CN112070069A - 遥感图像的识别方法和装置 - Google Patents

遥感图像的识别方法和装置 Download PDF

Info

Publication number
CN112070069A
CN112070069A CN202011245258.XA CN202011245258A CN112070069A CN 112070069 A CN112070069 A CN 112070069A CN 202011245258 A CN202011245258 A CN 202011245258A CN 112070069 A CN112070069 A CN 112070069A
Authority
CN
China
Prior art keywords
image
features
remote sensing
text
fusion
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
CN202011245258.XA
Other languages
English (en)
Inventor
劳江微
王剑
陈景东
褚崴
孙剑哲
顾欣欣
甘利民
马波
汪佳
孙晓冬
余泉
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.)
Alipay Hangzhou Information Technology Co Ltd
Original Assignee
Alipay Hangzhou Information Technology Co Ltd
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 Alipay Hangzhou Information Technology Co Ltd filed Critical Alipay Hangzhou Information Technology Co Ltd
Priority to CN202011245258.XA priority Critical patent/CN112070069A/zh
Publication of CN112070069A publication Critical patent/CN112070069A/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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • G06F18/25—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

Landscapes

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

Abstract

本说明书实施例提供了遥感图像的识别方法和装置。根据实施例的方法，首先需要得到待识别的遥感图像和文本识别参考数据，并对遥感图像和文本识别参考数据分别进行特征提取得到图像特征和文本特征。然后将图像特征和文本特征进行融合，得到融合特征，进而利用图像识别模型对融合特征进行识别得到遥感图像的识别结果。如此采用多源信息融合的方式，利用文本特征对图像特征进行筛选，能够提升遥感图像的识别精度。

