CN112396039A - 一种基于邻域关系的火星栅格地形地图生成方法 - Google Patents

一种基于邻域关系的火星栅格地形地图生成方法 Download PDF

Info

Publication number
CN112396039A
CN112396039A CN202110036562.1A CN202110036562A CN112396039A CN 112396039 A CN112396039 A CN 112396039A CN 202110036562 A CN202110036562 A CN 202110036562A CN 112396039 A CN112396039 A CN 112396039A
Authority
CN
China
Prior art keywords
grid
terrain
mars
neighborhood
terrain map
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
CN202110036562.1A
Other languages
English (en)
Other versions
CN112396039B (zh
Inventor
李月华
张健
宋俊男
谢天
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202110036562.1A priority Critical patent/CN112396039B/zh
Publication of CN112396039A publication Critical patent/CN112396039A/zh
Application granted granted Critical
Publication of CN112396039B publication Critical patent/CN112396039B/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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明公开了一种基于邻域关系的火星栅格地形地图生成方法，属于计算机图像处理技术领域。该火星栅格地形地图生成方法将收集的火星近地面图片输入地形分类网络中进行训练，当交叉熵损失函数收敛时，完成对地形分类网络的训练，以训练好的地形分类网络为基础，在火星近距离地面图片上划分栅格并逐窗口地预测地形类别，后续在上述栅格地形地图上进行结果的平滑，设计了基于邻域关系的多尺度融合与投票平滑算法，最终生成栅格地形地图。本发明的栅格地形地图生成方法仅依赖于能够提供火星近地面图片的传感器设备，方法简单，是基于导航相机、避障相机等设备实现地形理解的有效方法。

