CN111553303A - 基于卷积神经网络的遥感正射影像密集建筑物提取方法 - Google Patents
基于卷积神经网络的遥感正射影像密集建筑物提取方法 Download PDFInfo
- Publication number
- CN111553303A CN111553303A CN202010384402.1A CN202010384402A CN111553303A CN 111553303 A CN111553303 A CN 111553303A CN 202010384402 A CN202010384402 A CN 202010384402A CN 111553303 A CN111553303 A CN 111553303A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- network
- model
- mask
- rcnn
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 59
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000011176 pooling Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本发明涉及基于卷积神经网络的遥感正射影像密集建筑物提取方法,具体包括以下步骤:S1:制作训练样本:获取原始建筑物遥感影像,并标注,然后进行数据增强;S2:建立改进的Mask‑RCNN模型:在Mask‑RCNN原有的基础特征提取网络后设有一个由底到上的特征增强结构,从特征增强结构输出的特征经区域建议网络RPN输入到池化层,对池化后每一层级特征进行融合,特征融合后连接旋转不变全连接层,最后进行Mask‑RCNN分类、边框定位和mask回归;S3:模型训练、微调;S4:模型测试:将待测遥感影像数据输入训练好的最优模型中进行处理,获得建筑物提取结果。本申请的提取方法克服了遥感影像方向多样性、尺度多样性带来的识别误差,能够实现对建筑物的高精度提取。
Description
技术领域
本发明涉及计算机视觉实例分割领域,特别是涉及基于卷积神经网络的遥感正射影像密集建筑物提取方法。
背景技术
高分辨率遥感影像中建筑物的自动化提取对数字地图的制作和更新、城市变化检测、违规建筑检测以及智慧城市的建设等具有极其重要的作用。目前常用的建筑物识别和提取的方法分为两类:传统的机器学习方法和深度学习方法。传统的机器学习通过人工设计特征来实现对建筑物的表达,从而实现建筑物的识别与提取,通常设计的建筑物特征包括:长度、面积、形状、高度以及一些纹理特征等,这种方法主要是基于经验来设计特征,并且设计的特征会由于外部环境的变化而有所改变,所以这种方法提取的精度都不是很高。2006年深度学习的提出,极大地促进了机器学习的发展,相较于传统的机器学习人工提取特征的方式,深度学习采用的是神经网络自动提取特征。其中在图像识别上卷积神经网络(Convolutional Neural Network,CNN)应用最为广泛,2015年卷积神经网络开始被引入遥感领域中,在遥感影像分类、图像检索,对象识别等方面凸显巨大的优势。遥感影像的建筑物提取属于计算机视觉任务,但是相较于其他的计算机视觉任务较为复杂,它不仅牵涉了计算机视觉里面的图像分类和语义分割问题,还是一个目标检测和实例分割问题。目前大部分学者使用的是图像的语义分割来实现建筑物的提取,但是显然这并不能满足实际生产的需要,在实际生产中我们往往关注的是建筑物本身属性,比如建筑物的数量和建筑物的位置等。因此,如何以实例分割方法来实现建筑物的提取成为目前亟待研究的问题。
目前最流行的深度学习实例分割框架是Mask-RCNN,但是将Mask-RCNN直接用于遥感影像建筑物识别精度并不是很高,主要原因有两点:1.遥感影像本身具有多方向性的特点,遥感数据集多为俯拍,目标的方向都是不确定的。2.遥感影像拍摄的高度不一,几百米到几万米均有,这时地面的同类目标可能大小不一;就地面建筑物来说,建筑物的形状大小本身就存在大小不一的情况,现有的Mask-RCNN模型并不能检测出所有房屋,比如对小型房屋提取的效果较好,对于大型建筑物提取的效果并不是很好。
发明内容
为了克服现有技术的上述不足,本发明提出了基于卷积神经网络的遥感正射影像密集建筑物提取方法,解决现有遥感影像建筑物识别精度不高,无法克服遥感影像方向多样性、尺度多样性带来识别误差的技术问题。
本发明是通过以下技术方案实现的:
基于卷积神经网络的遥感正射影像密集建筑物提取方法,具体包括以下步骤:
S1:制作训练样本:获取原始建筑物遥感影像,并通过VIA数据标记工具进行标注,然后进行数据增强;
S2:建立改进的Mask-RCNN模型:所述改进的Mask-RCNN模型包括Mask-RCNN原有的基础特征提取网络,所述基础特征提取网络后设有一个由底到上的特征增强结构,从特征增强结构输出的特征经区域建议网络RPN输入到池化层,对池化后每一层级特征进行融合,特征融合后连接旋转不变全连接层,最后进行Mask-RCNN分类、边框定位和mask回归,实现对遥感影像中建筑物的提取;
S3:模型训练、微调:将S1中制作好的训练样本输入改进的Mask-RCNN模型中进行训练,并微调模型超参数,当损失函数收敛或近似收敛时,停止训练,得到训练的最优模型;
S4:模型测试:将待测遥感影像数据输入训练好的最优模型中进行测试,并分析建筑物提取结果,统计提取精度。
进一步的,S1中对数据进行标注之前先剪裁。
进一步的,S1中数据增强的方式为随机90°倍数旋转、水平翻转和伸缩变换。
进一步的,S2中采用的Mask-RCNN基础特征提取网络有特征提取主干网络和主干网络的扩展网络,Mask-RCNN特征提取主干网络为深度残差网络,主干网络的扩展网络为特征金字塔网络FPN。
进一步的,S3中模型超参数包括迭代次数、学习率。
进一步的,S4中模型测试时,先裁剪为小块进行测试,之后再拼接。