Description

遥感图像的识别方法和装置
技术领域
本说明书一个或多个实施例涉及图像处理技术领域，尤其涉及遥感图像的识别方法和装置。
背景技术
遥感图像是基于成像原理和光谱技术捕获的各类地物连续的光谱数据和空间数据。结合图像处理，对遥感图像进行识别的遥感图像识别技术是现阶段对地物信息进行获取的重要手段。
然而，传统的遥感图像识别技术在建立大规模、通用型遥感图像识别系统时，往往需要大量的图像数据才能构建起比较好的特征表达。但在实际应用中并不能完全做到图像数据的全覆盖，因此大大降低了遥感图像的识别精度。此外，由于同一种地物可能对应不同的光谱信息，以及相同的光谱信息可能对应不同的物体，如此也会导致遥感图像的识别精度不高。
因此，针对以上不足，需要提供更加精准的遥感图像识别方案。
发明内容
本说明书一个或多个实施例描述了遥感图像的识别方法和装置，能够提高遥感图像的识别精度。
根据第一方面，提供了遥感图像的识别方法，包括：
接收待识别的遥感图像；
根据所述待识别的遥感图像的拍摄信息，确定文本识别参考数据；
对所述遥感图像进行特征提取，得到该遥感图像的图像特征；
对所述文本识别参考数据进行特征提取，得到该文本识别参考数据的文本特征；
对所述图像特征和所述文本特征进行融合处理，得到融合特征；
将所述融合特征输入预先训练的图像识别模型中，以由该图像识别模型对所述遥感图像进行识别；其中，所述图像识别模型的识别方法包括：根据所述融合特征中的图像特征得到初级识别结果，从所述初级识别结果中筛选符合所述融合特征中的所述文本特征的识别结果。
在一个实施例中，其中，所述对所述遥感图像进行特征提取，包括：
对所述遥感图像进行至少两个尺度的特征提取，得到至少两个图像特征；
所述对所述图像特征和所述文本特征进行融合处理，包括：
根据预先确定的融合维度，将所述至少两个图像特征分别对应的初始矩阵与所述文本特征对应的初始矩阵进行对齐；以及
将对齐后的各矩阵进行融合计算。
在一个实施例中，其中，所述融合维度满足：大于或等于所述至少两个图像特征分别对应的初始矩阵的维度和所述文本特征对应的初始矩阵的维度中的最大维度。
在一个实施例中，其中，所述至少两个图像特征的特征分辨率依次降低；
所述将对齐后的各矩阵进行融合计算，包括：
在所述至少两个图像特征中确定特征分辨率最低的第一图像特征；
将所述文本特征对应的对齐后的矩阵与所述第一图像特征对应的对齐后的矩阵进行融合计算，获得初级融合矩阵；
将所述初级融合矩阵与除所述第一图像特征之外的图像特征对应的对齐后的矩阵进行融合计算。
在一个实施例中，其中，所述将所述初级融合矩阵与除所述第一图像特征之外的图像特征对应的对齐后矩阵进行融合计算，包括：
将除所述第一图像特征之外的图像特征对应的对齐后的矩阵经可变形卷积层进行处理；
将所述初级融合矩阵与经可变形卷积层处理后的各矩阵进行融合计算。
在一个实施例中，其中，所述文本识别参考数据包括：所述待识别的遥感图像的拍摄信息和根据该拍摄信息从预先设置的先验知识库中获取的参考物体的标识信息。
在一个实施例中，其中，所述遥感图像的拍摄信息包括以下中的至少一项：该遥感图像被拍摄的时间信息、该遥感图像所拍摄的地域名称、该遥感图像所拍摄的地点的经纬度信息。
在一个实施例中，其中，所述对所述遥感图像进行特征提取，包括：利用图像编码器对所述遥感图像进行特征提取；所述图像编码器包括卷积神经网络；
和/或，
所述对所述文本数据进行特征提取，包括：利用文本编码器对所述文本识别参考数据进行特征提取；所述文本编码器包括循环神经网络和Transformer模型中的至少一个；
和/或，
所述图像识别模型通过卷积神经网络实现。
根据第二方面，提供了遥感图像的识别装置，包括：
数据确定模块，配置为接收待识别的遥感图像；根据所述待识别的遥感图像的拍摄信息，确定文本识别参考数据；
特征提取模块，配置为对所述数据确定模块接收到的所述遥感图像进行特征提取，得到该遥感图像的图像特征；对所述数据确定模块确定的所述文本识别参考数据进行特征提取，得到该文本识别参考数据的文本特征；
特征融合模块，配置为对所述特征提取模块提取得到的所述图像特征和所述文本特征进行融合处理，得到融合特征；
图像识别模块，配置为将所述特征融合模块得到的所述融合特征输入预先训练的图像识别模型中，以由该图像识别模型对所述遥感图像进行识别；其中，所述图像识别模型的识别方法包括：根据所述融合特征中的图像特征得到初级识别结果，从所述初级识别结果中筛选符合所述融合特征中的所述文本特征的识别结果。
在一个实施例中，其中，所述特征提取模块，配置为对所述遥感图像进行至少两个尺度的特征提取，得到至少两个图像特征；
所述特征融合模块，配置为根据预先确定的融合维度，将所述至少两个图像特征分别对应的初始矩阵与所述文本特征对应的初始矩阵进行对齐；以及将对齐后的各矩阵进行融合计算。
在一个实施例中，其中，所述融合维度满足：大于或等于所述至少两个图像特征分别对应的初始矩阵的维度和所述文本特征对应的初始矩阵的维度中的最大维度。
在一个实施例中，其中，所述至少两个图像特征的特征分辨率依次降低；
所述特征融合模块，配置为执行如下操作：
在所述至少两个图像特征中确定特征分辨率最低的第一图像特征；
将所述文本特征对应的对齐后的矩阵与所述第一图像特征对应的对齐后的矩阵进行融合计算，获得初级融合矩阵；
将所述初级融合矩阵与除所述第一图像特征之外的图像特征对应的对齐后的矩阵进行融合计算。
在一个实施例中，其中，所述特征融合模块，配置为将除所述第一图像特征之外的图像特征对应的对齐后的矩阵经可变形卷积层进行处理；将所述初级融合矩阵与经可变形卷积层处理后的各矩阵进行融合计算。
在一个实施例中，其中，所述文本识别参考数据包括：所述待识别的遥感图像的拍摄信息和根据该拍摄信息从预先设置的先验知识库中获取的参考物体的标识信息。
在一个实施例中，其中，所述遥感图像的拍摄信息包括以下中的至少一项：该遥感图像被拍摄的时间信息、该遥感图像所拍摄的地域名称、该遥感图像所拍摄的地点的经纬度信息。
在一个实施例中，所述特征提取模块，配置为利用图像编码器对所述遥感图像进行特征提取；所述图像编码器包括卷积神经网络；
和/或，