Description

一种基于邻域关系的火星栅格地形地图生成方法
技术领域
本发明属于计算机图像处理技术领域，尤其涉及一种基于邻域关系的火星栅格地形地图生成方法。
背景技术
地形地图的生成是计算机视觉领域中的一个重要任务，被广泛运用在障碍避让、路径规划等诸多任务场景。尤其在当前的地外探测任务中，地面地形的识别是探险车实现环境语义理解、安全路径搜寻的基础。
区别于熟悉可见的地球地表环境，火星地外环境中地面数据存在着非结构化场景差异不明显、危险区域难界定、目标先验知识欠缺、地形纹理难区分等问题。现有的解决方案包括以下三种：（1）使用语义分割算法实现像素级别的地形识别；（2）由目标检测完成对典型目标的侦测后，组合判断地形种类；（3）直接通过分类模型给出粗略的结果。其中，语义分割方法需要专家级的地质知识、大量的高质量标注数据以及高性能的推理设备；而目标检测的方法则依赖于各个子目标识别效果；至于直接分类则往往只适用于单地形场景。
发明内容
针对现有技术的不足，本发明提供了一种基于邻域关系的火星栅格地形地图生成方法。
本发明的目的是通过以下技术方案来实现的：一种基于邻域关系的火星栅格地形地图生成方法，包括以下步骤：
（1）收集火星近地面图片，进行地形类别标注，并对火星近地面图片进行随机翻转、剪裁、伽马变换进行图像增强，获得火星近地面图片数据集；
（2）将步骤（1）获得的火星近地面图片数据集输入地形分类网络中进行训练，当交叉熵损失函数收敛时，完成对地形分类网络的训练；
（3）将火星近距离地面图片划分栅格，选取栅格中的第一个栅格，所述第一个栅格采用若干组0~3的系数向外进行多尺度的扩张，形成若干组候选区域，所述候选区域在邻域范围内，所述邻域是以第一个栅格为中心的5×5栅格区域，并将所述若干组候选区域依次输入训练好的地形分类网络中，分别得到地形预测的概率值；
（4）在第一个栅格的邻域区间中，计算各栅格候选区域与第一个栅格的第一个候选区域之间的重叠面积，生成相应的投票权重，再根据步骤（3）得到的地形预测的概率值，生成平滑的后概率值：
（5）采用步骤（4）的方法遍历第一个栅格的所有候选区域，生成平滑的后概率值，融合所有后概率值，得到第一个栅格的平滑概率值；
（6）将步骤（5）中生成的平滑概率值中最大概率值的地形类别作为标签，并进一步在第一个栅格中平滑掉特异性的结果，获得第一个栅格的地形地图；
（7）遍历栅格中的每一个栅格，采用与第一个栅格相同的系数向外进行多尺度的扩张，重复步骤（3）-（7），获得每一个栅格的地形地图。
与现有技术相比，本发明的有益效果是：本发明是基于邻域关系的栅格地形地图主要针对火星近地面图片进行地形识别，并在全局图像中构建稠密的栅格地图。由于，实际工程中因栅格大小不定、输入区域扰动等因素，独立的栅格预测会带来全局结果一致性差、平滑性欠缺等问题。本发明的栅格地图生成方法中引入多尺度预测加权融合、邻域关系投票平滑方法，从而提升火星栅格地形地图的整体表现，使得本发明的栅格地图生成方法仅依赖于能够提供火星近地面图片的传感器设备，方法简单，是基于导航相机、避障相机等设备实现地形理解的有效方法。
附图说明
图1为地形分类模型总体架构示意图；
图2为栅格地形地图生成流程图；
图3为本发明的效果示意图，图3中的（a）为火星近距离地面图片，图3中的（b）为通过本发明方法形成的栅格地形地图。
具体实施方式
本发明提供了一种基于邻域关系的火星栅格地形地图生成方法，包括以下步骤：
（1）以NASA公开的火星数据集“Mars32k”作为任务样本，并从中挑选了部分火星近地面图片进行地形类别的标注。该图片集由火星车“好奇号”拍摄，包含了约32,000张涵盖了火星的各种地理和地质特征的彩色图片，如山脉和山谷，火山口，沙丘和岩石等地形。任务中总计选用了涵盖了10种地形，并对火星近地面图片进行随机翻转、剪裁、伽马变换进行图像增强，获得火星近地面图片数据集。
构建地形分类网络：
如图1为地形分类模型总体架构示意图，所述地形分类网络基于开源的深度学习框架pytorch，在公开的网络模型的基础上进行改造，实现了主体网络、层级特征融合模块、损失函数模块的构建，具体构建过程如下：
（a）构建主体网络：主体网络包括特征提取模块与分类器模块两个部分，所述主体网络可以直接选用公开的Resnet101结构，将Resnet101结构中的分类器的输出数目设为10类，与当前地形分类任务相匹配。
（b）构建层级特征融合模块：融合特征提取模块中的四个子模块分别输出特征图，四组特征图
Figure 687817DEST_PATH_IMAGE001
经由第一映射函数
Figure 73799DEST_PATH_IMAGE002
后，并下采样至尺寸与特征图
Figure 587957DEST_PATH_IMAGE003
保持一致：
Figure 452008DEST_PATH_IMAGE004
其中，下采样函数
Figure 735221DEST_PATH_IMAGE005
选用双线性差值函数
Figure 26525DEST_PATH_IMAGE006
；第一映射函数
Figure 762400DEST_PATH_IMAGE007
选用标准的3×3卷积操作。
函数
Figure 430142DEST_PATH_IMAGE008
选用
Figure 66397DEST_PATH_IMAGE009
函数，在通道上拼接上述四组特征图
Figure 528603DEST_PATH_IMAGE010
，并通过第二映射函数
Figure 751774DEST_PATH_IMAGE011
映射，得到融合的特征图
Figure 957627DEST_PATH_IMAGE012
，实现通道的调整，融合的特征图与特征图
Figure 949854DEST_PATH_IMAGE013
相加输入分类器模块，计算如下：
Figure 114119DEST_PATH_IMAGE014
其中，第二映射函数
Figure 824586DEST_PATH_IMAGE011
为两组连续的包含3×3卷积、批量标准化、线性整流函数三个部分的组合模块。
（c）损失函数模块：以交叉熵损失作为损失函数，拟合地形分类概率与真实的标签，并以批量随机梯度下降法作为优化方法，反向传播并更新整个地形分类网络。
