷积池化效果示意图
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种基于多任务半卷积的遥感图像分割方法,如图1所示,为本发明具体实施例的流程示意图,如图2所示,是本发明中具体多任务半卷积神经网络结构图,本发明包括:
步骤一:将遥感图像影像进行预处理,去除影像中的干扰因素,如色彩不平衡;具体如下:
步骤101:本发明采用Reinhard色彩迁移的方法,对整体遥感图像数据集IO进行色彩统一。整理数据集,获得适用于多任务半卷积神经网络的遥感图像I1。
步骤102:以I′O任意一个图像It为目标图像,计算目标图像It每个通道的均值和标准方差/>然后对I′O图像中除目标图像It外的其他图像,计算这些图像每个通道的均值ai和标准方差/>
步骤103:将需要调整的图像的均值与标准方差调整成目标图像同分布。以通道x为例,调整后像素值为其中xi表示调整前x通道像数值,最终得到调整后图像集合/>
步骤104:将调整后图像按照步长为128,裁剪成256*256的形状,最终得到遥感图像数据集I1,用于多任务半卷积神经网络中的输入。
步骤二:构建多任务分割网络,同时对遥感图像进行边界预测和分割预测任务,并对网络结构进行调整,以适应本发明应用场景;具体如下:
步骤201:构建编码器。编码器的构建就是网络对于遥感图像特征提取的过程,主要采用了池化层与卷积层相结合的方法。具体网络结构采用了VGG16的前13层的网络,并在后面使用了一个1*1的卷积层的得到最终的特征,用符号编码器过程为其中x为输入的遥感图像,F为编码过程的函数表达,F(x)表示编码结果是一个N′×8×8,其中N′表示特征输出的通道数。
步骤202:构建分割任务解码器。分割任务解码器是通过将提取的特征进行解码,得到分割结果。用符号表示解码器过程为其中x′为输入的遥感图像的特征,即x′=F(x),Gs为解码过程的函数表达,Gs(x′)表示编码结果是一个1×256×256。
步骤203:构建边界检测解码器。边界检测解码器是通过将提取的特征进行解码,得到边界检测结果。用符号编码器过程为其中x′为输入的遥感图像的特征,即x′=F(x),Ge为解码过程的函数表达,Ge(x′)表示编码结果是一个1×256×256。
步骤204:计算多任务混合损失Lloss=αLedge+βLseg,多任务的混合损失不是两个任务的直接相加,在本方法中,使用α=0.5,β=1取得最好实验效果。
步骤205:将多任务混合损失反向传递,调整多任务神经网络参数。
步骤206:重复步骤201-步骤205直到多任务混合损失到可接受范围。
步骤三:将半卷积加入到多任务神经网络中,进一步提升网络效果完善成多任务半卷积神经网络;
步骤301:在编码器后添加半卷积层如图3所示,对边界特征进行进一步加强。其形式化表达方式如下其中H表示半卷积层将原始卷积通过不同组合方式拆分成两个卷积,F(x)为编码器编码后的特征,通过半卷积层将边界特征增强。对于解码器数据,就不在只输入编码器的得到的特征,同时加入半卷积层强化后的特征,形式化表示如下x′=concat(F(x),H(F(x))),其中x′,表示解码器的输入特征,concat为将两个特征进行连接的函数。
本实施例在配置12G显存Titan Xpd的GPU,Intel(R)Xeon(R)CPU E5-1620 v4@3.50GHz的CPU上,32G内存的机器上进行对比。本发明采用的衡量指标包括交并比(IOU)、总体准确率(OA)以。其中,交并比用于度量预测结果与像素级标签P之间的重合程度和相似程度。上述几种指标的计算方法如式(1)-(2)所示:
其中area(Pi)表示第i个类别的像素级标签,表示i个类别的像素级预测结果。Ti表示第i类准确预测的像素个数,Fi表示第i类预测错误的像素个数,label表示所有预测的类别。TP表示准确预测的像素个数,FN表示预测错误的像素个数。
实验结果显示,本专利提出的基于多任务半卷积神经网络在遥感图像分割任务中比其他方法在总体准确度上有一定的提升,表1所示。
通过公式(1)-(2)可以得到本发明的遥感图像分割效果,以及语义分割的准确度。与其他网络在相同数据集中进行对比,可以看出本发明中提出的多任务半卷积网络结构在细化边界检测效果的基础上提高对图像整体分割性能。
本发明分割方法,为遥感图像分割提供了新的思路,提出并定义了半卷积。结合多任务中的特征重用和半卷积的特征加强,进而提高了卷积网络在遥感图像分割任务中的准确性。
表1各算法对各类别分割效果对比
路面 | 建筑 | 低矮植被 | 树木 | 车辆 | 遮蔽物 | OA | |
NLPR3 | 0.923 | 0.907 | 0.796 | 0.880 | 0.559 | 0.000 | 0.869 |
HUSTW5 | 0.904 | 0.931 | 0.779 | 0.880 | 0.724 | 0.345 | 0.871 |
NLPR3 | 0.905 | 0.945 | 0.819 | 0.871 | 0.724 | 0.372 | 0.882 |
HUSTW5 | 0.906 | 0.947 | 0.823 | 0.892 | 0.598 | 0.288 | 0.886 |
本发明方法 | 0.995 | 0.937 | 0.750 | 0.848 | 0.672 | 0.457 | 0.895 |
在表1中粗体显示了在各种类别和总体中最高准确率。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (1)