所述所述特征提取模块，配置为利用文本编码器对所述文本识别参考数据进行特征提取；所述文本编码器包括循环神经网络和Transformer模型中的至少一个；
和/或，
所述图像识别模型通过卷积神经网络实现。
根据第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面中任一项所述的方法。
根据第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面中任一项所述的方法。
根据本说明书实施例提供的方法和装置，遥感图像的识别过程中，在获取遥感图像的同时，可以根据遥感图像的一些拍摄信息确定出用于对遥感图像进行辅助识别的文本识别参考数据。然后分别对遥感图像和文本识别参考数据进行特征提取，以及将提取出的图像特征和文本特征进行融合处理得到融合特征，最后通过图像识别模型对融合特征进行识别。由此可见，本说明书实施例提供的方案是采用对遥感图像和遥感图像的拍摄信息对应的文本识别参考数据进行融合来实现图像识别的。由于文本识别参考数据包括了用于对图像进行识别的辅助参考信息，因此在进行图像识别时可以利用文本特征对图像特征进行筛选，从而可以得到精度更高的识别结果，实现提高遥感图像识别精度的目的。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本说明书一个实施例提供的遥感图像的识别方法的流程图；
图2是本说明书另一个实施例提供的遥感图像的识别方法的流程图；
图3是本说明书一个实施例提供的遥感图像的识别装置的示意图。
具体实施方式
如前所述，传统的遥感图像识别技术在建立遥感图像识别系统时，采用单一的图像数据。这样，为了能够得到比较好的特征表达，往往需要大量的图像数据作为图像识别的依据。此外，只依赖单一的图像信息在进行遥感图像识别时，往往还会存在许多弊端。例如在农作物识别过程中，需要判定图像的像素中哪些是对应的农作物、具体地还需要分析出分别对应的是哪些农作物（如小麦、水稻和玉米等），单一的从图像中进行学习，往往需要大量的标注数据作为学习的相关经验。另外由于同物异谱和同谱异物的情况，即同一种物体可能对应不同的光谱信息，同时相同的光谱信息可能对应不同的物体，从而导致在只利用图像进行图像识别时存在图像误识别的情况。
在本说明书实施例所提供的方案中，考虑利用遥感图像和文本识别参考数据的多源信息进行图像识别，而不是单一源头的图像数据作为识别依据，能够极大地提高遥感图像的识别精度。如图1所示，本说明书实施例提供了遥感图像的识别方法，具体可以包括以下步骤：
步骤101：接收待识别的遥感图像；
步骤103：根据待识别的遥感图像的拍摄信息，确定文本识别参考数据；
步骤105：对遥感图像进行特征提取，得到该遥感图像的图像特征；
步骤107：对文本识别参考数据进行特征提取，得到该文本识别参考数据的文本特征；
步骤109：对图像特征和文本特征进行融合处理，得到融合特征；
步骤111：将融合特征输入预先训练的图像识别模型中，以由该图像识别模型对遥感图像进行识别；其中，所述图像识别模型的识别方法包括：根据所述融合特征中的图像特征得到初级识别结果，从所述初级识别结果中筛选符合所述融合特征中的所述文本特征的识别结果。
在本实施例中，遥感图像的识别过程中，在获取遥感图像的同时，可以根据遥感图像的一些拍摄信息确定出用于对遥感图像进行辅助识别的文本识别参考数据。然后分别对遥感图像和文本识别参考数据进行特征提取，以及将提取出的图像特征和文本特征进行融合处理得到融合特征，最后通过图像识别模型对融合特征进行识别。由此可见，本说明书实施例提供的方案是采用对遥感图像和遥感图像的拍摄信息对应的文本识别参考数据进行融合来实现图像识别的。由于文本识别参考数据包括了用于对图像进行识别的辅助参考信息，因此在进行图像识别时可以利用文本特征对图像特征进行筛选，从而可以得到精度更高的识别结果，实现提高遥感图像识别精度的目的。
在拍摄遥感图像时，往往得到的不仅仅是遥感图像，同时还会得到一些诸如时间和地点之类的遥感图像的拍摄信息，在本说明书实施例中，如图1所示的步骤103中，由于文本识别参考数据可以包括遥感图像的拍摄信息以及通过拍摄信息从先验知识库中获取到的参考物体的标识信息，即文本识别参考数据可以用于对图像识别进行辅助识别。具体地，通过对由该文本识别参考数据得到的文本特征和由遥感图像得到的图像特征进行融合时，文本特征能够对图像特征进行约束，筛选图像特征识别结果的数量，将识别结果范围进行缩小，从而达到提高遥感图像识别精度的目的。
在本实施例中，在利用图像识别模型对融合特征进行识别之前，首先需要通过遥感图像的历史数据和标签进行模型训练。在通过训练得到的图像识别模型对遥感图像进行识别时，首先需要对融合特征中的图像特征进行初级识别，然后再利用融合特征中的文本特征对初级识别的结果进行筛选，得到识别结果。如此，再次验证了通过文本特征和图像特征进行融合后识别能够提高遥感图像的识别精度。
在本说明书实施例中，为了提高遥感图像的识别精度，步骤105中对遥感图像进行特征提取时，需要对遥感图像进行至少两个尺度的特征提取，得到至少两个图像特征，该两个图像特征的分辨率要依次降低，即该两个图像特征的特征分辨率要有层次变化，如此在后续将文本特征与图像特征进行融合时，可以找到最适合的图像特征与文本特征进行融合，以提高最终遥感图像的识别精度。
当对遥感图像的至少两个特征提取完成之后，在对图像特征和文本特征进行融合之前，首先需要根据预先确定的融合维度对各图像特征对应的初始矩阵和文本特征对应的初始矩阵进行对齐，然后再将对齐后的各矩阵进行融合计算，如此各矩阵在进行融合时才能处于同一个维度下，保证了图像特征和文本特征的融合过程中各矩阵之间能够进行运算。