进一步的,S4中测试前,观察在训练集和验证集上的精度曲线来分析模型是否存在过拟合和欠拟合的情况,如若不存在过拟合和欠拟合则可进行后续的测试。
与现有技术相比,本发明的有益效果在于:
(1)本发明提出的基于卷积神经网络的遥感正射影像密集建筑物提取方法,通过在制作训练样本的时候对原始遥感影像进行数据增强,并在原有Mask-RCNN分类层前面加一个旋转不变层,很好的解决遥感影像方向多样性的技术问题;
(2)在原有Mask-RCNN基础特征提取网络后增设一个由底到上的特征增强结构进行底层特征增强,增强低层特征的信息传播能力,并对池化后的每一层级特征进行融合,利用融合后的特征进行预测,解决了遥感影像尺度多样性的技术问题;
综上,本申请提出的基于卷积神经网络的遥感正射影像密集建筑物提取方法,自动化程度高,节省了大量的人力物力;建筑物识别精度高,克服遥感影像因方向多样性、尺度多样性产生的识别误差。
附图说明
图1为现有Mask-RCNN网络的工作流程图;
图2为本发明实施例所述基于卷积神经网络的遥感正射影像密集建筑物提取方法的流程示意图;
图3为本发明实施例所述特征增强结构示意图;
图4为本发明实施例所述特征融合示意图;
图5为本发明实施例所述改进的Mask-RCNN网络的工作流程图;
图6(a)本发明实施例所述待测遥感影像;
图6(b)为图6(a)的建筑物识别结果;
图6(c)为图6(a)的建筑物提取结果。
具体实施方式
展示一下实例来具体说明本发明的某些实施例,且不应解释为限制本发明的范围。对本发明公开的内容可以同时从材料、方法和反应条件进行改进,所有这些改进,均应落入本发明的精神和范围之内。
现有Mask-RCNN网络的工作流程如图1所示,待检测的图像先经过特征提取网络,进行特征提取;然后经区域建议网络(Region Proposal Network,RPN)生成候选区域,由于生成的候选区域具有高度的重叠,Mask-RCNN中利用非极大值抑制算法(Non-MaximumSuppression,NMS)进行抑制;接着对经抑制后剩余的候选区域进行ROIAlign池化;最后对候选区域通过Softmax分类器进行分类、多任务损失边框回归算法得到检测边框的坐标、利用全卷积分割网络(Fully Convolutional Networks,FCN)生成掩膜(Mask)等操作。
如图2所示,本申请基于卷积神经网络的遥感正射影像密集建筑物提取方法,具体包括以下步骤:
S1:制作训练样本:获取原始建筑物遥感影像(1024*1024),先进行剪裁,由于遥感影像一般尺寸大无法直接输入网络进行训练,因此需要剪裁成小块,然后对剪裁之后的图像采用VIA数据标记工具进行标注,最后对数据进行增强来增强训练数据的多样性,数据增强采用的方式为随机90°倍数旋转、水平翻转和伸缩变换;
S2:建立改进的Mask-RCNN模型,如图5所示:所述改进的Mask-RCNN模型包括Mask-RCNN原有的基础特征提取网络,利用特征提取网络进行卷积层特征提取,这里采用的Mask-RCNN基础特征提取网络有特征提取主干网络和主干网络的扩展网络,Mask-RCNN特征提取主干网络为深度残差网络,主干网络的扩展网络为特征金字塔网络FPN;所述基础特征提取网络后设有一个由底到上的特征增强结构,以增强底层特征的信息传播能力,特征增强结构如图3所示,图中的Ni经过卷积核尺寸为3*3,步长为2的卷积层后,特征图尺寸缩减为原来的一半,然后和Pi+1做特征叠加(Element-wiseAdd),得到的结果再经过一个卷积核尺寸为3*3,步长为1的卷积层得到Ni+1,特征图尺寸不变。从特征增强结构输出的特征经区域建议网络RPN生成建议窗口,接着进入池化层对每一层级的建议窗口进行池化,然后进行特征融合,生成固定尺寸的特征图,融合示意图如图4所示,特征融合后连接旋转不变全连接层,以确保训练样本在旋转前后分享相似的特征,最后进行Mask-RCNN分类、边框定位和mask回归,实现对遥感影像中建筑物的提取;
S3:模型训练、微调:将S1中制作好的训练样本输入改进的Mask-RCNN模型中进行训练,并微调模型超参数,如迭代次数、学习率,当损失函数收敛或近似收敛时,停止训练,得到训练的最优模型;
S4:模型测试:观察在训练集和验证集上的精度曲线来分析模型是否存在过拟合和欠拟合的情况,如若不存在过拟合和欠拟合,则将待测遥感影像数据输入训练好的最优模型中进行测试,并分析建筑物提取结果,统计提取精度;测试时,先裁剪为小块进行测试,之后再拼接。
应用:将5.76*4.32平方公里的建筑物遥感影像数据输入训练好的最优模型中进行提取,如图6(a)是原始图像,图(b)是建筑物识别结果,图(c)是掩膜边界提取结果;提取的准确率为85%,漏检率为5%,用时302s。
本申请提出的基于卷积神经网络的遥感正射影像密集建筑物提取方法,通过在制作训练样本的时候对原始遥感影像进行数据增强,并在原有Mask-RCNN分类层前面加一个旋转不变层,很好的解决遥感影像方向多样性的技术问题;在原有Mask-RCNN基础特征提取网络后增设一个由底到上的特征增强结构进行底层特征增强,增强低层特征的信息传播能力,并对池化后的每一层级特征进行融合,利用融合后的特征进行预测,解决了遥感影像尺度多样性的技术问题;具有识别精度高、自动化程度高的优点。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,具体包括以下步骤:
S1:制作训练样本:获取原始建筑物遥感影像,并通过VIA数据标记工具进行标注,然后进行数据增强;
S2:建立改进的Mask-RCNN模型:所述改进的Mask-RCNN模型包括Mask-RCNN原有的基础特征提取网络,所述基础特征提取网络后设有一个由底到上的特征增强结构,从特征增强结构输出的特征经区域建议网络RPN输入到池化层,对池化后每一层级特征进行融合,特征融合后连接旋转不变全连接层,最后进行Mask-RCNN分类、边框定位和mask回归,实现对遥感影像中建筑物的提取;
