CN112070078A - 基于深度学习的土地利用分类方法及系统 - Google Patents

基于深度学习的土地利用分类方法及系统 Download PDF

Info

Publication number
CN112070078A
CN112070078A CN202011276709.6A CN202011276709A CN112070078A CN 112070078 A CN112070078 A CN 112070078A CN 202011276709 A CN202011276709 A CN 202011276709A CN 112070078 A CN112070078 A CN 112070078A
Authority
CN
China
Prior art keywords
land
incidence relation
classification
type
feature extraction
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
Application number
CN202011276709.6A
Other languages
English (en)
Other versions
CN112070078B (zh
Inventor
杜志强
李罗凯
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.)
Wuhan Union Space Information Technology Co ltd
Wuhan University WHU
Original Assignee
Wuhan Union Space 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 Wuhan Union Space Information Technology Co ltd filed Critical Wuhan Union Space Information Technology Co ltd
Priority to CN202011276709.6A priority Critical patent/CN112070078B/zh
Publication of CN112070078A publication Critical patent/CN112070078A/zh
Application granted granted Critical
Publication of CN112070078B publication Critical patent/CN112070078B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

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

Abstract

本发明公开一种基于深度学习的土地利用分类方法及系统，所述方法包括：制作土地覆盖类型训练样本及对应的土地利用类型训练样本；构建深度学习语义分割网络模型，并通过土地覆盖类型训练样本训练；以地理空间关联关系特征提取单元为基本单元，建立编码‑解码结构的类型转换网络模型；将土地利用类型训练样本分别按行与列进行划分，生成图像序列输入到类型转换网络模型中进行训练；将深度学习语义分割网络模型与类型转换网络模型串联整合，生成端到端土地利用分类模型；将待分类的遥感影像数据输入端到端土地利用分类模型，得到土地利用分类产品。本发明基于深度学习技术实现了土地覆盖地物类型向土地利用类型的转换，提高了土地利用分类精度。

Description

基于深度学习的土地利用分类方法及系统
技术领域
本发明涉及遥感影像分类技术领域，具体涉及一种基于深度学习的土地利用分类方法。
背景技术
基于高分辨率遥感影像的土地利用分类技术已广泛用于大尺度范围土地利用调查工作中，但传统的土地利用分类技术仍旧存在地物分类特征难提取、噪声干扰因子多、分类结果不够精细等问题；此外，土地利用类型多样且划分依据复杂，部分类别由多种不同地物组成，导致其内部结构复杂，一般依赖于遥感图像特征的分类方法不能对组成复杂的土地利用类型进行准确分类。相对于传统的分类方法，深度学习语义分割技术能够自动学习提取具有代表性的分类特征，获得更加精确的像素级分类结果。
关于基于高分辨率遥感影像的土地利用分类，大多研究方法通过分析遥感影像数据的光谱和纹理信息，提取各类型的分类特征，采用监督分类方法进行分类，该方法虽然能够有效提取多数纹理清晰组成简单的地物（如房屋、耕地、林地等），但对于组成复杂的土地利用类型分类效果较差。因为单纯的利用遥感影像图像信息而忽略了土地利用类型复杂的内部组成结构和各类型之间的地理空间关联关系，无法明确地反映人类对土地自然属性的利用方式和目的意图。
发明内容
有鉴于此，本发明提出了一种基于深度学习的土地利用分类方法及系统，用于解决现有单纯以遥感影像的光谱和纹理特征建立的土地利用分类模型中，土地利用类型复杂的内部组成结构与地理空间语义关联关系难以描述，分类结果破碎的问题。
本发明第一方面，公开一种基于深度学习的土地利用分类方法，所述方法包括：
获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；
构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型；
将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。
优选的，所述获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本具体为：
收集历史遥感影像数据、历史土地利用矢量数据和历史土地覆盖矢量数据，采用扫描线算法获取各矢量数据的边界区域，对各矢量数据进行矢量栅格化处理，生成相应的标注底图，同时对标注底图中标注边界不正确的区域进行纠正；
采用人工标注的方式，对土地覆盖类型标注底图中具有明显代表性的人造地物进行单独标注，得到精细的土地利用类型标注图与土地覆盖类型标注图；
对历史遥感数据影像及其对应的土地覆盖类型标注图进行切片处理，产生标准尺寸的土地覆盖类型训练样本；
对土地覆盖类型标注图及其对应的土地利用类型标注图进行切片处理，产生标准尺寸的土地利用类型训练样本。
优选的，所述类型转换网络模型包括编码部分、注意力模块和解码部分；
所述编码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合；
所述注意力模块连接类型转换网络模型的编码部分和解码部分，通过注意力模块内部学习不同土地覆盖地物在各土地利用类型中所占权重；
所述解码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合，输出层经过softmax函数输出最终分类结果。
优选的，所述地理空间关联关系特征提取单元具体结构为：
通过一个卷积计算与sigmoid激活函数组合成第一门控单元，用于计算当前单元的地理空间关联关系系数矩阵；
通过两个卷积计算和不同的激活函数组合成第二门控单元，用于获得当前单元的局部空间关联关系矩阵；
采用三个空洞率不同的空洞卷积核组合成多尺度空间特征提取单元，用于生成当前单元的分类特征；
将第一门控单元、第二门控单元、多尺度空间特征提取单元组合，构成地理空间关联关系特征提取单元，用于提取包含有地理空间关联关系的分类特征；
所述地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元的输出和当前层前一个地理空间关联关系特征提取单元提取的输出以及当前层全局空间关联关系。
优选的，所述地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元输出的分类特征
Figure 732308DEST_PATH_IMAGE001
、当前层前一个地理空间关联关系特征提取单元的输出的分类特征
Figure 715045DEST_PATH_IMAGE002
以及当前层全局地理空间关联关系矩阵
Figure 560641DEST_PATH_IMAGE003
，其中i代表第i个特征提取层，t代表特征提取层中第t个地理空间关联关系特征提取单元；
第一门控单元计算当前单元的地理空间关联关系系数矩阵
Figure 493961DEST_PATH_IMAGE004
的公式如下：
Figure 383288DEST_PATH_IMAGE005
(1)
式(1)中
Figure 885945DEST_PATH_IMAGE006
和
Figure 705871DEST_PATH_IMAGE007
为卷积计算的权重参数，
Figure 508742DEST_PATH_IMAGE008
为卷积计算的偏置参数，sigmoid为激活函数；
通过第二门控单元，获得当前单元的局部空间关联关系矩阵
Figure 755921DEST_PATH_IMAGE009
的计算公式如下：
Figure 745874DEST_PATH_IMAGE010
(2)
式(2)中
Figure 922821DEST_PATH_IMAGE011
，
Figure 16416DEST_PATH_IMAGE012
，
Figure 467120DEST_PATH_IMAGE013
，
Figure 600161DEST_PATH_IMAGE014
为卷积计算的权重参数，
Figure 496311DEST_PATH_IMAGE015
，
Figure 680299DEST_PATH_IMAGE016
为卷积计算的偏置参数，
Figure 800439DEST_PATH_IMAGE017
为矩阵对应元素相乘计算；
多尺度空间特征提取单元提取当前单元的分类特征
Figure 702667DEST_PATH_IMAGE018
的计算公式如下：
Figure 622082DEST_PATH_IMAGE019
(3)
Figure 215569DEST_PATH_IMAGE020
(4)
式(3)中k代表第k个卷积计算，
Figure 211338DEST_PATH_IMAGE021
为第k个卷积计算获取的分类特征，
Figure 833818DEST_PATH_IMAGE022
，
Figure 307656DEST_PATH_IMAGE023
为卷积计算的权重参数，
Figure 761508DEST_PATH_IMAGE024
为卷积计算的偏置参数；式(4)中connect函数为特征连接与特征降维计算；
当前单元的地理空间关联关系系数矩阵
Figure 193758DEST_PATH_IMAGE025
对输入的全局地理空间关联关系矩阵
Figure 834693DEST_PATH_IMAGE026
进行特征选择，再与当前单元计算得到的局部地理空间关联关系矩阵
Figure 174538DEST_PATH_IMAGE027
进行组合计算，生成新的全局地理空间关联关系矩阵
Figure 436892DEST_PATH_IMAGE028
，其计算公式如下：
Figure 13279DEST_PATH_IMAGE029
(5)
将新的全局地理空间关联关系矩阵与当前单元提取的分类特征进行组合计算，将地理空间关联关系信息引入分类特征
Figure 111816DEST_PATH_IMAGE030
中，计算生成当前单元最终的分类特征
Figure 488309DEST_PATH_IMAGE031
，其计算公式如下：
Figure 887060DEST_PATH_IMAGE032
(6)
其中，
Figure 894068DEST_PATH_IMAGE033
为激活函数。
优选的，所述跨层特征组合模块对提取的特征进行特征跨层组合的方法为：
对上一特征提取层获取的全局地理空间关联关系矩阵
Figure 729169DEST_PATH_IMAGE034
进行卷积计算和激活函数激活计算，生成一个与当前层全局地理空间关联关系矩阵维度相同的待融合特征
Figure 410817DEST_PATH_IMAGE035
，其计算公式如下：
Figure 631452DEST_PATH_IMAGE036
(7)
式(7)中
Figure 576405DEST_PATH_IMAGE037
为卷积计算的权重参数，
Figure 900069DEST_PATH_IMAGE038
为卷积计算的偏置参数。
基于上一个特征提取单元提取的分类特征
Figure 837938DEST_PATH_IMAGE039
，计算融合特征的系数矩阵
Figure 414544DEST_PATH_IMAGE040
，该系数矩阵用于对待融合特征
Figure 763354DEST_PATH_IMAGE041
进行特征选择，其计算公式如下：
Figure 58200DEST_PATH_IMAGE042
(8)
式(8)中
Figure 799760DEST_PATH_IMAGE043
为权重参数，
Figure 994987DEST_PATH_IMAGE044
为偏置参数。
将待融合特征
Figure 281743DEST_PATH_IMAGE045
与系数矩阵
Figure 562421DEST_PATH_IMAGE046
进行组合计算，并与当前层的全局地理空间关联关系矩阵
Figure 842092DEST_PATH_IMAGE047
相加，生成新的进行了跨层特征融合的全局地理空间关联关系矩阵
Figure 393290DEST_PATH_IMAGE048
，其计算公式如下：
Figure 355342DEST_PATH_IMAGE049
(9)
其中，
Figure 624781DEST_PATH_IMAGE050
为矩阵对应元素相乘计算。
优选的，所述将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练具体为：
将训练样本按行划分，按照从上到下的顺序排列形成第一组图像序列，按照从下到上的顺序组成第二组图像序列；
将训练样本按列划分，按照从左到右的顺序排列形成第三组图像序列，按照从右到左的顺序组成第四组图像序列；
每个训练样本每次将一组图像序列输入类型转换网络模型中进行训练。
本发明第二方面，公开一种基于深度学习的土地利用分类系统，所述系统包括：
样本制作模块：获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；
分类模型创建模块：构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
转换模型创建模块：基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型；将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
模型融合模块：将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
分类识别模块：将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。
本发明相对于现有技术具有以下有益效果：
1）本发明根据土地利用类型的地物组成，采用深度学习语义分割技术，基于历史遥感影像与对应的历史土地覆盖类型标注图进行分类模型训练，获得精确分类的像素级土地覆盖地物类型分类底图；
2）本发明基于门控机制构建地理空间关联关系特征提取单元来提取各土地利用类型的地理空间关联关系，以地理空间关联关系特征提取单元为基本单元，建立编码-解码结构的类型转换网络模型。所述类型转换网络模型中，通过跨层特征融合的方式使空间关联关系在整个网络中传递，同时引入注意力机制，获取各土地利用类型的内部地物组成结构。构建土地覆盖地物类型与土地利用类型之间映射关系，可以将土地覆盖类型的细分结果进行同一土地利用类型的归并，完成了土地覆盖地物类型分类底图向土地利用分类标注图的转换；
3）将深度学习语义分割网络模型与类型转换网络模型融合，形成端到端土地利用分类模型，基于所述端到端土地利用分类模型可实现高分辨率遥感影像像素级土地利用分类。
附图说明
为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明的基于深度学习的土地利用分类方法流程示意图；
图2为本发明类型转换网络模型结构示意图；
图3为本发明地理空间关联关系特征提取单元结构示意图；
图4为跨层特征组合模块结构示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
请参阅图1，本发明提出一种基于深度学习的土地利用分类方法，所述方法包括：
S1、获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；具体为：
收集历史遥感影像数据、历史土地利用矢量数据和历史土地覆盖矢量数据，采用扫描线算法获取各矢量数据的边界区域，对各矢量数据进行矢量栅格化处理，生成相应的标注底图，同时对标注底图中标注边界不正确的区域进行纠正；
采用人工标注的方式，对土地覆盖类型标注底图中具有明显代表性的人造地物进行单独标注，所述代表性的人造地物比如体育场、游乐场、广场等，得到精细的土地利用类型标注图与土地覆盖类型标注图；
对历史遥感数据影像及其对应的土地覆盖类型标注图进行切片处理，产生标准尺寸的土地覆盖类型训练样本；
对土地覆盖类型标注图及其对应的土地利用类型标注图进行切片处理，产生标准尺寸的土地利用类型训练样本。
在制作训练样本时统计各样本图像上各土地覆盖类型或土地利用类型所占比例，根据统计结果进行样本筛选，构建出类别平衡的分类训练集。
S2、构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
采用并行高分辨率特征提取网络模型作为基础网络，其在特征提取过程中能够保证提取的特征图具有较高分辨率，减少了特征提取过程中空间信息的损失，同时在特征提取过程中多次进行不同尺度的特征融合操作，能够有效提取多尺度特征，提高分割精度。土地覆盖类型训练样本进行训练，设置合理的模型训练超参数，使深度学习语义分割模型能够自动提取分类特征，实现像素级土地覆盖分类。
本发明基于深度学习语义分割技术生成精细土地覆盖地物类型分类底图。各土地利用类型均由一种或多种土地覆盖地物组成，比如土地利用类型为学校，其内部包含多种土地覆盖类型，土地利用分类结果与土地覆盖地物精确分类精度紧密相关。本发明基于历史遥感影像数据，采用深度学习语义分割技术，自动提取分类特征，获取精细的像素级土地覆盖地物分类底图。
S3、基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立一个编码-解码（Encoder-Decoder）结构的类型转换网络模型；
请参阅图2，所述类型转换网络模型结构示意图，所述类型转换网络模型包括编码(Encoder)部分、注意力模块和解码(Decoder)部分；
所述编码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合；
所述注意力模块连接类型转换网络模型的编码部分和解码部分，通过注意力模块内部学习不同土地覆盖地物在各土地利用类型中所占权重；
所述解码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合，输出层经过softmax函数输出最终分类结果。
请参阅图3，所述地理空间关联关系特征提取单元结构示意图，其具体结构包括：
通过一个卷积计算与sigmoid激活函数组合成第一门控单元，用于计算当前单元的地理空间关联关系系数矩阵；
通过两个卷积计算和不同的激活函数组合成第二门控单元，用于获得当前单元的局部空间关联关系矩阵；
采用三个空洞率不同的空洞卷积核组合成多尺度空间特征提取单元，用于生成当前单元的分类特征；
将第一门控单元、第二门控单元、多尺度空间特征提取单元组合，构成地理空间关联关系特征提取单元，用于提取地理空间关联关系的分类特征。
所述地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元的输出和当前层前一个地理空间关联关系特征提取单元的输出以及当前层全局空间关联关系。
各土地利用类型之间存在有地理空间关联关系，例如大面积耕地内部存在有少量建筑，其与耕地的地理空间关联关系应被识别为设施农用地而非住宅用地。上述地理空间关联关系是一种基于长距离空间依赖的关系，仅提取局部小范围的图像特征难以描述这种空间关联关系，因此本发明通过在神经网络中加入门控机制来控制特征在网络中的传递，提取各土地利用类型之间的空间关联关系，同时通过特征跨层融合，保证网络所提取的空间关联关系能够在整个网络中传递，加强长距离空间依赖关系对网络特征提取的辅助作用，提高土地利用分类的精度。整个类型转换网络的特征提取流程如下：
S31、在地理空间关联关系特征提取单元内部进行特征提取，产生新的分类特征，同时对网络提取的地理空间关联关系进行更新，结合图3，具体计算过程如下：
设第i层第t个地理空间关联关系特征提取单元为当前单元，设当前单元的输入为上一层地理空间关联关系特征提取单元输出的分类特征
Figure 442564DEST_PATH_IMAGE051
、当前层前一个地理空间关联关系特征提取单元的输出的分类特征
Figure 815645DEST_PATH_IMAGE052
以及当前层全局地理空间关联关系矩阵
Figure 178625DEST_PATH_IMAGE053
，其中
Figure 184627DEST_PATH_IMAGE054
为第i层第t-1个地理空间关联关系特征提取单元的输出，
Figure 320948DEST_PATH_IMAGE055
为第i-1层第t个地理空间关联关系特征提取单元的输出，
Figure 50001DEST_PATH_IMAGE056
为当前层第t-1个跨层特征组合模块的输出，其中i代表第i个特征提取层，t代表特征提取层中第t个地理空间关联关系特征提取单元；
1)根据当前的单元输入的两个分类特征
Figure 144733DEST_PATH_IMAGE057
与
Figure 372452DEST_PATH_IMAGE058
，通过一个卷积计算与sigmoid激活函数组合成第一门控单元，计算当前单元的地理空间关联关系系数矩阵
Figure 282771DEST_PATH_IMAGE059
，该矩阵用于对输入单元的全局地理空间关联关系进行筛选，将与当前单元特征不匹配的空间关联关系进行删除，
Figure 421323DEST_PATH_IMAGE060
的公式如下：
Figure 391684DEST_PATH_IMAGE061
(1)
式(1)中
Figure 106699DEST_PATH_IMAGE062
和
Figure 319243DEST_PATH_IMAGE063
为卷积计算的权重参数，
Figure 819626DEST_PATH_IMAGE064
为卷积计算的偏置参数，sigmoid为激活函数；
2)根据当前的单元输入的两个分类特征
Figure 990582DEST_PATH_IMAGE065
与
Figure 943626DEST_PATH_IMAGE066
，通过两个卷积计算和不同的激活函数组合成第二门控单元，计算当前单元的局部空间关联关系矩阵
Figure 179435DEST_PATH_IMAGE067
，的计算公式如下：
Figure 298438DEST_PATH_IMAGE010
(2)
式(2)中
Figure 531973DEST_PATH_IMAGE068
，
Figure 441155DEST_PATH_IMAGE069
，
Figure 480655DEST_PATH_IMAGE070
，
Figure 866549DEST_PATH_IMAGE071
为卷积计算的权重参数，
Figure 333302DEST_PATH_IMAGE072
，
Figure 447889DEST_PATH_IMAGE073
为卷积计算的偏置参数，
Figure 979496DEST_PATH_IMAGE074
为矩阵对应元素相乘计算；
3)根据当前的单元输入的两个分类特征
Figure 230348DEST_PATH_IMAGE039
与
Figure 868003DEST_PATH_IMAGE051
，采用三个空洞率不同的空洞卷积核组合成多尺度空间特征提取单元，不同空洞率的卷积核将提供特征提取范围大小不同的感受野，通过不同的感受野提取多尺度空间特征，再对特征进行连接操作，提取当前单元的分类特征
Figure 719153DEST_PATH_IMAGE075
的计算公式如下：
Figure 303718DEST_PATH_IMAGE076
(3)
Figure 674657DEST_PATH_IMAGE077
(4)
式(3)中k代表第k个卷积计算，
Figure 420896DEST_PATH_IMAGE078
为第k个卷积计算获取的分类特征，
Figure 260807DEST_PATH_IMAGE079
，
Figure 383484DEST_PATH_IMAGE080
为卷积计算的权重参数，
Figure 608929DEST_PATH_IMAGE081
为卷积计算的偏置参数；式(4)中connect函数为特征连接与特征降维计算；
4)基于当前单元的地理空间关联关系系数矩阵
Figure 103233DEST_PATH_IMAGE082
对输入的全局地理空间关联关系矩阵
Figure 414129DEST_PATH_IMAGE083
进行特征选择，再与当前单元计算得到的局部地理空间关联关系矩阵
Figure 74917DEST_PATH_IMAGE084
进行组合计算，生成新的全局地理空间关联关系矩阵
Figure 420448DEST_PATH_IMAGE085
，其计算公式如下：
Figure 524801DEST_PATH_IMAGE086
(5)
5)将新的全局地理空间关联关系矩阵与当前单元提取的分类特征进行组合计算，将地理空间关联关系信息引入分类特征
Figure 119731DEST_PATH_IMAGE087
中，计算生成当前单元最终的分类特征
Figure 849789DEST_PATH_IMAGE088
，其计算公式如下：
Figure 299094DEST_PATH_IMAGE089
(6)
其中，
Figure 823616DEST_PATH_IMAGE090
为激活函数。
S32、所述跨层特征组合模块对提取的特征进行特征跨层组合，跨层特征组合模块的结构示意图如图4所示，结合图4，具体方法为：
对上一特征提取层获取的全局地理空间关联关系矩阵
Figure 843525DEST_PATH_IMAGE091
进行卷积计算和激活函数激活计算，生成一个与当前层全局地理空间关联关系矩阵维度相同的待融合特征
Figure 111695DEST_PATH_IMAGE092
，其计算公式如下：
Figure 916971DEST_PATH_IMAGE093
(7)
式(7)中
Figure 674712DEST_PATH_IMAGE094
为卷积计算的权重参数，
Figure 447496DEST_PATH_IMAGE095
为卷积计算的偏置参数。
基于上一个特征提取单元提取的分类特征
Figure 255044DEST_PATH_IMAGE096
，计算融合特征的系数矩阵
Figure 429673DEST_PATH_IMAGE097
，该系数矩阵用于对待融合特征
Figure 295998DEST_PATH_IMAGE098
进行特征选择，其计算公式如下：
Figure 556078DEST_PATH_IMAGE099
(8)
式(8)中
Figure 713521DEST_PATH_IMAGE100
为权重参数，
Figure 742657DEST_PATH_IMAGE101
为偏置参数。
将待融合特征
Figure 45462DEST_PATH_IMAGE041
与系数矩阵
Figure 776527DEST_PATH_IMAGE102
进行组合计算，并与当前层的全局地理空间关联关系矩阵
Figure 924612DEST_PATH_IMAGE103
相加，生成新的进行了跨层特征融合的全局地理空间关联关系矩阵
Figure 808254DEST_PATH_IMAGE104
，其计算公式如下：
Figure 563851DEST_PATH_IMAGE105
(9)
其中，
Figure 329682DEST_PATH_IMAGE106
为矩阵对应元素相乘计算。
S33、对于从编码部分提取的特征序列
Figure 15878DEST_PATH_IMAGE107
，
Figure 65612DEST_PATH_IMAGE108
，n为编码部分最后一层特征提取单元总数，在注意力模块中通过对输入的特征序列H进行加权计算，完成对土地利用内部组成结构特征的提取。
由于各土地利用类型可能由多种土地覆盖地物组成，部分土地利用类型的内部地物组成类型可能存在相似性，因此在网络特征提取过程中需要对其内部组成结构进行提取，在注意力模块中通过对输入的特征序列进行加权计算，完成对土地利用内部组成结构特征的提取，进一步提高分类精度。
对于从网络编码部分提取的特征序列H，在注意力模块中首先分别计算键矩阵K、值矩阵V与查询矩阵Q，其计算公式如下：
Figure 710220DEST_PATH_IMAGE109
(10)
Figure 901030DEST_PATH_IMAGE110
(11)
Figure 407228DEST_PATH_IMAGE111
(12)
式（10）、（11）、（12）中
Figure 999884DEST_PATH_IMAGE112
、
Figure 612131DEST_PATH_IMAGE113
和
Figure 805084DEST_PATH_IMAGE114
为权重参数，
Figure 364241DEST_PATH_IMAGE115
、
Figure 76982DEST_PATH_IMAGE116
和
Figure 532234DEST_PATH_IMAGE117
为偏置参数。
获取了键矩阵K、值矩阵V与查询矩阵Q后再计算注意力加权矩阵C，首先需要计算第i个特征的注意力得分
Figure 713948DEST_PATH_IMAGE118
：
Figure 811217DEST_PATH_IMAGE119
(13)
再计算注意力加权矩阵C中对应第i个特征的加权值
Figure 538651DEST_PATH_IMAGE120
：
Figure 164805DEST_PATH_IMAGE121
(14)
最后将加权矩阵C与特征序列H进行矩阵乘法计算，产生新的特征序列
Figure 833814DEST_PATH_IMAGE122
，其计算公式如下：
Figure 734774DEST_PATH_IMAGE123
(15)
S34、通过解码部分进一步提取特征，输出分类结果。
本发明建立了地理空间关联关系与内部组成结构的土地标签类型转换模型。通过在深度神经网络中加入门控单元对网络提取的特征进行选择与组合，提取具有长距离空间依赖关系的空间关联关系，通过跨层特征组合的方式保证各特征提取层的空间关联关系在整个网络中传递，辅助网络进行分类特征提取，同时采用注意力机制获取各土地利用类型内部复杂的土地覆盖地物组成结构，构建土地覆盖地物类型与土地利用类型之间的映射关系，能够将土地覆盖分类图转换为土地利用分类图，将土地覆盖类型的细分结果进行同一土地利用类型的归并，实现对组成复杂的土地利用类型精确分类，提高土地利用分类的准确性。
S4、将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
具体的，所述将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练具体为：
将训练样本按行划分，按照从上到下的顺序排列形成第一组图像序列，按照从下到上的顺序组成第二组图像序列；
将训练样本按列划分，按照从左到右的顺序排列形成第三组图像序列，按照从右到左的顺序组成第四组图像序列；
每个训练样本每次将一组图像序列输入类型转换网络模型中进行训练。
S5、将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
采用将深度学习语义分割网络模型与类型转换网络模型串联，组成端到端土地利用分类模型，通过所述端到端土地利用分类模型即可实现遥感影像数据的土地利用类型的分类。
S6、将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。
与上述方法实施例相对应，本发明还公开一种基于深度学习的土地利用分类系统，所述系统包括：
样本制作模块：获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；
分类模型创建模块：构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
转换模型创建模块：基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型；将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
模型融合模块：将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
分类识别模块：将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的土地利用分类方法，其特征在于，所述方法包括：
获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；
构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型，用于实现土地覆盖类型向土地利用类型的转换；
将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。
2.根据权利要求1所述的基于深度学习的土地利用分类方法，其特征在于，所述获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本具体为：
收集历史遥感影像数据、历史土地利用矢量数据和历史土地覆盖矢量数据，采用扫描线算法获取各矢量数据的边界区域，对各矢量数据进行矢量栅格化处理，生成相应的标注底图，同时通过人工辅助的方式对部分边界不正确的区域进行纠正；
采用人工标注的方式，对土地覆盖类型标注底图中具有代表性的人造地物进行单独标注，得到精细的土地利用类型标注图与土地覆盖类型标注图；
对历史遥感数据影像及其对应的土地覆盖类型标注图进行切片处理，产生标准尺寸的土地覆盖类型训练样本；
对土地覆盖类型标注图及其对应的土地利用类型标注图进行切片处理，产生标准尺寸的土地利用类型训练样本。
3.根据权利要求1所述的基于深度学习的土地利用分类方法，其特征在于，所述类型转换网络模型包括编码部分、注意力模块和解码部分；
所述编码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合；
所述注意力模块连接类型转换网络模型的编码部分和解码部分，通过注意力模块内部学习不同土地覆盖地物在各土地利用类型中所占权重；
所述解码部分中，多个地理空间关联关系特征提取单元组成多个特征提取层，不同特征提取层之间采用跨层特征组合模块对提取的特征进行特征跨层组合，输出层经过softmax函数输出最终分类结果。
4.根据权利要求3所述的基于深度学习的土地利用分类方法，其特征在于，所述地理空间关联关系特征提取单元具体结构为：
通过一个卷积计算与sigmoid激活函数组合成第一门控单元，用于计算当前单元的地理空间关联关系系数矩阵；
通过两个卷积计算和不同的激活函数组合成第二门控单元，用于获得当前单元的局部空间关联关系矩阵；
采用三个空洞率不同的空洞卷积核组合成多尺度空间特征提取单元，用于生成当前单元的分类特征；
将第一门控单元、第二门控单元、多尺度空间特征提取单元组合，构成地理空间关联关系特征提取单元，用于提取包含有地理空间关联关系的分类特征；
所述地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元的输出和当前层前一个地理空间关联关系特征提取单元的输出以及当前层全局空间关联关系。
5.根据权利要求4所述的基于深度学习的土地利用分类方法，其特征在于，设当前地理空间关联关系特征提取单元的输入为上一层地理空间关联关系特征提取单元输出的分类特征
Figure 981449DEST_PATH_IMAGE001
、当前层前一个地理空间关联关系特征提取单元的输出的分类特征
Figure 653870DEST_PATH_IMAGE002
以及当前层全局地理空间关联关系矩阵
Figure 636607DEST_PATH_IMAGE003
，其中i代表第i个特征提取层，t代表特征提取层中第t个地理空间关联关系特征提取单元；
第一门控单元计算当前单元的地理空间关联关系系数矩阵
Figure 685466DEST_PATH_IMAGE004
的公式如下：
Figure 70049DEST_PATH_IMAGE005
(1)
式(1)中
Figure 913371DEST_PATH_IMAGE006
和
Figure 389263DEST_PATH_IMAGE007
为卷积计算的权重参数，
Figure 772971DEST_PATH_IMAGE008
为卷积计算的偏置参数，sigmoid为激活函数；
通过第二门控单元，获得当前单元的局部空间关联关系矩阵
Figure 12061DEST_PATH_IMAGE009
的计算公式如下：
Figure 760705DEST_PATH_IMAGE010
(2)
式(2)中
Figure 514772DEST_PATH_IMAGE011
，
Figure 639854DEST_PATH_IMAGE012
，
Figure 999029DEST_PATH_IMAGE013
，
Figure 184154DEST_PATH_IMAGE014
为卷积计算的权重参数，
Figure 826182DEST_PATH_IMAGE015
，
Figure 20534DEST_PATH_IMAGE016
为卷积计算的偏置参数，
Figure 437478DEST_PATH_IMAGE017
为矩阵对应元素相乘计算；
多尺度空间特征提取单元提取当前单元的分类特征
Figure 59083DEST_PATH_IMAGE018
的计算公式如下：
Figure 928688DEST_PATH_IMAGE019
(3)
Figure 254627DEST_PATH_IMAGE020
(4)
式(3)中k代表第k个卷积计算，
Figure 791657DEST_PATH_IMAGE021
为第k个卷积计算获取的分类特征，
Figure 584163DEST_PATH_IMAGE022
，
Figure 478082DEST_PATH_IMAGE023
为卷积计算的权重参数，
Figure 951920DEST_PATH_IMAGE024
为卷积计算的偏置参数；式(4)中connect函数为特征连接与特征降维计算；
当前单元的地理空间关联关系系数矩阵
Figure 94188DEST_PATH_IMAGE025
对输入的全局地理空间关联关系矩阵
Figure 821710DEST_PATH_IMAGE003
进行特征选择，再与当前单元计算得到的局部地理空间关联关系矩阵
Figure 167372DEST_PATH_IMAGE026
进行组合计算，生成新的全局地理空间关联关系矩阵
Figure 5753DEST_PATH_IMAGE027
，其计算公式如下：
Figure 284419DEST_PATH_IMAGE028
(5)
将新的全局地理空间关联关系矩阵与当前单元提取的分类特征进行组合计算，将地理空间关联关系信息引入分类特征
Figure 120525DEST_PATH_IMAGE018
中，计算生成当前单元最终的分类特征
Figure 15800DEST_PATH_IMAGE029
，其计算公式如下：
Figure 144292DEST_PATH_IMAGE030
(6)
其中，
Figure 543043DEST_PATH_IMAGE031
为激活函数。
6.根据权利要求5所述的基于深度学习的土地利用分类方法，其特征在于，所述跨层特征组合模块对提取的特征进行特征跨层组合的方法为：
对上一特征提取层获取的全局地理空间关联关系矩阵
Figure 346789DEST_PATH_IMAGE032
进行卷积计算和激活函数激活计算，生成一个与当前层全局地理空间关联关系矩阵维度相同的待融合特征
Figure 401464DEST_PATH_IMAGE033
，其计算公式如下：
Figure 316068DEST_PATH_IMAGE034
(7)
式(7)中
Figure 100484DEST_PATH_IMAGE035
为卷积计算的权重参数，
Figure 809552DEST_PATH_IMAGE036
为卷积计算的偏置参数；
基于上一个特征提取单元提取的分类特征
Figure 148260DEST_PATH_IMAGE002
，计算融合特征的系数矩阵
Figure 403573DEST_PATH_IMAGE037
，该系数矩阵用于对待融合特征
Figure 511338DEST_PATH_IMAGE033
进行特征选择，其计算公式如下：
Figure 656886DEST_PATH_IMAGE038
(8)
式(8)中
Figure 748470DEST_PATH_IMAGE039
为权重参数，
Figure 4877DEST_PATH_IMAGE040
为偏置参数；
将待融合特征
Figure 435989DEST_PATH_IMAGE033
与系数矩阵
Figure 18018DEST_PATH_IMAGE037
进行组合计算，并与当前层的全局地理空间关联关系矩阵
Figure 783849DEST_PATH_IMAGE041
相加，生成新的进行了跨层特征融合的全局地理空间关联关系矩阵
Figure 345411DEST_PATH_IMAGE003
，其计算公式如下：
Figure 389285DEST_PATH_IMAGE042
(9)
其中，
Figure 378101DEST_PATH_IMAGE043
为矩阵对应元素相乘计算。
7.根据权利要求1所述的基于深度学习的土地利用分类方法，其特征在于，所述将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练具体为：
将训练样本按行划分，按照从上到下的顺序排列形成第一组图像序列，按照从下到上的顺序组成第二组图像序列；
将训练样本按列划分，按照从左到右的顺序排列形成第三组图像序列，按照从右到左的顺序组成第四组图像序列；
每个训练样本每次将一组图像序列输入类型转换网络模型中进行训练。
8.一种基于深度学习的土地利用分类系统，其特征在于，所述系统包括：
样本制作模块：获取历史遥感影像数据及对应的土地矢量数据，制作土地覆盖类型训练样本及对应的土地利用类型训练样本；
分类模型创建模块：构建深度学习语义分割网络模型，通过土地覆盖类型训练样本训练所述深度学习语义分割网络模型；
转换模型创建模块：基于门控机制构建地理空间关联关系特征提取单元，以地理空间关联关系特征提取单元为基本单元，引入注意力模块，建立编码-解码结构的类型转换网络模型，用于实现土地覆盖类型向土地利用类型的转换；将土地利用类型训练样本分别按行与列进行划分，再按正反顺序分别进行排列，生成四组图像序列输入到类型转换网络模型中进行训练；
模型融合模块：将深度学习语义分割网络模型与类型转换网络模型进行串联整合，生成端到端土地利用分类模型；
分类识别模块：将待分类的遥感影像数据输入所述端到端土地利用分类模型，得到像素级土地利用分类产品。
CN202011276709.6A 2020-11-16 2020-11-16 基于深度学习的土地利用分类方法及系统 Active CN112070078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011276709.6A CN112070078B (zh) 2020-11-16 2020-11-16 基于深度学习的土地利用分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011276709.6A CN112070078B (zh) 2020-11-16 2020-11-16 基于深度学习的土地利用分类方法及系统

Publications (2)

Publication Number Publication Date
CN112070078A true CN112070078A (zh) 2020-12-11
CN112070078B CN112070078B (zh) 2021-01-19

Family

ID=73655388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011276709.6A Active CN112070078B (zh) 2020-11-16 2020-11-16 基于深度学习的土地利用分类方法及系统

Country Status (1)

Country Link
CN (1) CN112070078B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801487A (zh) * 2021-01-21 2021-05-14 中国科学院新疆生态与地理研究所 土地利用类型转换植物功能类型的方法、终端及存储介质
CN113297174A (zh) * 2021-05-24 2021-08-24 中南大学 基于深度学习的土地利用变化模拟方法
CN113516084A (zh) * 2021-07-20 2021-10-19 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN113537131A (zh) * 2021-07-30 2021-10-22 中国科学院地理科学与资源研究所 基于图像识别的土地资源分析模型训练方法及分析方法
CN113807278A (zh) * 2021-09-23 2021-12-17 华中师范大学 一种基于深度学习的土地利用分类及变化预测方法
CN114998746A (zh) * 2022-07-19 2022-09-02 江西省生态环境科学研究与规划院 一种耕地土壤环境质量分区方法及系统
WO2024020933A1 (en) * 2022-07-28 2024-02-01 Intel Corporation Apparatus and method for patching embedding table on the fly for new categorical feature in deep learning
CN117541940A (zh) * 2024-01-10 2024-02-09 日照市自然资源和规划局 基于遥感数据的土地利用分类方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105224938A (zh) * 2015-11-06 2016-01-06 电子科技大学 遥感图像土地利用分类结果的修正方法
CN108960300A (zh) * 2018-06-20 2018-12-07 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
CN109657616A (zh) * 2018-12-19 2019-04-19 四川立维空间信息技术有限公司 一种遥感影像土地覆盖自动分类方法
EP3614308A1 (en) * 2018-08-24 2020-02-26 Ordnance Survey Limited Joint deep learning for land cover and land use classification
CN111402131A (zh) * 2020-03-10 2020-07-10 北京师范大学 基于深度学习的超分辨率土地覆被分类图的获取方法
US10757376B1 (en) * 2015-06-12 2020-08-25 Amazon Technologies, Inc. Image creation using geo-fence data
CN111640146A (zh) * 2020-05-29 2020-09-08 河南大学 一种基于gis的流域土地利用分类方法和装置
CN111738329A (zh) * 2020-06-19 2020-10-02 中南大学 一种面向时间序列遥感影像的土地利用分类方法
CN111797703A (zh) * 2020-06-11 2020-10-20 武汉大学 基于鲁棒深度语义分割网络的多源遥感影像分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10757376B1 (en) * 2015-06-12 2020-08-25 Amazon Technologies, Inc. Image creation using geo-fence data
CN105224938A (zh) * 2015-11-06 2016-01-06 电子科技大学 遥感图像土地利用分类结果的修正方法
CN108960300A (zh) * 2018-06-20 2018-12-07 北京工业大学 一种基于深度神经网络的城市土地利用信息分析方法
EP3614308A1 (en) * 2018-08-24 2020-02-26 Ordnance Survey Limited Joint deep learning for land cover and land use classification
CN109657616A (zh) * 2018-12-19 2019-04-19 四川立维空间信息技术有限公司 一种遥感影像土地覆盖自动分类方法
CN111402131A (zh) * 2020-03-10 2020-07-10 北京师范大学 基于深度学习的超分辨率土地覆被分类图的获取方法
CN111640146A (zh) * 2020-05-29 2020-09-08 河南大学 一种基于gis的流域土地利用分类方法和装置
CN111797703A (zh) * 2020-06-11 2020-10-20 武汉大学 基于鲁棒深度语义分割网络的多源遥感影像分类方法
CN111738329A (zh) * 2020-06-19 2020-10-02 中南大学 一种面向时间序列遥感影像的土地利用分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CE ZHANG.ET.: "Joint Deep Learning for land cover and land use classification", 《REMOTE SENSING OF ENVIRONMENT》 *
孙晓敏等: "基于U-net的"高分五号"卫星高光谱图像土地类型分类", 《航天返回与遥感》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801487A (zh) * 2021-01-21 2021-05-14 中国科学院新疆生态与地理研究所 土地利用类型转换植物功能类型的方法、终端及存储介质
CN113297174A (zh) * 2021-05-24 2021-08-24 中南大学 基于深度学习的土地利用变化模拟方法
CN113297174B (zh) * 2021-05-24 2023-10-13 中南大学 基于深度学习的土地利用变化模拟方法
CN113516084A (zh) * 2021-07-20 2021-10-19 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN113516084B (zh) * 2021-07-20 2023-04-25 海南长光卫星信息技术有限公司 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN113537131A (zh) * 2021-07-30 2021-10-22 中国科学院地理科学与资源研究所 基于图像识别的土地资源分析模型训练方法及分析方法
CN113807278A (zh) * 2021-09-23 2021-12-17 华中师范大学 一种基于深度学习的土地利用分类及变化预测方法
CN114998746A (zh) * 2022-07-19 2022-09-02 江西省生态环境科学研究与规划院 一种耕地土壤环境质量分区方法及系统
WO2024020933A1 (en) * 2022-07-28 2024-02-01 Intel Corporation Apparatus and method for patching embedding table on the fly for new categorical feature in deep learning
CN117541940A (zh) * 2024-01-10 2024-02-09 日照市自然资源和规划局 基于遥感数据的土地利用分类方法及系统
CN117541940B (zh) * 2024-01-10 2024-03-22 日照市自然资源和规划局 基于遥感数据的土地利用分类方法及系统

Also Published As

Publication number Publication date
CN112070078B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN112070078B (zh) 基于深度学习的土地利用分类方法及系统
CN112836610B (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
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
CN108564109A (zh) 一种基于深度学习的遥感图像目标检测方法
CN108537742A (zh) 一种基于生成对抗网络的遥感图像全色锐化方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN110633708A (zh) 一种基于全局模型和局部优化的深度网络显著性检测方法
CN105427309A (zh) 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法
CN103268607B (zh) 一种弱监督条件下的共同对象检测方法
CN111709318B (zh) 一种基于生成对抗网络的高分辨率遥感图像分类方法
CN101276420A (zh) 一种融合光谱信息和多点模拟空间信息的分类方法
CN109522961A (zh) 一种基于字典深度学习的半监督图像分类方法
CN113988147B (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
Guo et al. Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds
CN110598564A (zh) 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法
CN113011397A (zh) 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法
CN112734789A (zh) 一种基于半监督学习和点渲染的图像分割方法及系统
CN112001293A (zh) 结合多尺度信息和编解码网络的遥感影像地物分类方法
CN109671019A (zh) 一种基于多目标优化算法和稀疏表达的遥感影像亚像元制图方法
Li et al. Dynamic-hierarchical attention distillation with synergetic instance selection for land cover classification using missing heterogeneity images
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN116863341B (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
Shang et al. Spatiotemporal reflectance fusion using a generative adversarial network
CN115032602A (zh) 一种基于多尺度卷积胶囊网络的雷达目标识别方法
CN113807278A (zh) 一种基于深度学习的土地利用分类及变化预测方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230322

Address after: Room 02 and 03, 6 / F, scientific research and experimental complex building, Hubei Institute of automation, 34 Xiaohongshan Road, Wuchang District, Wuhan City, Hubei Province, 430000

Patentee after: WUHAN UNION SPACE INFORMATION TECHNOLOGY Co.,Ltd.

Patentee after: WUHAN University

Address before: Room 02 and 03, 6 / F, scientific research and experimental complex building, Hubei Institute of automation, 34 Xiaohongshan Road, Wuchang District, Wuhan City, Hubei Province, 430000

Patentee before: WUHAN UNION SPACE INFORMATION TECHNOLOGY Co.,Ltd.