此处需要指出的是，确定出的融合维度要大于或等于至少两个图像特征分别对应的初始矩阵和文本特征对应的初始矩阵中的最大维度。也就是说，在对图像特征对应的初始矩阵与文本特征对应的初始矩阵进行维度对齐时，首先需要从所有的图像特征和文本特征各自所对应的初始矩阵中确定出维度最高的矩阵所对应的维度，然后将不小于该维度最高的矩阵所对应的维度确定为融合维度。此时，即可将所有的图像特征所对应的初始矩阵与文本特征所对应的初始矩阵按照该融合维度进行对齐。在进行图像特征和文本特征融合时，需要将文本特征与至少两个图像特征中分辨率最低且特征表达最抽象的图像特征进行融合。由于分辨率最低且表达最抽象的图像特征为全局图像，其包含的语义信息较为丰富，如此将文本特征融合到该特征分辨率最低的图像特征中，能够保证在语义信息完整的前提下对图像特征中与文本特征所描述的特征信息相悖的图像特征进行筛选和过滤，极大地提高了图像识别的准确性。最后，通过将图像特征中融合了文本特征的初级融合矩阵与没有融合文本特征的图像特征对应的对齐后的矩阵进行融合计算。如此实现了将文本特征和图像特征进行融合的目的，从而在利用该融合特征进行图像识别时，可以通过多源信息融合的方式来实现提升遥感图像识别精度的目的。
此外，在将融合了文本特征的图像特征对应的矩阵和没有融合文本特征的图像特征对应的矩阵进行融合计算之前，没有融合文本特征的图像特征对应的对齐后的矩阵需要通过可变形卷积层对图像特征进行筛选和提取，以获得对识别遥感图像有用的图像特征，且融合了文本特征的图像特征对应的矩阵需要降维至与没有融合文本特征的图像特征所对应的矩阵的维度一致。然后再将获得的图像特征对应的对齐后的矩阵和融合了文本特征的初级融合矩阵进行合并运算，如此可以利用对识别图像最有效的图像特征来提升遥感图像的识别精度。
在本说明书实施例中，文本识别参考数据可以包括待识别遥感图像的拍摄信息和根据该拍摄信息从预先设置的先验知识库中获取的参考物体的标识信息。而遥感图像的拍摄信息可以包括遥感图像的拍摄时间信息、遥感图像所拍摄的地域名称以及该遥感图像所拍摄的地点的经纬度信息等。
在本说明书实施例中，为了提高遥感图像的识别精度，在如图1所示的图像特征提取步骤105和文本特征提取步骤107中，可以利用包括卷积神经网络的图像编码器对遥感图像进行特征提取，并且利用诸如循环神经网络和Transformer模型的文本编码器对文本识别参考数据进行特征提取，如此通过图像编码器和文本编码器能够简洁而有效的得到对图像识别有用的图像特征和文本特征，从而能够利用较少的图像数据和文本数据来得到最准确的图像识别结果，不仅减少了图像识别时的数据处理量，而且能够提升图像识别的精确度。
在本说明书实施例中，通过将融合特征输入图像识别模型获得图像识别结果，而图像识别模型则是通过卷积神经网络实现的。具体地讲，在对融合特征进行识别时，具体是先利用包括卷积神经网络的解码器对融合特征进行特征再组合，然后利用图像识别模型对再组合后的融合特征进行识别。由此可见，在进行遥感图像的识别前还需要进一步训练得到图像识别模型，而图像识别模型又可以通过模型训练数据和标签来训练得到，通过利用标签来定义各像素点与历史数据中的参考物体的对应关系，从而在图像识别时可以根据融合特征准确的获得识别结果。值得注意的是，由于本说明书提供的方案是利用文本识别参考数据和遥感图像进行多源信息融合的方式，通过文本特征对图像特征进行了筛选和约束，因此，在利用标签定义各像素点与参考物体的对应关系时就不再像传统模型训练方式那样需要定义大量的标签，如此不仅提高了模型训练的执行效率，而且保证了图像识别的准确性。
为使本说明书的技术方案和优点更加明确，下面对本说明书实施例提供的遥感图像的识别方法作进一步详细说明，如图2所示，该遥感图像的识别方法可以包括如下步骤：
步骤201：获取待识别的遥感图像，确定文本识别参考数据。
在本说明书实施例中，遥感图像是由卫星通过卫星遥感影像所获取到的，在获取到遥感图像的同时，还会额外获取到一些关于遥感图像的拍摄信息，例如，遥感图像所对应的拍摄时间、地点以及经纬度等等。通过该遥感图像的拍摄信息可以在预先设置的先验知识库中获取到该遥感图像的拍摄信息所对应的参考物体的标识信息，如此即可将包括遥感图像的拍摄信息以及从先验知识库中得到的参考物体的标识信息的文本识别参考数据作为对遥感图像进行辅助识别的参考信息。
例如在建立遥感影像农作物识别系统时，拍摄遥感图像的同时会得到遥感图像的拍摄信息，而根据拍摄信息又可以在预先设置的先验知识库中大致获知该地区在这个时间主要的目标物体是什么，比如农作物是什么、农作物的分布情况以及农作物的成熟情况等等，从而可以利用文本识别参考数据与遥感图像进行多源信息融合，利用文本识别参考数据对遥感图像进行约束，以得到更加精准的遥感图像识别结果。如此在具体的应用场景中，利用卫星遥感技术获取种植信息来为农户提供信贷业务时，可以具有准确的信贷基础信息，从而能够准确地为农户设置专属的授信策略，以及赋予农户相应的信贷额度。
步骤203：对遥感图像进行特征提取，获得图像特征。
在本说明书实施例中，对遥感图像进行特征提取是通过利用图像编码器对遥感图像进行特征提取的，图像编码器主要可以包括卷积神经网络。对于获取到的任意遥感图像，两个距离较近的像素相比于距离较远的像素更为相似，普通的神经网络中，每个像素都和一个神经元相连，如此附加的计算负荷会使得网络不够精确。而卷积神经网络通过消除大量类似的不重要的连接来解决该问题，也就是说，卷积神经网络是通过对神经元之间的连接根据相似性进行过滤，使得图像处理在计算层面可控。因此，通过卷积神经网络可以准确有效的获得到遥感图像的图像特征。
具体的讲，在利用图像编码器对遥感图像进行特征提取时，是将遥感图像在不同的尺度进行特征提取，如此可以得到最接近语义信息的图像特征，从而可以保证后续在进行图像特征和文本特征融合时，能够将文本特征融合到该最接近语义信息的图像特征中，以提高最终得到的遥感图像识别结果的准确性。例如，遥感图像经过主干网络HRNet，得到4组多尺度特征，特征1至特征4其特征分辨率依次降低，特征表达也逐渐抽象化，如此得到的特征4即为最接近语义信息的图像特征，从而在后续进行文本特征和图像特征融合时，将文本特征融合到特征4中，由于最接近语义信息的特征4为全局量，即包含有最全的图像信息，因此将文本特征4融合到图像特征4中，能够得到更加准确的遥感图像识别结果。
当然，需要指出的是，在进行图像特征提取之前，需要先对图像的各像素进行归一化，从而保证后续对图像特征进行处理的准确性。
步骤205：对文本识别参考数据进行特征提取，得到文本识别参考数据的文本特征。