S3:模型训练、微调:将S1中制作好的训练样本输入改进的Mask-RCNN模型中进行训练,并微调模型超参数,当损失函数收敛或近似收敛时,停止训练,得到训练的最优模型;
S4:模型测试:将待测遥感影像数据输入训练好的最优模型中进行测试,并分析建筑物提取结果,统计提取精度。
2.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,S1中对数据进行标注之前先剪裁。
3.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,S1中数据增强的方式为随机90°倍数旋转、水平翻转和伸缩变换。
4.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,S2中采用的Mask-RCNN基础特征提取网络有特征提取主干网络和主干网络的扩展网络,Mask-RCNN特征提取主干网络为深度残差网络,主干网络的扩展网络为特征金字塔网络FPN。
5.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,S3中模型超参数包括迭代次数、学习率。
6.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,S4中模型测试时,先裁剪为小块进行测试,之后再拼接。
7.根据权利要求1所述的基于卷积神经网络的遥感正射影像密集建筑物提取方法,其特征在于,S4中测试前,观察在训练集和验证集上的精度曲线来分析模型是否存在过拟合和欠拟合的情况,如若不存在过拟合和欠拟合则可进行后续的测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384402.1A CN111553303B (zh) | 2020-05-07 | 2020-05-07 | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384402.1A CN111553303B (zh) | 2020-05-07 | 2020-05-07 | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553303A true CN111553303A (zh) | 2020-08-18 |
CN111553303B CN111553303B (zh) | 2024-03-29 |
Family
ID=72006165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384402.1A Active CN111553303B (zh) | 2020-05-07 | 2020-05-07 | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553303B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232328A (zh) * | 2020-12-16 | 2021-01-15 | 南京邮电大学 | 基于卷积神经网络的遥感影像建筑区提取方法、装置 |
CN112418033A (zh) * | 2020-11-11 | 2021-02-26 | 广州数鹏通科技有限公司 | 基于mask rcnn神经网络的滑坡坡面分割识别方法 |
CN112507888A (zh) * | 2020-12-11 | 2021-03-16 | 北京建筑大学 | 建筑物识别方法及装置 |
CN112712535A (zh) * | 2021-01-18 | 2021-04-27 | 长安大学 | 基于模拟困难样本的Mask-RCNN滑坡分割方法 |
CN112733688A (zh) * | 2020-12-30 | 2021-04-30 | 中国科学技术大学先进技术研究院 | 房屋的属性值预测方法、装置、终端设备以及存储介质 |
CN112950780A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及系统 |
CN112990086A (zh) * | 2021-04-08 | 2021-06-18 | 海南长光卫星信息技术有限公司 | 遥感影像建筑物检测方法、装置及计算机可读存储介质 |
CN113011288A (zh) * | 2021-03-02 | 2021-06-22 | 中北大学 | 一种基于Mask RCNN算法的遥感建筑物检测方法 |
CN113239786A (zh) * | 2021-05-11 | 2021-08-10 | 重庆市地理信息和遥感应用中心 | 基于增强学习与特征变换的遥感图像乡村别墅识别方法 |
CN113361662A (zh) * | 2021-07-22 | 2021-09-07 | 全图通位置网络有限公司 | 一种城市轨道交通遥感图像数据的处理系统及方法 |
CN113486840A (zh) * | 2021-07-21 | 2021-10-08 | 武昌理工学院 | 一种基于复合网络修正的建筑物快速提取方法 |
CN113724381A (zh) * | 2021-07-23 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种基于高分遥感影像的动态三维场景快速重建方法 |
CN112418033B (zh) * | 2020-11-11 | 2024-05-03 | 广州数鹏通科技有限公司 | 基于mask rcnn神经网络的滑坡坡面分割识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180341859A1 (en) * | 2017-05-24 | 2018-11-29 | Southwest Research Institute | Detection of Hazardous Leaks from Pipelines Using Optical Imaging and Neural Network |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