（2）将步骤（1）获得的火星近地面图片数据集输入地形分类网络中进行训练，当交叉熵损失函数收敛时，完成对地形分类网络的训练；
（3）以地形分类网络为基础，在火星近距离地面图片上划分栅格并逐窗口地预测地形类别，后续在上述栅格地形地图上进行结果的平滑，设计了基于邻域关系的多尺度融合与投票平滑算法，最终生成地形地图，定义栅格与邻域并实现多尺度推理以适应不同尺度的地形目标；在邻域内以投票的方式平滑预测概率以提升结果的区域关联性；以特异性指标抑制局部预测偏差的问题。如图2所示为栅格地形地图生成流程图，包括以下过程：
（3.1）栅格邻域内的多尺度推理
将火星近距离地面图片划分栅格
Figure 568551DEST_PATH_IMAGE015
并从中选取第一个栅格
Figure 680864DEST_PATH_IMAGE016
。所述第一个栅格
Figure 977547DEST_PATH_IMAGE016
采用j组系数
Figure 175310DEST_PATH_IMAGE017
向外进行多尺度的扩张形成若干组候选区域
Figure 722966DEST_PATH_IMAGE018
。则第一个栅格
Figure 689785DEST_PATH_IMAGE016
的某一候选区域
Figure 930274DEST_PATH_IMAGE019
记为：
Figure 349754DEST_PATH_IMAGE020
其中，
Figure 701101DEST_PATH_IMAGE021
表示栅格外扩函数，
Figure 522426DEST_PATH_IMAGE022
为当前候选区域的外扩系数，m为j的索引。
所述候选区域
Figure 432351DEST_PATH_IMAGE023
在邻域
Figure 339127DEST_PATH_IMAGE024
范围内，邻域
Figure 494165DEST_PATH_IMAGE024
是以第一个栅格
Figure 435576DEST_PATH_IMAGE016
为中心外扩的5×5栅格区域。若干组候选区域
Figure 17867DEST_PATH_IMAGE018
依次输入训练好的地形分类网络中，分别得到地形预测的概率值
Figure 411940DEST_PATH_IMAGE025
，则第一个栅格
Figure 105089DEST_PATH_IMAGE016
的所有预测概率值集合记为
Figure 635428DEST_PATH_IMAGE026
。其中，
Figure 887155DEST_PATH_IMAGE027
为地形类别的数目。
（3.2）基于邻域关系的栅格平滑算法
在第一个栅格的邻域区间中，计算各栅格候选区域
Figure 768524DEST_PATH_IMAGE028
与第一个栅格的候选区域
Figure 265364DEST_PATH_IMAGE029
之间的重叠面积
Figure 915788DEST_PATH_IMAGE030
，生成相应的投票权重，再根据步骤（3.1）得到的候选区域对应的地形概率，生成平滑的后概率值
Figure 574303DEST_PATH_IMAGE031
：
Figure 208546DEST_PATH_IMAGE032
其中，投票函数
Figure 243498DEST_PATH_IMAGE033
为栅格
Figure 14008DEST_PATH_IMAGE015
赋予一个以第一个栅格
Figure 843424DEST_PATH_IMAGE016
为中心的高斯分布权重，
Figure 197920DEST_PATH_IMAGE034
为第一个栅格
Figure 36563DEST_PATH_IMAGE016
的第m个预测概率值。
随后，遍历第一个栅格的所有候选区域
Figure 396000DEST_PATH_IMAGE018
，生成平滑的后概率值，融合所有后概率值，得到第一个栅格
Figure 661896DEST_PATH_IMAGE016
的平滑概率值
Figure 739574DEST_PATH_IMAGE035
：
Figure 381907DEST_PATH_IMAGE036
其中，
Figure 861430DEST_PATH_IMAGE037
为各候选区域平滑概率值所对应的权重系数，其维度与地形类别数目一致。
（3.3）地形地图的生成
以步骤（3.2）中生成的平滑概率值
Figure 298228DEST_PATH_IMAGE035
的最大值作为地形类别标签，将第一个栅格
Figure 367596DEST_PATH_IMAGE016
的地形
Figure 548042DEST_PATH_IMAGE038
记为：
Figure 882071DEST_PATH_IMAGE039
其中，
Figure 489770DEST_PATH_IMAGE040
表示求解最大值所对应的序号。进一步地对地形
Figure 542039DEST_PATH_IMAGE038
的特异性进行判别，执行二次平滑并调整为地形
Figure 526176DEST_PATH_IMAGE041
：
Figure 449133DEST_PATH_IMAGE042
其中，
Figure 460689DEST_PATH_IMAGE043
为计数函数，
Figure 254DEST_PATH_IMAGE044
为第一个栅格
Figure 522503DEST_PATH_IMAGE016
的邻域范围，
Figure 831124DEST_PATH_IMAGE045
则表示第一栅格
Figure 780626DEST_PATH_IMAGE016
与
Figure 541908DEST_PATH_IMAGE015
的地形类型一致。
（3.4）遍历栅格中的每一个栅格，采用与第一个栅格相同的系数向外进行多尺度的扩张，重复步骤（3.1）-（3.3），获得每一个栅格的地形地图。
通过本发明生成的火星栅格地形地图与火星近距离地面图片进行比较，其结果如图3所示，图3中的（a）为火星近距离地面图片，图3中的（b）为通过本发明方法形成的栅格地形地图，图3中的（b）所示的栅格地形地图以稠密小栅格为单位给出了完整的地形分布，在兼顾准确率与实时性的情况下，避免了传统目标检测、语义分割方案中的边界模糊、标注困难等问题。

Claims (1)

1.一种基于邻域关系的火星栅格地形地图生成方法，其特征在于，包括以下步骤：
（1）收集火星近地面图片，进行地形类别标注，并对火星近地面图片进行随机翻转、剪裁、伽马变换进行图像增强，获得火星近地面图片数据集；
（2）将步骤（1）获得的火星近地面图片数据集输入地形分类网络中进行训练，当交叉熵损失函数收敛时，完成对地形分类网络的训练；
（3）将火星近距离地面图片划分栅格，选取栅格中的第一个栅格，所述第一个栅格采用若干组0~3的系数向外进行多尺度的扩张，形成若干组候选区域，所述候选区域在邻域范围内，所述邻域是以第一个栅格为中心的5×5栅格区域，并将所述若干组候选区域依次输入训练好的地形分类网络中，分别得到地形预测的概率值；
（4）在第一个栅格的邻域区间中，计算各栅格候选区域与第一个栅格的第一个候选区域之间的重叠面积，生成相应的投票权重，再根据步骤（3）得到的地形预测的概率值，生成平滑的后概率值：
（5）采用步骤（4）的方法遍历第一个栅格的所有候选区域，生成平滑的后概率值，融合所有后概率值，得到第一个栅格的平滑概率值；
（6）将步骤（5）中生成的平滑概率值中最大概率值的地形类别作为标签，并进一步在第一个栅格中平滑掉特异性的结果，获得第一个栅格的地形地图；
（7）遍历栅格中的每一个栅格，采用与第一个栅格相同的系数向外进行多尺度的扩张，重复步骤（3）-（7），获得每一个栅格的地形地图。
CN202110036562.1A 2021-01-12 2021-01-12 一种基于邻域关系的火星栅格地形地图生成方法 Active CN112396039B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110036562.1A CN112396039B (zh) 2021-01-12 2021-01-12 一种基于邻域关系的火星栅格地形地图生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110036562.1A CN112396039B (zh) 2021-01-12 2021-01-12 一种基于邻域关系的火星栅格地形地图生成方法

Publications (2)

Publication Number Publication Date
CN112396039A true CN112396039A (zh) 2021-02-23
CN112396039B CN112396039B (zh) 2022-06-24

Family

ID=74624864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110036562.1A Active CN112396039B (zh) 2021-01-12 2021-01-12 一种基于邻域关系的火星栅格地形地图生成方法

Country Status (1)

Country Link
CN (1) CN112396039B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378390A (zh) * 2021-06-15 2021-09-10 浙江大学 一种基于深度学习的地外星表通行性分析方法及系统
CN113867340A (zh) * 2021-09-17 2021-12-31 北京控制工程研究所 一种地外未知环境超视距全局路径规划系统和方法
CN117312760A (zh) * 2023-11-28 2023-12-29 中国电子科技集团公司第五十四研究所 一种基于空间栅格的运动目标时空分布预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030204384A1 (en) * 2002-04-24 2003-10-30 Yuri Owechko High-performance sensor fusion architecture
CN101651964A (zh) * 2009-09-18 2010-02-17 北京邮电大学 一种异构网络信息下发的栅格划分方法及系统
CN106227753A (zh) * 2016-07-15 2016-12-14 西安测绘研究所 利用手绘地图检索空间场景的方法
CN110264572A (zh) * 2019-06-21 2019-09-20 哈尔滨工业大学 一种融合几何特性与力学特性的地形建模方法及系统
US20200226782A1 (en) * 2018-05-18 2020-07-16 Boe Technology Group Co., Ltd. Positioning method, positioning apparatus, positioning system, storage medium, and method for constructing offline map database