1.一种基于多任务半卷积的遥感图像分割方法,其特征在于,包括以下步骤:
步骤一:将原始遥感图像IO进行预处理,去除影像中的干扰因素后得到遥感图像I1;包括以下步骤:
步骤101:采用Reinhard色彩迁移的方法,对整体遥感图像IO进行色彩统一并整理获得处理后遥感图像I′O数据集;
步骤102:以I′O任意一个图像It为目标图像,计算目标图像It每个通道的均值和标准方差/>然后对I′O图像中除目标图像It外的其他图像,计算这些图像每个通道的均值ai和标准方差/>
步骤103:将需要调整的图像的均值与标准方差调整成目标图像;以通道x为例,调整后像素值为其中xi表示调整前x通道像数值;
步骤104:将调整后的图像按照步长为128,裁剪成256*256的形状,构成最终遥感图像I1,用于多任务分割网络中的输入;
步骤二:构建多任务分割网络,同时对遥感图像进行边界预测和分割预测任务,并对多任务分割网络结构进行调整,以适应具体应用场景;包括以下步骤:
步骤201:构建编码器,编码器的构建是网络对于遥感图像特征提取的过程,采用了池化层与卷积层相结合的方法;
步骤202:构建分割任务解码器;分割任务解码器是通过将提取的特征进行解码,得到分割结果,计算分割任务损失Lseg;
步骤203:构建边界检测解码器;边界检测解码器是通过将提取的特征进行解码,得到边界检测结果,计算边界检测损失Ledge;
步骤204:计算多任务混合损失Lloss=αLedge+βLseg;
步骤205:重复步骤201至204直至多任务混合损失Lloss到可接受范围;
步骤三:将半卷积加入到多任务分割网络中,以进一步提升多任务分割网络效果;形式化表达方式如下其中H表示半卷积层将原始卷积通过不同组合方式拆分成两个卷积,F(x)为编码器编码后的特征,通过半卷积层将边界特征增强;
对于解码器数据,输入编码器的得到的特征,同时加入半卷积层强化后的特征,形式化表示如下x′=concat(F(x),H(F(x))),其中x′,表示解码器的输入特征,concat为将两个特征进行连接的函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143990.3A CN111008986B (zh) | 2019-11-20 | 2019-11-20 | 一种基于多任务半卷积的遥感图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143990.3A CN111008986B (zh) | 2019-11-20 | 2019-11-20 | 一种基于多任务半卷积的遥感图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008986A CN111008986A (zh) | 2020-04-14 |
CN111008986B true CN111008986B (zh) | 2023-09-05 |
Family
ID=70112306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143990.3A Active CN111008986B (zh) | 2019-11-20 | 2019-11-20 | 一种基于多任务半卷积的遥感图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008986B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102259A (zh) * | 2020-08-27 | 2020-12-18 | 温州医科大学附属眼视光医院 | 一种基于边界引导深度学习的图像分割算法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN109389051A (zh) * | 2018-09-20 | 2019-02-26 | 华南农业大学 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
CN109583576A (zh) * | 2018-12-17 | 2019-04-05 | 上海联影智能医疗科技有限公司 | 一种医学图像处理装置及方法 |
CN109871798A (zh) * | 2019-02-01 | 2019-06-11 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN110059769A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 用于街景理解的基于像素重排重建的语义分割方法及系统 |
CN110276267A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10547823B2 (en) * | 2018-09-25 | 2020-01-28 | Intel Corporation | View interpolation of multi-camera array images with flow estimation and image super resolution using deep learning |