CN109635812A (zh) * | 2018-11-29 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
CN110084124A (zh) * | 2019-03-28 | 2019-08-02 | 北京大学 | 基于特征金字塔网络的特征增强目标检测方法 |
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 |
CN110287927A (zh) * | 2019-07-01 | 2019-09-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
US20190332625A1 (en) * | 2018-04-26 | 2019-10-31 | Electronics And Telecommunications Research Institute | Apparatus and method for searching for building based on image and method of constructing building search database for image-based building search |
CN110674742A (zh) * | 2019-09-24 | 2020-01-10 | 电子科技大学 | 基于DLinkNet的遥感图像道路提取方法 |
CN111046928A (zh) * | 2019-11-27 | 2020-04-21 | 上海交通大学 | 定位精准的单阶段实时通用目标检测器及方法 |
-
2020
- 2020-05-07 CN CN202010384402.1A patent/CN111553303B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180341859A1 (en) * | 2017-05-24 | 2018-11-29 | Southwest Research Institute | Detection of Hazardous Leaks from Pipelines Using Optical Imaging and Neural Network |
WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
US20190332625A1 (en) * | 2018-04-26 | 2019-10-31 | Electronics And Telecommunications Research Institute | Apparatus and method for searching for building based on image and method of constructing building search database for image-based building search |
CN109635812A (zh) * | 2018-11-29 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 图像的实例分割方法及装置 |
CN110084124A (zh) * | 2019-03-28 | 2019-08-02 | 北京大学 | 基于特征金字塔网络的特征增强目标检测方法 |
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 |
CN110287927A (zh) * | 2019-07-01 | 2019-09-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
CN110674742A (zh) * | 2019-09-24 | 2020-01-10 | 电子科技大学 | 基于DLinkNet的遥感图像道路提取方法 |
CN111046928A (zh) * | 2019-11-27 | 2020-04-21 | 上海交通大学 | 定位精准的单阶段实时通用目标检测器及方法 |
Non-Patent Citations (3)
Title |
---|
DOROTHEE STILLER, ET.AL: "Large-scale building extraction in very high-resolution aerial imagery using Mask R-CNN", 《IEEE》, 22 August 2019 (2019-08-22), pages 1 - 4 * |
刘俊琦, 等: "可见光遥感图像海面目标检测技术综述", 《计算机科学》, vol. 47, no. 3, 31 March 2020 (2020-03-31), pages 116 - 123 * |
李大军,等: "基于Mask-RCNN的建筑物目标检测算法", 《测绘科学》, vol. 44, no. 10, pages 172 - 180 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418033A (zh) * | 2020-11-11 | 2021-02-26 | 广州数鹏通科技有限公司 | 基于mask rcnn神经网络的滑坡坡面分割识别方法 |
CN112418033B (zh) * | 2020-11-11 | 2024-05-03 | 广州数鹏通科技有限公司 | 基于mask rcnn神经网络的滑坡坡面分割识别方法 |
CN112507888A (zh) * | 2020-12-11 | 2021-03-16 | 北京建筑大学 | 建筑物识别方法及装置 |
CN112232328A (zh) * | 2020-12-16 | 2021-01-15 | 南京邮电大学 | 基于卷积神经网络的遥感影像建筑区提取方法、装置 |
CN112733688A (zh) * | 2020-12-30 | 2021-04-30 | 中国科学技术大学先进技术研究院 | 房屋的属性值预测方法、装置、终端设备以及存储介质 |
CN112733688B (zh) * | 2020-12-30 | 2022-10-18 | 中国科学技术大学先进技术研究院 | 房屋的属性值预测方法、装置、终端设备以及计算机可读存储介质 |
CN112712535A (zh) * | 2021-01-18 | 2021-04-27 | 长安大学 | 基于模拟困难样本的Mask-RCNN滑坡分割方法 |
CN112712535B (zh) * | 2021-01-18 | 2024-03-22 | 长安大学 | 基于模拟困难样本的Mask-RCNN滑坡分割方法 |
CN113011288A (zh) * | 2021-03-02 | 2021-06-22 | 中北大学 | 一种基于Mask RCNN算法的遥感建筑物检测方法 |
CN112950780B (zh) * | 2021-03-12 | 2022-09-06 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及系统 |
CN112950780A (zh) * | 2021-03-12 | 2021-06-11 | 北京理工大学 | 一种基于遥感影像的网络地图智能生成方法及系统 |
CN112990086A (zh) * | 2021-04-08 | 2021-06-18 | 海南长光卫星信息技术有限公司 | 遥感影像建筑物检测方法、装置及计算机可读存储介质 |
CN113239786A (zh) * | 2021-05-11 | 2021-08-10 | 重庆市地理信息和遥感应用中心 | 基于增强学习与特征变换的遥感图像乡村别墅识别方法 |
CN113486840A (zh) * | 2021-07-21 | 2021-10-08 | 武昌理工学院 | 一种基于复合网络修正的建筑物快速提取方法 |
CN113361662B (zh) * | 2021-07-22 | 2023-08-29 | 全图通位置网络有限公司 | 一种城市轨道交通遥感图像数据的处理系统及方法 |
CN113361662A (zh) * | 2021-07-22 | 2021-09-07 | 全图通位置网络有限公司 | 一种城市轨道交通遥感图像数据的处理系统及方法 |
CN113724381B (zh) * | 2021-07-23 | 2022-06-28 | 广州市城市规划勘测设计研究院 | 一种基于高分遥感影像的动态三维场景快速重建方法 |
CN113724381A (zh) * | 2021-07-23 | 2021-11-30 | 广州市城市规划勘测设计研究院 | 一种基于高分遥感影像的动态三维场景快速重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111553303B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553303A (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN110232406B (zh) | 一种基于统计学习的液晶面板cf图片识别方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
CN109447979B (zh) | 基于深度学习和图像处理算法的目标检测方法 | |
CN111932511B (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
Li et al. | SPM-IS: An auto-algorithm to acquire a mature soybean phenotype based on instance segmentation | |
CN112784403A (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN111178392B (zh) | 基于深度神经网络的航空发动机孔探图像损伤分割方法 | |
CN102683165A (zh) | 智能缺陷筛选及取样方法 | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN109145846A (zh) | 材料微观结构智能识别分析系统及分析方法 | |
CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
CN103886332A (zh) | 一种检测与识别金属网栅缺陷的方法 | |
CN112836614A (zh) | 一种基于残差网络和迁移学习的高分遥感图像分类方法 | |
CN112348750B (zh) | 基于阈值融合和邻域投票的sar图像变化检测方法 | |
CN111815625A (zh) | 基于深度学习的早期肺癌预测方法 | |
CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
CN115082444B (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN113077458B (zh) | 一种遥感影像中的云和阴影检测方法及系统 |
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 |