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030204384A1 (en) * 2002-04-24 2003-10-30 Yuri Owechko High-performance sensor fusion architecture
CN101651964A (zh) * 2009-09-18 2010-02-17 北京邮电大学 一种异构网络信息下发的栅格划分方法及系统
CN106227753A (zh) * 2016-07-15 2016-12-14 西安测绘研究所 利用手绘地图检索空间场景的方法
US20200226782A1 (en) * 2018-05-18 2020-07-16 Boe Technology Group Co., Ltd. Positioning method, positioning apparatus, positioning system, storage medium, and method for constructing offline map database
CN110264572A (zh) * 2019-06-21 2019-09-20 哈尔滨工业大学 一种融合几何特性与力学特性的地形建模方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BO GAO ET AL.: "Finding the lowest-cost path for searching the grid-based environment", 《2009 INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378390A (zh) * 2021-06-15 2021-09-10 浙江大学 一种基于深度学习的地外星表通行性分析方法及系统
CN113378390B (zh) * 2021-06-15 2022-06-24 浙江大学 一种基于深度学习的地外星表通行性分析方法及系统
CN113867340A (zh) * 2021-09-17 2021-12-31 北京控制工程研究所 一种地外未知环境超视距全局路径规划系统和方法
CN113867340B (zh) * 2021-09-17 2024-02-13 北京控制工程研究所 一种地外未知环境超视距全局路径规划系统和方法
CN117312760A (zh) * 2023-11-28 2023-12-29 中国电子科技集团公司第五十四研究所 一种基于空间栅格的运动目标时空分布预测方法
CN117312760B (zh) * 2023-11-28 2024-01-30 中国电子科技集团公司第五十四研究所 一种基于空间栅格的运动目标时空分布预测方法

Also Published As

Publication number Publication date
CN112396039B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN112396039B (zh) 一种基于邻域关系的火星栅格地形地图生成方法
CN109359684B (zh) 基于弱监督定位和子类别相似性度量的细粒度车型识别方法
Han et al. Remote sensing image building detection method based on Mask R-CNN
CN111738165B (zh) 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法
CN103337052B (zh) 面向宽幅遥感影像的自动几何纠正方法
CN107067405B (zh) 基于尺度优选的遥感影像分割方法
CN113378686B (zh) 一种基于目标中心点估计的两阶段遥感目标检测方法
CN109389057B (zh) 一种基于多尺度高级语义融合网络的物体检测方法
CN112287832A (zh) 一种基于高分辨率遥感影像的城镇违法建筑物检测方法
CN112287807A (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
CN110853026A (zh) 一种融合深度学习与区域分割的遥感影像变化检测方法
CN115546768B (zh) 基于多尺度机制和注意力机制的路面标线识别方法及系统
CN111028255A (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
CN111462191B (zh) 一种基于深度学习的非局部滤波器无监督光流估计方法
CN110533100B (zh) 一种基于机器学习进行cme检测和跟踪的方法
CN113516664A (zh) 一种基于语义分割动态点的视觉slam方法
CN111524117A (zh) 一种基于特征金字塔网络的隧道表面缺陷检测方法
CN114897738A (zh) 一种基于语义不一致性检测的图像盲修复方法
CN116539004A (zh) 一种采用无人机测绘的通信线路工程勘察设计方法与系统
Sofla et al. Road extraction from satellite and aerial image using SE-Unet
CN112241676A (zh) 一种地形杂物自动识别的方法
CN111696147B (zh) 一种基于改进YOLOv3模型的深度估计方法
CN113989287A (zh) 城市道路遥感图像分割方法、装置、电子设备和存储介质
CN112950786A (zh) 一种基于神经网络的车辆三维重建方法
Ansith et al. A modified Generative Adversarial Network (GAN) architecture for land use classification

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