在本说明书实施例中，对文本识别参考数据进行特征提取是通过利用文本编码器对文本识别参考数据进行特征提取的，文本编码器主要可以包括循环神经网络和Transformer模型中的至少一个，如此可以准确地获得文本识别参考数据所对应的文本特征，从而可以为后续的特征融合以及特征识别的准确性提供保证。
以循环神经网络举例来说，循环神经网络在进行自然语言处理时已经获得了广泛的应用。不同于传统的前项反馈神经网络FNNs，循环神经网络引入了定向循环，能够处理输入之间具有前后关联性的问题，从而能够达到准确对文本特征进行特征提取的目的。具体地讲，循环神经网络的目的是用来处理序列数据。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多问题是无能为力的。例如，当要预测文本描述信息中某一个句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词往往不是独立的。而循环神经网络中其一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用与当前输出的计算中，即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出，还包括上一隐藏层的输出。因此，在本发明实施例中采用循环神经网络对文本识别参考数据进行特征提取获得文本特征时，能够利用循环神经网络的特点，在对文本识别时，能够同时考虑文本的前后关系，从而更加有效和准确的获得文本特征。
步骤207：对图像特征对应的初始矩阵与文本特征对应的初始矩阵进行对齐。
在本说明书实施例中，由于在提取图像特征和文本特征时，是分别利用不同的编码器进行的，因此获得的图像特征和文本特征所在的矩阵可能存在矩阵维度不相同的情况，而如果矩阵的维度不同时，后续是无法对图像特征和文本特征对应的矩阵进行融合和计算的，故需要对图像特征对应的矩阵与文本特征对应的矩阵进行维度对齐，即将图像特征所对应的矩阵维度与文本特征所对应的矩阵维度保持一致。
具体地来说，需要根据每一个图像特征对应的矩阵和文本特征对应的矩阵，确定出具有最高维度的矩阵所对应的维度，以不小于此维度的维度作为所有图像特征和文本特征对齐的标准，即每一个图像特征和文本特征所对应的矩阵应按照该维度进行对齐，使其都处于同一个维度。例如，对于特征提取出的四个图像特征和一个文本特征，其所对应的矩阵维度分别为5*5、4*4、4*4、3*3和2*2，如此其矩阵的维度最高为5*5。因此，需要将文本特征对应的矩阵和图像特征对应的矩阵的融合维度确定为不小于5*5，此处以5*5为例。则有，对其他维度不足5*5的矩阵进行等值扩充（通常采用补0的方式进行矩阵扩维），使其都达到5*5的维度，从而可以在后续的融合和计算时能够保证在同一维度下进行，同时也能够保证图像识别的准确性。
当然，在对图像特征对应的矩阵和文本特征对应的矩阵进行对齐时，可以选择不采用大于或等于各矩阵中维度最高的维度作为融合维度，也就是说可以选择较小的维度作为融合维度。但是，如果采用较小的维度作为矩阵融合的融合维度时，对于矩阵维度大于该融合维度的矩阵，需要对该矩阵进行降维，而降维的过程容易将矩阵中有用的特征信息遗失，从而会降低图像识别的准确性，因此本方案采用的大于或等于各矩阵中维度最高的维度作为融合维度为最优方案。
步骤209：确定初级融合矩阵，并将初级融合矩阵与其他图像特征所对应的对齐后的矩阵进行融合计算。
在本说明书实施例中，在获得融合特征时，首先需要在经过对齐后的所有图像特征中确定出特征分辨率最低且特征表达最抽象的第一图像特征，即需要找到最接近语义信息的图像特征，进一步将文本特征与该最接近语义信息的第一图像特征进行融合，得到初级融合特征。由于第一图像特征最接近语义信息，其特征分辨率最低，因此其为全局量，即包含有最完整的图像信息。如此通过将文本特征融合到该第一图像特征中，利用文本特征对图像特征进行约束，以将图像特征中与文本特征所表征的参考物体的信息相悖的图像特征进行过滤和筛选，保证了文本特征是对具有最全图像特征信息的图像特征进行约束的，避免了丢失有用的图像特征信息，从而有助于提升遥感图像识别的精度。最后将得到的初级融合矩阵与除第一图像特征之外的图像特征所对应的矩阵进行融合计算，获得融合特征。由此可见，本方案通过将文本特征融合进最接近语义信息的图像特征中，可以利用高低层次之间语义信息的互补性，最大程度的保证遥感图像的识别精度。高层特征用于度量语义相似度，低层特征用于度量细粒度相似度。例如，当目标物体为农田中的一座建筑标志时，高层相似性捕捉到的包含一个建筑物，而低层相似性则捕捉到同一个从属同类实体的建筑标志。显然，低层和高层特征的互补性可以提高图像与其他候选图像之间的相似度量精度。因此利用高层特征和低层特征融合的方式有助于提升遥感图像的识别精度。
需要说明的是，在将初级融合矩阵与除第一图像特征之外的图像特征所对应的矩阵进行融合计算之前，除第一图像特征之外的图像特征先要经可变形卷积层DCN进行处理，以通过不同的卷积核来获得对识别遥感图像有用的图像特征，从而可以利用最有效的图像特征来提升遥感图像的识别精度。
例如，通过卫星采集得到了农田遥感图像以及遥感图像的拍摄信息所对应的文本识别参考数据，遥感图像通过主干网络HRNet得到了多尺度特征1到4，该四个多尺度特征的分辨率是逐渐降低的，特征表达也逐渐抽象，故而特征4为最接近语义信息的特征，即为第一图像特征。因此，在特征融合过程中，可以将文本特征和特征4加入到空洞空间卷积池化金字塔ASPP，如此将文本特征作为全局特征进行融合，得到初级融合矩阵。同时，多尺度特征1至特征3需经过可变形卷积层DCN进行处理，以将对图像识别有用的图像特征进行提取和筛选，最后将初级融合矩阵与经过可变形卷积层处理的图像特征所对应的矩阵进行融合计算得到融合特征，从而最终可以利用该融合特征得到该农田信息的识别结果。
需要指出的是，在将初级融合特征与经可变形卷积层处理的图像特征进行混合后，还可以进一步将混合结果输入目标上下文表示模块，以此来增强像素与上下文之间的表达，从而进一步提升遥感图像识别的准确性。
步骤211：对融合特征进行识别得到识别结果。
在本说明书实施例中，对得到的融合特征进行识别之前，需要利用以卷积神经网络为代表的解码器对该融合特征进行再组合，进而利用图像识别模型对该再组合后的融合特征进行识别得到识别结果。其中，图像识别模型的识别方法包括：根据融合特征中的图像特征得到初级识别结果，从初级识别结果中筛选符合融合特征中的文本特征的识别结果。
比如，如果文本特征表征了遥感图像拍摄的时间，而根据图像特征得到的初级识别结果中包括了多种农作物，那么，根据该拍摄的时间，可以得到有些农作物明显与拍摄的时间不符合，例如拍摄的时间显示为夏季，那么，该多种农作物中如果有属于冬季的农作物，则可以过滤掉。
再如，如果文本特征表征了遥感图像拍摄的地点为A，而根据图像特征得到的初级识别结果中包括了多种农作物，那么，根据该拍摄的地点可以得到有些农作物与拍摄地点明显不符。例如拍摄的地点显示为寒带地区，那么图像识别结果中属于热带和亚热带地区的植物，则可以过滤掉。
又如，如果文本特征表征了从先验知识库中获取的农作物的种类为水果，而根据图像特征得到的初级识别结果中包括了梨树和西葫芦，且两者概率相同，那么，根据文本特征表征的农作物为水果，可以筛选出图像识别结果为梨树。
当然需要指出的是，文本特征只是作为图像特征识别的辅助识别参考数据，当图像识别结果和文本识别结果存在冲突时，主要还是以图像识别结果为准。比如，文本特征表征了从先验知识库中获取的信息为该地区在该时间点历年来种植的农作物为小麦，而根据图像特征得到的初级识别结果为玉米，由于此时的文本特征表征的是历年来的统计数据，所以这种存在冲突的情况下应以图像特征得到的识别结果为准，即识别结果为玉米。
图像识别模型是通过常用的深度学习模型训练方式得到，即利用模型训练数据和标签训练得到。例如可以首先对模型训练数据和标签进行数据预处理，然后将数据输入神经网络正向传播，得到得分，其中每个神经元先输入值加权累加再输入激活函数作为该神经元的输出值；在得到得分后，将得分输入误差函数，与期望值比较得到误差，通过误差判断识别程度。进一步，为了使误差最小，通过反向传播来确定梯度向量，以通过梯度向量来调整每一个权值，从而利用算法向得分使误差趋于0或收敛的趋势调节，如此通过重复上述过程直到设定次数或误差损失的平均值不再下降即可完成模型训练。
此处需要指出的是，当得到识别结果后，可以根据图像识别模型和识别结果进行分析，即根据模型得到的识别结果和模型训练数据中的实际结果之间的差异对模型进行可靠性分析，以及对识别出的结果进行可靠性分析，从而也可以进一步判断该图像识别模型是否需要通过再次进行训练学习来进行更新。
本说明书一个实施例提供了遥感图像的识别装置，如图3所示，该装置包括：
数据确定模块301，配置为接收待识别的遥感图像；根据待识别的遥感图像的拍摄信息，确定文本识别参考数据；
特征提取模块302，配置为对数据确定模块301接收到的遥感图像进行特征提取，得到该遥感图像的图像特征；对数据确定模块301确定的文本识别参考数据进行特征提取，得到该文本识别参考数据的文本特征；
特征融合模块303，配置为对特征提取模块302提取得到的图像特征和文本特征进行融合处理，得到融合特征；
图像识别模块304，配置为将特征融合模块303得到的融合特征输入预先训练的图像识别模型中，以由该图像识别模型对遥感图像进行识别；其中，图像识别模型的识别方法包括：根据融合特征中的图像特征得到初级识别结果，从初级识别结果中筛选符合融合特征中的文本特征的识别结果。
在本说明书另一个实施例中，其中，特征提取模块302，配置为对遥感图像进行至少两个尺度的特征提取，得到至少两个图像特征；
特征融合模块303，配置为根据预先确定的融合维度，将至少两个图像特征分别对应的初始矩阵与文本特征对应的初始矩阵进行对齐；以及将对齐后的各矩阵进行融合计算。
在本说明书另一个实施例中，其中，融合维度满足：大于或等于至少两个图像特征分别对应的初始矩阵的维度和文本特征对应的初始矩阵的维度中的最大维度。
在本说明书另一个实施例中，其中，特征融合模块303，配置为执行如下操作：
在至少两个图像特征中确定特征分辨率最低的第一图像特征；
将文本特征对应的对齐后的矩阵与第一图像特征对应的对齐后的矩阵进行融合计算，获得初级融合矩阵；
将初级融合矩阵与除第一图像特征之外的图像特征对应的对齐后的矩阵进行融合计算。
在本说明书另一个实施例中，其中，
特征融合模块303，配置为将除第一图像特征之外的图像特征对应的对齐后的矩阵经可变形卷积层进行处理；将初级融合矩阵与经可变形卷积层处理后的各矩阵进行融合计算。
在本说明书另一个实施例中，其中，文本识别参考数据包括：待识别的遥感图像的拍摄信息和根据该拍摄信息从预先设置的先验知识库中获取的参考物体的标识信息。
在本说明书另一个实施例中，其中，遥感图像的拍摄信息包括以下中的至少一项：该遥感图像被拍摄的时间信息、该遥感图像所拍摄的地域名称、该遥感图像所拍摄的地点的经纬度信息。
在本说明书另一个实施例中，其中，特征提取模块302，配置为利用图像编码器对遥感图像进行特征提取；图像编码器包括卷积神经网络；
在本说明书另一个实施例中，其中，特征提取模块302，配置为利用文本编码器对文本数据进行特征提取；文本编码器包括循环神经网络和Transformer模型中的至少一个；
在本说明书另一个实施例中，其中，图像识别模型通过卷积神经网络实现。
本说明书还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行说明书中任一个实施例中的方法。
本说明书还提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现说明书中任一个实施例中的方法。
可以理解的是，本说明书实施例示意的结构并不构成对图像识别装置的具体限定。在说明书的另一些实施例中，图像识别装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本说明书方法实施例基于同一构思，具体内容可参见本说明书方法实施例中的叙述，此处不再赘述。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本说明书描述的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (18)

1.遥感图像的识别方法，包括：
接收待识别的遥感图像；
根据所述待识别的遥感图像的拍摄信息，确定文本识别参考数据；
对所述遥感图像进行特征提取，得到该遥感图像的图像特征；
对所述文本识别参考数据进行特征提取，得到该文本识别参考数据的文本特征；
对所述图像特征和所述文本特征进行融合处理，得到融合特征；
将所述融合特征输入预先训练的图像识别模型中，以由该图像识别模型对所述遥感图像进行识别；其中，所述图像识别模型的识别方法包括：根据所述融合特征中的图像特征得到初级识别结果，从所述初级识别结果中筛选符合所述融合特征中的所述文本特征的识别结果。
2.根据权利要求1所述的方法，其中，
所述对所述遥感图像进行特征提取，包括：
对所述遥感图像进行至少两个尺度的特征提取，得到至少两个图像特征；
所述对所述图像特征和所述文本特征进行融合处理，包括：
根据预先确定的融合维度，将所述至少两个图像特征分别对应的初始矩阵与所述文本特征对应的初始矩阵进行对齐；以及
将对齐后的各矩阵进行融合计算。
3.根据权利要求2所述的方法，其中，所述融合维度满足：大于或等于所述至少两个图像特征分别对应的初始矩阵的维度和所述文本特征对应的初始矩阵的维度中的最大维度。
4.根据权利要求2所述的方法，其中，所述至少两个图像特征的特征分辨率依次降低；
所述将对齐后的各矩阵进行融合计算，包括：
在所述至少两个图像特征中确定特征分辨率最低的第一图像特征；
将所述文本特征对应的对齐后的矩阵与所述第一图像特征对应的对齐后的矩阵进行融合计算，获得初级融合矩阵；
将所述初级融合矩阵与除所述第一图像特征之外的图像特征对应的对齐后的矩阵进行融合计算。
5.根据权利要求4所述的方法，其中，所述将所述初级融合矩阵与除所述第一图像特征之外的图像特征对应的对齐后矩阵进行融合计算，包括：
将除所述第一图像特征之外的图像特征对应的对齐后的矩阵经可变形卷积层进行处理；
将所述初级融合矩阵与经可变形卷积层处理后的各矩阵进行融合计算。
6.根据权利要求1所述的方法，其中，
所述文本识别参考数据包括：所述待识别的遥感图像的拍摄信息和根据该拍摄信息从预先设置的先验知识库中获取的参考物体的标识信息。
7.根据权利要求1所述的方法，其中，所述遥感图像的拍摄信息包括以下中的至少一项：该遥感图像被拍摄的时间信息、该遥感图像所拍摄的地域名称、该遥感图像所拍摄的地点的经纬度信息。
8.根据权利要求1至7中任一所述的方法，其中，
所述对所述遥感图像进行特征提取，包括：利用图像编码器对所述遥感图像进行特征提取；所述图像编码器包括卷积神经网络；
和/或，
所述对所述文本识别参考数据进行特征提取，包括：利用文本编码器对所述文本识别参考数据进行特征提取；所述文本编码器包括循环神经网络和Transformer模型中的至少一个；
和/或，
所述图像识别模型通过卷积神经网络实现。
9.遥感图像的识别装置，包括：
数据确定模块，配置为接收待识别的遥感图像；根据所述待识别的遥感图像的拍摄信息，确定文本识别参考数据；
特征提取模块，配置为对所述数据确定模块接收到的所述遥感图像进行特征提取，得到该遥感图像的图像特征；对所述数据确定模块确定的所述文本识别参考数据进行特征提取，得到该文本识别参考数据的文本特征；
特征融合模块，配置为对所述特征提取模块提取得到的所述图像特征和所述文本特征进行融合处理，得到融合特征；
图像识别模块，配置为将所述特征融合模块得到的所述融合特征输入预先训练的图像识别模型中，以由该图像识别模型对所述遥感图像进行识别；其中，所述图像识别模型的识别方法包括：根据所述融合特征中的图像特征得到初级识别结果，从所述初级识别结果中筛选符合所述融合特征中的所述文本特征的识别结果。
10.根据权利要求9所述的装置，其中，所述特征提取模块，配置为对所述遥感图像进行至少两个尺度的特征提取，得到至少两个图像特征；
所述特征融合模块，配置为根据预先确定的融合维度，将所述至少两个图像特征分别对应的初始矩阵与所述文本特征对应的初始矩阵进行对齐；以及将对齐后的各矩阵进行融合计算。
11.根据权利要求10所述的装置，其中，所述融合维度满足：大于或等于所述至少两个图像特征分别对应的初始矩阵的维度和所述文本特征对应的初始矩阵的维度中的最大维度。
12.根据权利要求10所述的装置，其中，所述至少两个图像特征的特征分辨率依次降低；
所述特征融合模块，配置为执行如下操作：
在所述至少两个图像特征中确定特征分辨率最低的第一图像特征；
将所述文本特征对应的对齐后的矩阵与所述第一图像特征对应的对齐后的矩阵进行融合计算，获得初级融合矩阵；
将所述初级融合矩阵与除所述第一图像特征之外的图像特征对应的对齐后的矩阵进行融合计算。
13.根据权利要求12所述的装置，其中，所述特征融合模块，配置为将除所述第一图像特征之外的图像特征对应的对齐后的矩阵经可变形卷积层进行处理；将所述初级融合矩阵与经可变形卷积层处理后的各矩阵进行融合计算。
14.根据权利要求9所述的装置，其中，所述文本识别参考数据包括：所述待识别的遥感图像的拍摄信息和根据该拍摄信息从预先设置的先验知识库中获取的参考物体的标识信息。
15.根据权利要求9所述的装置，其中，所述遥感图像的拍摄信息包括以下中的至少一项：该遥感图像被拍摄的时间信息、该遥感图像所拍摄的地域名称、该遥感图像所拍摄的地点的经纬度信息。
16.根据权利要求9至15中任一所述的装置，其中，
所述特征提取模块，配置为利用图像编码器对所述遥感图像进行特征提取；所述图像编码器包括卷积神经网络；
和/或，
所述所述特征提取模块，配置为利用文本编码器对所述文本识别参考数据进行特征提取；所述文本编码器包括循环神经网络和Transformer模型中的至少一个；
和/或，
所述图像识别模型通过卷积神经网络实现。
17.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项所述的方法。
18.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-8中任一项所述的方法。
CN202011245258.XA 2020-11-10 2020-11-10 遥感图像的识别方法和装置 Pending CN112070069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011245258.XA CN112070069A (zh) 2020-11-10 2020-11-10 遥感图像的识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011245258.XA CN112070069A (zh) 2020-11-10 2020-11-10 遥感图像的识别方法和装置

Publications (1)

Publication Number Publication Date
CN112070069A true CN112070069A (zh) 2020-12-11

Family

ID=73655687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011245258.XA Pending CN112070069A (zh) 2020-11-10 2020-11-10 遥感图像的识别方法和装置

Country Status (1)

Country Link
CN (1) CN112070069A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817604A (zh) * 2021-02-18 2021-05-18 北京邮电大学 安卓系统控件意图识别方法、装置、电子设备及存储介质
CN113052159A (zh) * 2021-04-14 2021-06-29 中国移动通信集团陕西有限公司 一种图像识别方法、装置、设备及计算机存储介质
CN113469049A (zh) * 2021-06-30 2021-10-01 平安科技（深圳）有限公司 一种疾病信息识别方法、系统、装置及存储介质
CN113887466A (zh) * 2021-10-14 2022-01-04 广东电网有限责任公司 输电线路走廊水体隐患识别方法、装置、设备及介质
CN114092804A (zh) * 2021-11-06 2022-02-25 支付宝(杭州)信息技术有限公司 遥感图像的识别方法和装置
CN114328990A (zh) * 2021-10-13 2022-04-12 腾讯科技（深圳）有限公司 图像完整性识别方法、装置、计算机设备和存储介质
CN114913428A (zh) * 2022-04-26 2022-08-16 哈尔滨理工大学 一种基于深度学习的遥感图像目标检测系统
CN117670527A (zh) * 2024-02-02 2024-03-08 北京佳格天地科技有限公司 基于地块数据的农户贷款授信额度确定方法及系统
CN113052159B (zh) * 2021-04-14 2024-06-07 中国移动通信集团陕西有限公司 一种图像识别方法、装置、设备及计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960330A (zh) * 2018-07-09 2018-12-07 西安电子科技大学 基于快速区域卷积神经网络的遥感图像语义生成方法
CN110619313A (zh) * 2019-09-20 2019-12-27 西安电子科技大学 遥感图像判别性描述生成方法
CN111401302A (zh) * 2020-04-07 2020-07-10 中国人民解放军海军航空大学 遥感图像舰船目标一体化检测与细粒度识别方法
CN111832581A (zh) * 2020-09-21 2020-10-27 平安科技（深圳）有限公司 肺部特征识别方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960330A (zh) * 2018-07-09 2018-12-07 西安电子科技大学 基于快速区域卷积神经网络的遥感图像语义生成方法
CN110619313A (zh) * 2019-09-20 2019-12-27 西安电子科技大学 遥感图像判别性描述生成方法
CN111401302A (zh) * 2020-04-07 2020-07-10 中国人民解放军海军航空大学 遥感图像舰船目标一体化检测与细粒度识别方法
CN111832581A (zh) * 2020-09-21 2020-10-27 平安科技（深圳）有限公司 肺部特征识别方法、装置、计算机设备及存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817604A (zh) * 2021-02-18 2021-05-18 北京邮电大学 安卓系统控件意图识别方法、装置、电子设备及存储介质
CN113052159A (zh) * 2021-04-14 2021-06-29 中国移动通信集团陕西有限公司 一种图像识别方法、装置、设备及计算机存储介质
CN113052159B (zh) * 2021-04-14 2024-06-07 中国移动通信集团陕西有限公司 一种图像识别方法、装置、设备及计算机存储介质
CN113469049A (zh) * 2021-06-30 2021-10-01 平安科技（深圳）有限公司 一种疾病信息识别方法、系统、装置及存储介质
CN113469049B (zh) * 2021-06-30 2024-05-10 平安科技（深圳）有限公司 一种疾病信息识别方法、系统、装置及存储介质
CN114328990A (zh) * 2021-10-13 2022-04-12 腾讯科技（深圳）有限公司 图像完整性识别方法、装置、计算机设备和存储介质
CN113887466A (zh) * 2021-10-14 2022-01-04 广东电网有限责任公司 输电线路走廊水体隐患识别方法、装置、设备及介质
CN114092804A (zh) * 2021-11-06 2022-02-25 支付宝(杭州)信息技术有限公司 遥感图像的识别方法和装置
CN114913428A (zh) * 2022-04-26 2022-08-16 哈尔滨理工大学 一种基于深度学习的遥感图像目标检测系统
CN117670527A (zh) * 2024-02-02 2024-03-08 北京佳格天地科技有限公司 基于地块数据的农户贷款授信额度确定方法及系统
CN117670527B (zh) * 2024-02-02 2024-04-09 北京佳格天地科技有限公司 基于地块数据的农户贷款授信额度确定方法及系统

Similar Documents

Publication Publication Date Title
CN112070069A (zh) 遥感图像的识别方法和装置
CN106909924B (zh) 一种基于深度显著性的遥感影像快速检索方法
KR101830056B1 (ko) 딥러닝 기반의 병해 진단 시스템 및 그 이용방법
CN111291809B (zh) 一种处理装置、方法及存储介质
WO2021022521A1 (zh) 数据处理的方法、训练神经网络模型的方法及设备
CN110569696A (zh) 用于车辆部件识别的神经网络系统、方法和装置
CN112906720B (zh) 基于图注意力网络的多标签图像识别方法
CN112561027A (zh) 神经网络架构搜索方法、图像处理方法、装置和存储介质
Tuia et al. Recent advances in domain adaptation for the classification of remote sensing data
CN115170934B (zh) 一种图像分割方法、系统、设备及存储介质
CN113205142B (zh) 一种基于增量学习的目标检测方法和装置
CN110222718B (zh) 图像处理的方法及装置
CN111476315A (zh) 一种基于统计相关性与图卷积技术的图像多标签识别方法
US20220215656A1 (en) Method, apparatus, device for image processing, and storage medium
CN113705641B (zh) 基于富上下文网络的高光谱图像分类方法
CN113592060A (zh) 一种神经网络优化方法以及装置
CN115439754A (zh) 一种基于时序遥感影像的大范围跨物候区农作物制图方法
CN112036249A (zh) 端对端行人检测及属性识别的方法、系统、介质及终端
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
Farooq et al. Transferable convolutional neural network for weed mapping with multisensor imagery
CN115546640A (zh) 遥感影像的云检测方法、装置、电子设备及存储介质
CN114092804A (zh) 遥感图像的识别方法和装置
Haque et al. Image-based identification of maydis leaf blight disease of maize (Zea mays) using deep learning
Bhadra et al. End-to-end 3D CNN for plot-scale soybean yield prediction using multitemporal UAV-based RGB images
CN116630700A (zh) 基于引入通道-空间注意力机制的遥感图像分类方法

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