-
2019
- 2019-11-20 CN CN201911143990.3A patent/CN111008986B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN109389051A (zh) * | 2018-09-20 | 2019-02-26 | 华南农业大学 | 一种基于卷积神经网络的建筑物遥感图像识别方法 |
CN109583576A (zh) * | 2018-12-17 | 2019-04-05 | 上海联影智能医疗科技有限公司 | 一种医学图像处理装置及方法 |
CN109872331A (zh) * | 2019-01-30 | 2019-06-11 | 天津大学 | 一种基于深度学习的遥感图像数据自动识别分类方法 |
CN109871798A (zh) * | 2019-02-01 | 2019-06-11 | 浙江大学 | 一种基于卷积神经网络的遥感影像建筑物提取方法 |
CN110059769A (zh) * | 2019-04-30 | 2019-07-26 | 福州大学 | 用于街景理解的基于像素重排重建的语义分割方法及系统 |
CN110276267A (zh) * | 2019-05-28 | 2019-09-24 | 江苏金海星导航科技有限公司 | 基于Spatial-LargeFOV深度学习网络的车道线检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
Revisting Dilated Convolution:A Simple Approach for Weakly-and Supervised Semantic Segementation;Wei YC,et al;2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION(CVPR);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111008986A (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Contextual ensemble network for semantic segmentation | |
Zhou et al. | AGLNet: Towards real-time semantic segmentation of self-driving images via attention-guided lightweight network | |
CN115049936B (zh) | 一种面向高分遥感影像的边界增强型语义分割方法 | |
CN107992874B (zh) | 基于迭代稀疏表示的图像显著目标区域提取方法及系统 | |
CN112017191A (zh) | 基于注意力机制的肝脏病理图像分割模型建立及分割方法 | |
CN116258719B (zh) | 基于多模态数据融合的浮选泡沫图像分割方法和装置 | |
CN114820579A (zh) | 一种基于语义分割的图像复合缺陷的检测方法及系统 | |
CN111461006B (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
CN114492619A (zh) | 一种基于统计和凹凸性的点云数据集构建方法及装置 | |
CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN114463340B (zh) | 一种边缘信息引导的敏捷型遥感图像语义分割方法 | |
CN113971735A (zh) | 一种深度图像聚类方法、系统、设备、介质及终端 | |
CN113838064A (zh) | 一种基于分支gan使用多时相遥感数据的云去除方法 | |
CN116091946A (zh) | 一种基于YOLOv5的无人机航拍图像目标检测方法 | |
CN111008986B (zh) | 一种基于多任务半卷积的遥感图像分割方法 | |
CN113436115A (zh) | 一种基于深度无监督学习的图像阴影检测方法 | |
CN117152438A (zh) | 一种基于改进DeepLabV3+网络的轻量级街景图像语义分割方法 | |
CN117372853A (zh) | 一种基于图像增强和注意力机制的水下目标检测算法 | |
CN111079807B (zh) | 一种地物分类方法及装置 | |
Weng et al. | Traffic scene perception based on joint object detection and semantic segmentation | |
CN116628626A (zh) | 基于特征交叉融合的短时强降水分型方法 | |
CN116630610A (zh) | 基于语义分割模型和条件随机场的roi区域提取方法 | |
CN111429436B (zh) | 一种基于多尺度注意力和标签损失的本质图像分析方法 | |
CN113988154A (zh) | 一种基于不变信息蒸馏的无监督解耦图像生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |