CN112101310A - 基于上下文信息的道路提取方法、装置和计算机设备 - Google Patents

基于上下文信息的道路提取方法、装置和计算机设备 Download PDF

Info

Publication number
CN112101310A
CN112101310A CN202011265280.0A CN202011265280A CN112101310A CN 112101310 A CN112101310 A CN 112101310A CN 202011265280 A CN202011265280 A CN 202011265280A CN 112101310 A CN112101310 A CN 112101310A
Authority
CN
China
Prior art keywords
network
road
remote sensing
sensing image
inputting
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
CN202011265280.0A
Other languages
English (en)
Other versions
CN112101310B (zh
Inventor
陈浩
徐樱笑
熊伟
李军
杜春
彭双
伍江江
钟志农
欧阳雪
陈荦
吴烨
杨岸然
贾庆仁
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202011265280.0A priority Critical patent/CN112101310B/zh
Publication of CN112101310A publication Critical patent/CN112101310A/zh
Application granted granted Critical
Publication of CN112101310B publication Critical patent/CN112101310B/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
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

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)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于上下文信息的道路提取方法、装置和计算机设备。所述方法包括：将预标注的光学遥感影像输入预先设置的建筑物提取网络，得光学遥感影像中的建筑物信息，并输出建筑物提取结果；根据建筑物提取结果计算出符号距离图；将光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；将符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；将光学遥感影像特征图以及符号距离特征图输入到道路解码网络，得到道路信息；从而利用损失函数进行训练，将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。采用本方法能够提高道路提取的准确性。

Description

基于上下文信息的道路提取方法、装置和计算机设备
技术领域
本申请涉及光学遥感影像信息自动提取技术领域，特别是涉及一种基于上下文信息的道路提取方法、装置和计算机设备。
背景技术
光学遥感影像的道路提取是近年来计算机视觉和遥感影像处理领域的研究热点。随着计算机处理速度和提取精度的提高，应用于城市规划、地理信息更新、自动驾驶导航等领域。
一些研究者尝试使用联合学习或多任务方法来挖掘影像中的上下文关系，但其本质上依赖于附加信息的准确性或网络自学习能力，而不是充分利用原始光学图像中隐含的信息。还有一些集成学习方法引入公共地图数据集或利用众包GPS数据来提高道路提取精度。另一方面，有人将具有良好上下文学习能力的递归神经网络（Recurrent NeuralNetwork，RNN）应用于道路提取领域，学习光学图像中道路的上下文关系。挖掘影像中的上下文关系的一系列方法证明了充分利用图像中的上下文信息可以改善道路提取性能，但对于被树木或建筑物遮挡的路段仍存在很大的局限性。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决对于被树木或建筑物遮挡的路段提取不准确问题的基于上下文信息的道路提取方法、装置和计算机设备。
一种挖掘道路和建筑物之间的上下文信息的道路提取方法，所述方法包括：
将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
在其中一个实施例中，还包括：根据所述建筑物提取结果，确定建筑物轮廓像素集合、轮廓内的像素集合以及轮廓外的像素集合；当符号距离图中像素属于所述建筑物轮廓像素集合时，设置该像素在符号距离图中的强度值为0；当符号距离图中像素属于所述轮廓内的像素集合时，设置该像素在符号距离图中的强度值为0；当符号距离图中像素属于所述轮廓外的像素集合时，设置该像素符号距离图中的强度值为距离该像素最近的建筑物轮廓像素集合中像素的欧式距离的下确界。
在其中一个实施例中，还包括：将所述光学遥感影像输入预先设置的道路编码网络；所述道路编码网络包括：第一卷积处理层、多层第一残差网络以及第一残差网络与膨胀卷积混合层；通过所述第一卷积处理层对所述光学遥感影像进行卷积处理，得到第一初始特征；将所述第一初始特征输入所述多层第一残差网络，得到第一中间特征；将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层，得到所述光学遥感影像特征图。
在其中一个实施例中，还包括：将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层；所述第一残差网络与膨胀卷积混合层包括第一残差处理模块以及第一膨胀卷积模块；通过所述第一残差处理模块对所述第一中间特征进行残差处理，得到第二中间特征；通过所述第一膨胀卷积模块对所述第二中间特征进行膨胀卷积处理，得到所述光学遥感影像特征图。
在其中一个实施例中，还包括：将所述符号距离图输入预先设置的符号距离图编码网络；所述符号距离图编码网络包括：第二卷积处理层、多层第二残差网络以及第二残差网络与膨胀卷积混合层；通过所述第二卷积处理层对所述符号距离图编码图进行卷积处理，得到第二初始特征；将所述第二初始特征输入所述多层第二残差网络，得到第三中间特征；将所述第三中间特征输入所述第二残差网络与膨胀卷积混合层，得到所述符号距离特征图。
在其中一个实施例中，还包括：将所述第二中间特征输入所述第二残差网络与膨胀卷积混合层；所述第二残差网络与膨胀卷积混合层包括第二残差处理模块以及第二膨胀卷积模块；通过所述第二残差处理模块对所述第三中间特征进行残差处理，得到第四中间特征；通过所述第二膨胀卷积模块对所述第四中间特征进行膨胀卷积处理，得到所述符号距离特征图。
在其中一个实施例中，还包括：所述第一残差网络为三层，将所述第一初始特征输入第一个所述第一残差网络，得到第一中间特征A；将所述第一中间特征A输入第二个所述第一残差网络，得到第一中间特征B；将所述第一中间特征B输入第三个所述第一残差网络，得到所述第一中间特征；将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络；对所述光学遥感影像特征图、所述第一中间特征进行预处理后得到第一注意力权重参数；将所述第一注意力权重参数与原始的第一中间特征相乘得到第一特征；对所述光学遥感影像特征图和所述符号距离特征图进行预处理后得到第二注意力权重参数；将所述第二注意力权重参数与采样后的所述符号距离特征图相乘得到第二特征；将所述第一特征与所述第二特征融合后输入一个卷积层，得到第一输出信息；对所述第一中间特征B和第一输出信息进行预处理后得到第三注意力权重参数；将所述第三注意力权重参数与所述第一中间特征B相乘，得到第二输出；对所述第一中间特征A和所述第二输出进行预处理后得到第四注意力权重参数；将所述第四注意力权重参数与原始的所述第一中间特征A相乘，得到第三输出；对所述第三输出进行多重卷积处理，得到道路信息。
在其中一个实施例中，还包括：所述损失函数包括第一函数以及第二函数；
Figure 827717DEST_PATH_IMAGE001
Figure 158204DEST_PATH_IMAGE002
Figure 416010DEST_PATH_IMAGE003
其中，
Figure 187132DEST_PATH_IMAGE004
表示第一函数，
Figure 897599DEST_PATH_IMAGE005
表示第二函数，
Figure 907144DEST_PATH_IMAGE006
表示损失函数，
Figure 144090DEST_PATH_IMAGE007
表示光学遥感影像的道路真实值标签，
Figure 948098DEST_PATH_IMAGE008
表示其中第i个像素处的真实值；
Figure 286806DEST_PATH_IMAGE009
表示该网络预测的光学遥感影像的道路预测值标签，
Figure 834462DEST_PATH_IMAGE010
表示其中第i个像素处的预测值。
一种基于上下文信息的道路提取装置，所述装置包括：
建筑物信息提取模块，用于将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
符号距离图构建模块，用于根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
光学遥感影像特征图获取模块，用于将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
符号距离特征图获取模块，用于将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
道路信息获取模块，用于将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
训练模块，用于根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
道路提取模块，用于将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
上述基于上下文信息的道路提取方法、装置和计算机设备，通过构建建筑物提取网络，通过预标注的光学遥感影像
输入至建筑物提取网络，训练阶段输出光学遥感影像中的建筑物信息，作为建筑物提取结果输出，通过建筑物提取结果计算出符号距离图，通过符号距离图，可以反映出隐含的道路信息，然后分别通过道路编码网络和符号距离图编码网络提取出光学遥感影像特征图和符号距离特征图，在进行特征融合之后，输出训练阶段道路信息，具体训练时，通过损失函数反向训练的方式，得到一定预测准确率的模型，从而进行道路提取。本发明通过符号距离图，通过建筑物之间的联系，反映出道路的隐含信息，然后通过特征融合的方式，挖掘出光学遥感影像中空间上下文信息，能够整体上提升道路提取效果，尤其对于建筑物沿道路两侧分布、有阴影/遮挡等状况下的效果提升明显。
附图说明
图1为一个实施例中挖掘道路和建筑物之间的上下文信息的道路提取方法的流程示意图；
图2为一个实施例中En_4层中Dilated Bridge的结构图；
图3为一个实施例中Fb_4层中的Dilated Bridge结构图；
图4为一个实施例中多重空间注意力模块的结构图；
图5为一个实施例中空间注意力模块2的结构图；
图6为一个实施例中挖掘道路和建筑物之间的上下文信息的道路提取装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于上下文信息的道路提取方法，该方法可以应用于服务器或终端中，包括以下步骤：
步骤102，将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到光学遥感影像中的建筑物信息，并输出建筑物提取结果。
光学遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片；预标注指的是通过人工或机器的手段对光学遥感影像的目标进行标注，目标可以是建筑物、道路等，标注可以采用数字0或1。建筑物提取网络可以是卷积神经网络，建筑物提取网络用于提取光学遥感影像中的建筑物，将影像中的建筑物标记为1，非建筑物标记为0，并输出建筑物提取结果。
其中，光学遥感影像还可以采用数据扩增的方法扩大训练数据集的数量，并提高网络的鲁棒性。具体扩增方法有：水平翻转、垂直翻转、随机平移、随机旋转。
步骤104，根据建筑物提取结果计算出符号距离图。
符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值。
具体地，对于步骤104，在其中一个实施例中，可以是：根据建筑物提取结果，确定建筑物轮廓像素集合、轮廓内的像素集合以及轮廓外的像素集合；
当符号距离图中像素属于建筑物轮廓像素集合时，设置该像素在符号距离图中的强度值为0；当符号距离图中像素属于所述轮廓内的像素集合时，设置该像素在符号距离图中的强度值为0；当符号距离图中像素属于轮廓外的像素集合时，设置该像素符号距离图中的强度值为距离该像素最近的建筑物轮廓像素集合中像素的欧式距离的下确界。
欧式距离指的是欧几里得度量。在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”（即直线）距离。
更具体地，根据建筑物提取结果计算符号距离图，计算方法如下：
Figure 66861DEST_PATH_IMAGE011
其中
Figure 431983DEST_PATH_IMAGE012
表示建筑物像素集合，
Figure 117042DEST_PATH_IMAGE013
表示建筑物轮廓像素集合，
Figure 733968DEST_PATH_IMAGE014
表示在轮廓内的像素集合，
Figure 430660DEST_PATH_IMAGE015
表示在轮廓外的像素集；
Figure 842050DEST_PATH_IMAGE016
，
Figure 873460DEST_PATH_IMAGE017
表示在像素
Figure 762918DEST_PATH_IMAGE018
到离该像素最近的建筑物轮廓像素的欧式距离的下确界，
Figure 845275DEST_PATH_IMAGE019
表示在像素
Figure 427566DEST_PATH_IMAGE018
位置处的符号距离图的强度值。符号距离图计算了每个像素到离他最近的建筑物轮廓像素的欧式距离，其中隐含了丰富但冗余的道路信息。
步骤106，将光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图。
道路编码网络用于提取光学遥感影像的特征，光学遥感影像特征图指的是通过道路编码网络处理后输出的特征图。
步骤108，将符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图。
符号距离图编码网络用于提取符号距离图的特征，符号距离特征图指的是通过符号距离图编码网络处理后输出的特征图。
步骤110，将光学遥感影像特征图以及符号距离特征图输入到道路解码网络，得到道路信息。
步骤112，根据道路信息和光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络。
步骤114，将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
上述的挖掘道路和建筑物之间的上下文信息的道路提取方法，通过构建建筑物提取网络，通过预标注的光学遥感影响输入至建筑物提取网络，训练阶段输出光学遥感影像中的建筑物信息，作为建筑物提取结果输出，通过建筑物提取结果计算出符号距离图，通过符号距离图，可以反映出隐含的道路信息，然后分别通过道路编码网络和符号距离图编码网络提取出光学遥感影像特征图和符号距离特征图，在进行特征融合之后，输出训练阶段道路信息，具体训练时，通过损失函数反向训练的方式，得到一定预测准确率的模型，从而进行道路提取。本发明通过符号距离图，通过建筑物之间的联系，反映出道路的隐含信息，然后通过特征融合的方式，挖掘出光学遥感影像中空间上下文信息，能够整体上提升道路提取效果，尤其对于建筑物沿道路两侧分布、有阴影/遮挡等状况下的效果提升明显。
对于步骤106，在其中一个实施例中，还可以是：将光学遥感影像输入预先设置的道路编码网络；道路编码网络包括：第一卷积处理层、多层第一残差网络以及第一残差网络与膨胀卷积混合层；通过第一卷积处理层对光学遥感影像进行卷积处理，得到第一初始特征；将第一初始特征输入多层第一残差网络，得到第一中间特征；将第一中间特征输入第一残差网络与膨胀卷积混合层，得到光学遥感影像特征图。
进一步地，将第一初始特征输入多层第一残差网络，得到第一中间特征，包括：将第一初始特征输入第一个第一残差网络，得到第一中间特征A；将第一中间特征A输入第二个所述第一残差网络，得到第一中间特征B；将所述第一中间特征B输入第三个第一残差网络，得到第一中间特征。
具体地，道路编码网络包含第一卷积处理层（En_0）、3层第一残差网络（En_1，En_2，En_3）以及第一残差网络与膨胀卷积混合层（En_4），如表1所示。
表1道路编码网络
Figure 87217DEST_PATH_IMAGE020
表格中，模块resnet.layer1-resnet.layer4表示该模块采用残差网络中layer1-layer4的预训练参数，卷积核中的参数表示卷积核大小为7*7，个数为64，以此类推；输出尺寸的参数表示图像或特征图的宽*高*通道数。
其中，在En_4层中的Dilated Bridge具体结构如图2所示：
~En4表示resnet.layer4的输出，输出尺寸为32*32*512，经过一系列串并联的膨胀卷积后相加后输出最终结果，输出尺寸仍为32*32*512；膨胀卷积的膨胀率如箭头中的数字所示。Dilated Bridge采用膨胀卷积扩大了特征图的感受野，有利于捕捉细长道路的上下文信息。
对于步骤108，在其中一个实施例中，还可以是：将符号距离图输入预先设置的符号距离图编码网络；符号距离图编码网络包括：第二卷积处理层、多层第二残差网络以及第二残差网络与膨胀卷积混合层；通过第二卷积处理层对符号距离图编码图进行卷积处理，得到第二初始特征；将第二初始特征输入多层第二残差网络，得到第三中间特征；将第三中间特征输入第二残差网络与膨胀卷积混合层，得到符号距离特征图。
具体地，符号距离图编码网络包括第二卷积处理层（Fb_0）、3层第二残差网络（Fb_1，Fb_2，Fb_3）以及第二残差网络与膨胀卷积混合层（Fb_4），如表2所示。
表2符号距离图编码网络
Figure 905001DEST_PATH_IMAGE021
表2中，模块resnet.layer1-resnet.layer4表示该模块采用残差网络中layer1-layer4的预训练参数，卷积核中的参数表示卷积核大小为7*7，个数为64，以此类推；输出尺寸的参数表示图像或特征图的宽*高*通道数。与道路编码器不同的是，该支路的输入为SDM，尺寸为512*512*1。
其中，在Fb_4层中的Dilated Bridge具体结构如图3所示：
~Fb4表示resnet.layer4的输出，输出尺寸为32*32*512，经过一系列串并联的膨胀卷积后相加后输出最终结果，输出尺寸仍为32*32*512；膨胀卷积的膨胀率如箭头中的数字所示。Dilated Bridge采用膨胀卷积扩大了特征图的感受野，有利于捕捉细长道路的上下文信息。
对于步骤110，在其中一个实施例中，还可以是：将光学遥感影像特征图以及符号距离特征图输入到道路解码网络；对光学遥感影像特征图、第一中间特征进行预处理后得到第一注意力权重参数；将第一注意力权重参数与原始的第一中间特征相乘得到第一特征；对光学遥感影像特征图和符号距离特征图进行预处理后得到第二注意力权重参数；将第二注意力权重参数与采样后的符号距离特征图相乘得到第二特征；将第一特征与第二特征融合后输入一个卷积层，得到第一输出信息；对第一中间特征B和第一输出信息进行预处理后得到第三注意力权重参数；将第三注意力权重参数与第一中间特征B相乘，得到第二输出；对第一中间特征A和第二输出进行预处理后得到第四注意力权重参数；将第四注意力权重参数与原始的第一中间特征A相乘，得到第三输出；对第三输出进行多重卷积处理，得到道路信息。
具体的，将道路编码网络和符号距离图编码网络中的信息通过多重空间注意力模块处理后输入到解码器De_3层，通过空间注意力模块对道路编码器支路的浅层特征与前一层解码器的输出特征进行处理，经过四层解码器层De_3, De_2, De_1, De_0逐层恢复特征图分辨率后输出道路提取结果，道路解码网络的具体参数如表3所示：
表3道路解码网络
Figure 700918DEST_PATH_IMAGE022
其中多重空间注意力模块具体结构如图4所示，输入为En_4、En_3、Fb_4层的输出，Up表示上采样操作，Conv表示卷积操作，ReLU表示激活层方法采用ReLU, Focus包括1*1卷积、批量标准化和Sigmoid激活操作。通过以上注意力机制对En4和En3进行处理后得到一个64*64*1的注意力权重参数与原始的En3相乘后，使网络进一步关注到有道路部分的区域；另一方面，通过相似的注意力机制对En4和Fb4进行处理后得到一个64*64*1的注意力权重参数,与上采样后的Fb4相乘后，使网络进一步关注到在符号距离图编码网络中光学遥感影像关注的周边区域。将以上两种特征融合后再输入一个卷积层，得到De_3层的输出。
然后将De_3层的输出De3层的输出与道路编码器En_2层的输出，输入到空间注意力模块2中，具体结构及参数如图5所示，输入为En_2、De_3层的输出，Up表示上采样操作，Conv表示卷积操作，ReLU表示激活层方法采用ReLU, Focus包括1*1卷积、批量标准化和Sigmoid激活操作。通过以上注意力机制对De3和En2进行处理后得到一个128*128的注意力权重参数与原始的En2相乘后，使网络进一步关注到在光学遥感影像中有道路部分的区域。空间注意力模块1的结构与空间注意力模块2的结构相似，依次类推。在这两层只使用空间注意力模块和道路编码器层的特征的原因在于：符号距离图编码网络中虽然隐含了道路信息，但还有更多的冗余信息容易使网络训练难以收敛且增加错误的道路识别，只使用Fb_4层的高层次深层符号距离特征图有助于网络学习符号距离图编码网络中隐含的道路信息，同时减少错误识别。
最终，输出层如表4所示：
表4输出层
Figure 719690DEST_PATH_IMAGE023
通过上述结构，道路提取输出尺寸为512*512*1。加入SDM编码器支路后，网络从光学遥感影像的道路和建筑物之间的空间关系捕获了更充分的上下文关系，多重空间注意力模块使网络同时关注光学遥感影像和符号距离图中的道路区域，有助于识别出光学遥感影像中被阴影遮挡、但在符号距离图中具有较好连通性的道路。
在其中一个实施例中，损失函数包括第一函数以及第二函数；
Figure 496932DEST_PATH_IMAGE024
Figure 259352DEST_PATH_IMAGE025
Figure 34410DEST_PATH_IMAGE026
其中，
Figure 692924DEST_PATH_IMAGE027
表示第一函数，
Figure 936955DEST_PATH_IMAGE028
表示第二函数，
Figure 971907DEST_PATH_IMAGE029
表示损失函数，
Figure 867051DEST_PATH_IMAGE030
表示光学遥感影像的道路真实值标签，
Figure 696467DEST_PATH_IMAGE031
表示其中第i个像素处的真实值；
Figure 427793DEST_PATH_IMAGE032
表示该网络预测的光学遥感影像的道路预测值标签，
Figure 532016DEST_PATH_IMAGE033
表示其中第i个像素处的预测值。
具体的，在训练过程中，每次迭代过程计算网络的输出结果与对应道路真实值标签之间的损失函数，以损失函数最小为目标函数，利用Adam网络参数优化算法对深度卷积神经网络中的参数不断进行优化,学习率设置为2e-4,batch_size设置为8，当损失值不再下降时，将此时的网络参数保存为最终网络模型参数，得到光学遥感影像的道路提取模型，道路提取模型包括：建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络。
在具体测试时，将网络未学习过的光学遥感影像（512*512*3）输入到训练过程保存的模型中，无需建筑物真实标签和道路真实标签，得到该光学遥感影像的道路提取预测结果（512*512*1）。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于上下文信息的道路提取装置，包括：建筑物信息提取模块602、符号距离图构建模块604、光学遥感影像特征图获取模块606、符号距离特征图获取模块608、道路信息获取模块610、训练模块612和道路提取模块614，其中：
建筑物信息提取模块602，用于将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
符号距离图构建模块604，用于根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
光学遥感影像特征图获取模块606，用于将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
符号距离特征图获取模块608，用于将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
道路信息获取模块610，用于将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
训练模块612，用于根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
道路提取模块614，用于将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
在其中一个实施例中，符号距离图构建模块604还用于根据所述建筑物提取结果，确定建筑物轮廓像素集合、轮廓内的像素集合以及轮廓外的像素集合；当符号距离图中像素属于所述建筑物轮廓像素集合时，设置该像素在符号距离图中的强度值为0；当符号距离图中像素属于所述轮廓内的像素集合时，设置该像素在符号距离图中的强度值为0；当符号距离图中像素属于所述轮廓外的像素集合时，设置该像素符号距离图中的强度值为距离该像素最近的建筑物轮廓像素集合中像素的欧式距离的下确界。
在其中一个实施例中，光学遥感影像特征图获取模块606还用于将所述光学遥感影像输入预先设置的道路编码网络；所述道路编码网络包括：第一卷积处理层、多层第一残差网络以及第一残差网络与膨胀卷积混合层；通过所述第一卷积处理层对所述光学遥感影像进行卷积处理，得到第一初始特征；将所述第一初始特征输入所述多层第一残差网络，得到第一中间特征；将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层，得到所述光学遥感影像特征图。
在其中一个实施例中，光学遥感影像特征图获取模块606还用于将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层；所述第一残差网络与膨胀卷积混合层包括第一残差处理模块以及第一膨胀卷积模块；通过所述第一残差处理模块对所述第一中间特征进行残差处理，得到第二中间特征；通过所述第一膨胀卷积模块对所述第二中间特征进行膨胀卷积处理，得到所述光学遥感影像特征图。
在其中一个实施例中，符号距离特征图获取模块608还用于将所述符号距离图输入预先设置的符号距离图编码网络；所述符号距离图编码网络包括：第二卷积处理层、多层第二残差网络以及第二残差网络与膨胀卷积混合层；通过所述第二卷积处理层对所述符号距离图编码图进行卷积处理，得到第二初始特征；将所述第二初始特征输入所述多层第二残差网络，得到第三中间特征；将所述第三中间特征输入所述第二残差网络与膨胀卷积混合层，得到所述符号距离特征图。
在其中一个实施例中，符号距离特征图获取模块608还用于将所述第二中间特征输入所述第二残差网络与膨胀卷积混合层；所述第二残差网络与膨胀卷积混合层包括第二残差处理模块以及第二膨胀卷积模块；通过所述第二残差处理模块对所述第三中间特征进行残差处理，得到第四中间特征间；通过所述第二膨胀卷积模块对所述第四中间特征进行膨胀卷积处理，得到所述符号距离特征图。
在其中一个实施例中，所述第一残差网络为三层，将所述第一初始特征输入第一个所述第一残差网络，得到第一中间特征A；将所述第一中间特征A输入第二个所述第一残差网络，得到第一中间特征B；将所述第一中间特征B输入第三个所述第一残差网络，得到所述第一中间特征；道路信息获取模块610还用于将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络；对所述光学遥感影像特征图、所述第一中间特征进行预处理后得到第一注意力权重参数；将所述第一注意力权重参数与原始的第一中间特征相乘得到第一特征；对所述光学遥感影像特征图和所述符号距离特征图进行预处理后得到第二注意力权重参数；将所述第二注意力权重参数与采样后的所述符号距离特征图相乘得到第二特征；将所述第一特征与所述第二特征融合后输入一个卷积层，得到第一输出信息；对所述第一中间特征B和第一输出信息进行预处理后得到第三注意力权重参数；将所述第三注意力权重参数与所述第一中间特征B相乘，得到第二输出；对所述第一中间特征A和所述第二输出进行预处理后得到第四注意力权重参数；将所述第四注意力权重参数与原始的所述第一中间特征A相乘，得到第三输出；对所述第三输出进行多重卷积处理，得到道路信息。
在其中一个实施例中，所述损失函数包括第一函数以及第二函数；
Figure 157032DEST_PATH_IMAGE034
Figure 547562DEST_PATH_IMAGE035
Figure 625239DEST_PATH_IMAGE036
其中，
Figure 533153DEST_PATH_IMAGE037
表示第一函数，
Figure 153621DEST_PATH_IMAGE038
表示第二函数，
Figure 590418DEST_PATH_IMAGE039
表示损失函数，
Figure 420971DEST_PATH_IMAGE040
表示光学遥感影像的道路真实值标签，
Figure 726051DEST_PATH_IMAGE041
表示其中第i个像素处的真实值；
Figure 325659DEST_PATH_IMAGE042
表示该网络预测的光学遥感影像的道路预测值标签，
Figure 198937DEST_PATH_IMAGE043
表示其中第i个像素处的预测值。
关于挖掘道路和建筑物之间的上下文信息的道路提取装置的具体限定可以参见上文中对于挖掘道路和建筑物之间的上下文信息的道路提取方法的限定，在此不再赘述。上述挖掘道路和建筑物之间的上下文信息的道路提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种挖掘道路和建筑物之间的上下文信息的道路提取方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于上下文信息的道路提取方法，其特征在于，包括：
将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
2.根据权利要求1所述的方法，其特征在于，根据所述建筑物提取结果计算出符号距离图，包括：
根据所述建筑物提取结果，确定建筑物轮廓像素集合、轮廓内的像素集合以及轮廓外的像素集合；
当符号距离图中像素属于所述建筑物轮廓像素集合时，设置该像素在符号距离图中的强度值为0；
当符号距离图中像素属于所述轮廓内的像素集合时，设置该像素在符号距离图中的强度值为0；
当符号距离图中像素属于所述轮廓外的像素集合时，设置该像素符号距离图中的强度值为距离该像素最近的建筑物轮廓像素集合中像素的欧式距离的下确界。
3.根据权利要求1所述的方法，其特征在于，将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图，包括：
将所述光学遥感影像输入预先设置的道路编码网络；所述道路编码网络包括：第一卷积处理层、多层第一残差网络以及第一残差网络与膨胀卷积混合层；
通过所述第一卷积处理层对所述光学遥感影像进行卷积处理，得到第一初始特征；
将所述第一初始特征输入所述多层第一残差网络，得到第一中间特征；
将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层，得到所述光学遥感影像特征图。
4.根据权利要求3所述的方法，其特征在于，将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层，得到所述光学遥感影像特征图，包括：
将所述第一中间特征输入所述第一残差网络与膨胀卷积混合层；所述第一残差网络与膨胀卷积混合层包括第一残差处理模块以及第一膨胀卷积模块；
通过所述第一残差处理模块对所述第一中间特征进行残差处理，得到第二中间特征；
通过所述第一膨胀卷积模块对所述第二中间特征进行膨胀卷积处理，得到所述光学遥感影像特征图。
5.根据权利要求4所述的方法，其特征在于，将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图，包括：
将所述符号距离图输入预先设置的符号距离图编码网络；所述符号距离图编码网络包括：第二卷积处理层、多层第二残差网络以及第二残差网络与膨胀卷积混合层；
通过所述第二卷积处理层对所述符号距离图编码图进行卷积处理，得到第二初始特征；
将所述第二初始特征输入所述多层第二残差网络，得到第三中间特征；
将所述第三中间特征输入所述第二残差网络与膨胀卷积混合层，得到所述符号距离特征图。
6.根据权利要求5所述的方法，其特征在于，将所述第三中间特征输入所述第二残差网络与膨胀卷积混合层，得到所述符号距离特征图，包括：
将所述第二中间特征输入所述第二残差网络与膨胀卷积混合层；所述第二残差网络与膨胀卷积混合层包括第二残差处理模块以及第二膨胀卷积模块；
通过所述第二残差处理模块对所述第三中间特征进行残差处理，得到第四中间特征；
通过所述第二膨胀卷积模块对所述第四中间特征进行膨胀卷积处理，得到所述符号距离特征图。
7.根据权利要求6所述的方法，其特征在于，所述第一残差网络为三层，
将所述第一初始特征输入所述多层第一残差网络，得到第一中间特征，包括：
将所述第一初始特征输入第一个所述第一残差网络，得到第一中间特征A；
将所述第一中间特征A输入第二个所述第一残差网络，得到第一中间特征B；
将所述第一中间特征B输入第三个所述第一残差网络，得到所述第一中间特征；
将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息，包括：
将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络；
对所述光学遥感影像特征图、所述第一中间特征进行预处理后得到第一注意力权重参数；
将所述第一注意力权重参数与原始的第一中间特征相乘得到第一特征；
对所述光学遥感影像特征图和所述符号距离特征图进行预处理后得到第二注意力权重参数；
将所述第二注意力权重参数与采样后的所述符号距离特征图相乘得到第二特征；
将所述第一特征与所述第二特征融合后输入一个卷积层，得到第一输出信息；
对所述第一中间特征B和第一输出信息进行预处理后得到第三注意力权重参数；
将所述第三注意力权重参数与所述第一中间特征B相乘，得到第二输出；
对所述第一中间特征A和所述第二输出进行预处理后得到第四注意力权重参数；
将所述第四注意力权重参数与原始的所述第一中间特征A相乘，得到第三输出；
对所述第三输出进行多重卷积处理，得到道路信息。
8.根据权利要求1所述的方法，其特征在于，所述损失函数包括第一函数以及第二函数；
Figure 808651DEST_PATH_IMAGE001
Figure 460212DEST_PATH_IMAGE002
Figure 833425DEST_PATH_IMAGE003
其中，
Figure 963055DEST_PATH_IMAGE004
表示第一函数，
Figure 511848DEST_PATH_IMAGE005
表示第二函数，
Figure 678518DEST_PATH_IMAGE006
表示损失函数，
Figure 679972DEST_PATH_IMAGE007
表示光学遥感影像的道路真实值标签，
Figure 613293DEST_PATH_IMAGE008
表示其中第i个像素处的真实值；
Figure 875647DEST_PATH_IMAGE009
表示该网络预测的光学遥感影像的道路预测值标签，
Figure 603432DEST_PATH_IMAGE010
表示其中第i个像素处的预测值。
9.一种基于上下文信息的道路提取装置，其特征在于，所述装置包括：
建筑物信息提取模块，用于将预标注的光学遥感影像输入预先设置的建筑物提取网络，得到所述光学遥感影像中的建筑物信息，并输出建筑物提取结果；
符号距离图构建模块，用于根据所述建筑物提取结果计算出符号距离图，所述符号距离图表示了每个像素到离该像素最近的建筑物距离对应的强度值；
光学遥感影像特征图获取模块，用于将所述光学遥感影像输入预先设置的道路编码网络，得到光学遥感影像特征图；
符号距离特征图获取模块，用于将所述符号距离图输入预先设置的符号距离图编码网络，得到符号距离特征图；
道路信息获取模块，用于将所述光学遥感影像特征图以及所述符号距离特征图输入到道路解码网络，得到道路信息；
训练模块，用于根据所述道路信息和所述光学遥感影像中道路对应的道路标记，通过预先设置的损失函数对所述建筑物提取网络、所述道路编码网络、所述符号距离图编码网络以及所述道路解码网络进行反向训练，得到训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络；
道路提取模块，用于将待提取光学遥感影像输入训练好的建筑物提取网络、道路编码网络、符号距离图编码网络以及道路解码网络，输出道路提取结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN202011265280.0A 2020-11-13 2020-11-13 基于上下文信息的道路提取方法、装置和计算机设备 Active CN112101310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011265280.0A CN112101310B (zh) 2020-11-13 2020-11-13 基于上下文信息的道路提取方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011265280.0A CN112101310B (zh) 2020-11-13 2020-11-13 基于上下文信息的道路提取方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112101310A true CN112101310A (zh) 2020-12-18
CN112101310B CN112101310B (zh) 2021-02-02

Family

ID=73785150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011265280.0A Active CN112101310B (zh) 2020-11-13 2020-11-13 基于上下文信息的道路提取方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112101310B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114387521A (zh) * 2022-01-14 2022-04-22 中国人民解放军国防科技大学 基于注意力机制和边界损失的遥感影像建筑物提取方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050100220A1 (en) * 2002-11-06 2005-05-12 Keaton Patricia A. Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN105139015A (zh) * 2015-07-24 2015-12-09 河海大学 一种遥感图像水体提取方法
CN105844287A (zh) * 2016-03-15 2016-08-10 民政部国家减灾中心 一种遥感影像分类的域自适应方法及系统
CN105844637A (zh) * 2016-03-23 2016-08-10 西安电子科技大学 基于非局部cv模型的sar图像变化检测方法
US20170147891A1 (en) * 2015-11-19 2017-05-25 The Regents Of The University Of California Embedded surround vision-based driver assistance for safe zone estimation
US20200018604A1 (en) * 2018-07-16 2020-01-16 Here Global B.V. Method and system for map matching of road sign observations
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050100220A1 (en) * 2002-11-06 2005-05-12 Keaton Patricia A. Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
CN101901343A (zh) * 2010-07-20 2010-12-01 同济大学 基于立体约束的遥感影像道路提取方法
CN105139015A (zh) * 2015-07-24 2015-12-09 河海大学 一种遥感图像水体提取方法
US20170147891A1 (en) * 2015-11-19 2017-05-25 The Regents Of The University Of California Embedded surround vision-based driver assistance for safe zone estimation
CN105844287A (zh) * 2016-03-15 2016-08-10 民政部国家减灾中心 一种遥感影像分类的域自适应方法及系统
CN105844637A (zh) * 2016-03-23 2016-08-10 西安电子科技大学 基于非局部cv模型的sar图像变化检测方法
US20200018604A1 (en) * 2018-07-16 2020-01-16 Here Global B.V. Method and system for map matching of road sign observations
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
GU HUI ET AL;: "《Road Extracting Based on Texture Analysis》", 《PROCEEDINGS OF THE 16TH INTERNATIONAL CONFERENCE ON ARTIFICIAL REALITY AND TELEXISTENCE》 *
周绍光 等；: "《形状先验和图割的高分辨率遥感影像道路段提取》", 《测绘学报》 *
孙永超 等；: "《基于平行边缘点对的道路检测方法》", 《重庆理工大学学报( 自然科学)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114387521A (zh) * 2022-01-14 2022-04-22 中国人民解放军国防科技大学 基于注意力机制和边界损失的遥感影像建筑物提取方法
CN114387521B (zh) * 2022-01-14 2024-05-28 中国人民解放军国防科技大学 基于注意力机制和边界损失的遥感影像建筑物提取方法

Also Published As

Publication number Publication date
CN112101310B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN106778605B (zh) 导航数据辅助下的遥感影像道路网自动提取方法
KR102143108B1 (ko) 차선 인식 모델링 방법, 장치, 저장 매체 및 기기, 및 인식 방법, 장치, 저장 매체 및 기기
CN111079632A (zh) 文本检测模型的训练方法、装置、计算机设备和存储介质
CN112288770A (zh) 基于深度学习的视频实时多目标检测与跟踪方法和装置
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
CN114387430A (zh) 基于人工智能的图像描述生成方法、装置、设备及介质
CN112101310B (zh) 基于上下文信息的道路提取方法、装置和计算机设备
CN112990050B (zh) 一种基于轻量级特征金字塔结构的单目3d目标检测方法
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN113313763B (zh) 一种基于神经网络的单目相机位姿优化方法及装置
CN111207762B (zh) 地图生成方法、装置、计算机设备和存储介质
CN114998856B (zh) 一种多相机图像的3d目标检测方法、装置、设备及介质
CN111797571B (zh) 滑坡易发性评价方法、装置、设备和存储介质
CN112949507A (zh) 人脸检测方法、装置、计算机设备及存储介质
WO2023124442A1 (zh) 积水深度检测方法及装置
CN111652181B (zh) 目标跟踪方法、装置及电子设备
CN112577473A (zh) 一种双时相的高分辨率遥感影像变化检测算法
CN115205855A (zh) 融合多尺度语义信息的车辆目标识别方法、装置及设备
Vakalopoulou et al. Simultaneous registration, segmentation and change detection from multisensor, multitemporal satellite image pairs
CN116543162A (zh) 基于特征差值与上下文感知一致性的图像分割方法及系统
CN114596588B (zh) 基于文本辅助特征对齐模型的受损行人图像再识别方法及装置
CN116630610A (zh) 基于语义分割模型和条件随机场的roi区域提取方法
CN115797665A (zh) 基于图像特征的图像和单帧毫米波雷达目标的匹配方法
US20220215645A1 (en) Computer Vision Systems and Methods for Determining Roof Conditions from Imagery Using Segmentation Networks
CN116258931A (zh) 基于ViT和滑窗注意力融合的视觉指代表达理解方法和系统

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