CN112418027A - 一种改进U-Net网络的遥感影像道路提取方法 - Google Patents

一种改进U-Net网络的遥感影像道路提取方法 Download PDF

Info

Publication number
CN112418027A
CN112418027A CN202011251522.0A CN202011251522A CN112418027A CN 112418027 A CN112418027 A CN 112418027A CN 202011251522 A CN202011251522 A CN 202011251522A CN 112418027 A CN112418027 A CN 112418027A
Authority
CN
China
Prior art keywords
network
road
layer
training
input
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
CN202011251522.0A
Other languages
English (en)
Inventor
宋廷强
刘童心
宗达
孙媛媛
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.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and 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 Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN202011251522.0A priority Critical patent/CN112418027A/zh
Publication of CN112418027A publication Critical patent/CN112418027A/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
    • G06V20/182—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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

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

Abstract

本发明涉及一种改进U‑Net网络的遥感影像道路提取方法及介质的技术方案，包括：搭建高分道路分割网络AS‑Unet，初始化输入数据；在编码器部分加入通道注意力机制，对提取的丰富低层特征进行筛选，突出目标特征，抑制背景噪声干扰，从而提高深浅层信息融合准确率；其次，为解决网络对道路目标单一尺寸的敏感问题，在编码器最后一层卷积层后面加入空间金字塔池化模块来捕获不同尺度道路特征；最后，在解码器部分加入空间注意力机制，进行位置关系信息学习和深层次语义特征筛选，提高特征图还原能力。本发明的有益效果为：降低计算量的同时大大减少了网络参数，提高网络分割效率；显著提高了2个通用的高分道路数据集的分割准确率；使得卷积神经网络结构具有较好的泛化能力，具备一定理论和实际应用价值。

Description

一种改进U-Net网络的遥感影像道路提取方法
本发明涉及计算机及图像处理领域，具体涉及了一种改进U-Net网络的遥感 影像道路提取方法。
背景技术
从遥感图像中提取道路信息在智慧城市规划、交通管理等众多地理信息应用 中发挥重要作用。目前获取遥感数据的成本越来越低，各个遥感平台通过多种传 感器设备，获得所需的海量遥感数据，如：高分数据、高光谱数据、雷达数据等， 人类观测、探索到的地球信息更实时、更全面。随着深度学习技术在实际生产生 活中的广泛应用，利用其对遥感数据中目标地物信息进行提取研究有着非同寻常 的意义。
现有技术包括机器学习、人工智能(语义分割网络)。
其存在的缺点：高斯马尔可夫随机场结合支持向量机算法、人工神经网络算 法等，不可否认，上述方法在一定应用场景下取得可观的效果，但部分较好结果 建立在人工反复实验调整阈值参数等一系列耗时耗力且存在主观性的基础上，在 目前一些大规模数据应用上受限，且分割精度和效率无法达到目前需求。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种改 进U-Net网络的遥感影像道路提取方法，提高了高分图像的分割精度和效率。
本发明的技术方案包括一种改进U-Net网络的遥感影像道路提取方法，其 特征在于，该方法包括：S100，搭建高分影像道路提取网络AS-Unet，以512*512*3 波段的高分数据作为输入数据，基于U-Net算法改进构建神经网络架构；S200， 将输入数据输入编码网络，每个下采样阶段使用两个相同的卷积层堆叠方式进行 特征提取，之后进入通道注意力机制，在通道维度上加强有用的道路特征，并抑 制无效且复杂多样的背景特征，随后使用Relu函数激活，最后采用大小为2×2 的最大池化操作对特征图下采样；S300，对于编码网络最后一层，卷积层之后的 特征图中含有丰富的空间语义信息，将特征图输入改进ASPP模块中，经过不同 扩张率的空洞卷积后输入1×1网络，旨在不同尺度上对图像特征进行描述，保 证了编码网络在低层提取关联性高的道路轮廓细节特征，实现目标的精细分割定位；高层阶段得到有用的特征信息，提高图像中道路识别精度；S400，解码网络 逐步恢复特征图至输入图像尺寸，每个上采样阶段堆叠两个卷积层，并且每个阶 段级联编码网络中对应层次的特征图，从而复用低层次语义信息，每层上采样模 块最后加入空间注意力机制，帮助上采样层有效恢复道路目标空间信息。
根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中S100还包括：基于开源数据集，首先对遥感道路数据进行预处理，包括将高 分数据进行裁剪和数据增强，然后以512*512*3波段的高分数据输入网络。
根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中该方法还包括：对经过预处理的多个高分道路数据划分训练集和验证集，其中 验证集用于对卷积神经网络的训练进行分类准确度进行验证，训练集用于对卷积 神经网络的训练进行参数调整，其中训练集和验证集的比例可自定义设置。
根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中该方法还包括：每批次输入大小为8；本文实验使用Adam优化算法，相比 SGD、RMSprop和AdaGrad优化器，其使模型更快收敛到性能最优，使用Adam 中默认参数，其中学习率设为0.001，指数衰减率β1＝0.9，β2＝0.999，常数设置 ε＝10-8，若在5轮训练中损失函数没有下降，学习率下降为原来0.1倍，学习率 最小值为1.0×10-10；选择Lovasz-Softmax loss函数在模型反向传播过程中，更新 网络参数；训练迭代次数为100次。
根据所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其 中S400还包括：通过训练损失与验证损失图确定网络是否达到收敛，收敛则停 止训练，得到高分道路分割模型；将高分道路测试数据输入至AS-Unet分割模型， 输出分割结果。
本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储 介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现任一 所述的方法步骤。
本发明的有益效果为：提出引入注意力机制和ASPP模型的AS-Unet网络 架构，应用于遥感影像道路目标分割；第一，在编码器即特征提取网络中加入 通道注意力机制对特征信息进行选择。在解码器中采用空间注意力机制对不同空 间道路特征的相关性建模，提高模型分割性能；第二，在编码器中加入了改进的 ASPP模型，即在每个并行空洞卷积操作后加入1×1网络，更好地以不同的膨 胀率来捕获多尺度道路特征。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的流程图；
图2所示为根据本发明实施方式的通道注意力机制示意图；
图3所示为根据本发明实施方式的空间注意力机制示意图；
图4所示为根据本发明实施方式的改进的ASPP模型示意图；
图5所示为根据本发明实施方式的AS-Unet卷积神经网络的结构图；
图6所示为根据本发明实施方式的数据集的处理流程图；
图7所示为根据本发明实施方式的输入高分图像分割流程图；
图8所示为根据本发明实施方式的Massachusetts、DeepGlobe道路数据集 的实验结果示意图；
图9所示为根据本发明实施方式的装置及介质图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示 出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象 地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范 围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上， 大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本 发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并 不会影响本发明技术方案所达到的技术效果。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技 术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的 具体含义。
术语解释：
高分图像，通道注意力机制、空间注意力机制与改进的ASPP模型。
图1所示为根据本发明实施方式的流程图，该流程如下：S100，搭建高分 影像道路提取网络AS-Unet，以512*512*3波段的高分数据作为输入数据，基于 U-Net算法改进构建神经网络架构；S200，将输入数据输入编码网络，每个下采 样阶段使用两个相同的卷积层堆叠方式进行特征提取，之后进入通道注意力机 制，在通道维度上加强有用的道路特征，并抑制无效且复杂多样的背景特征，随 后使用Relu函数激活，最后采用大小为2×2的最大池化操作对特征图下采样； S300，对于编码网络最后一层，卷积层之后的特征图中含有丰富的空间语义信息， 将特征图输入改进ASPP模块中，经过不同扩张率的空洞卷积后输入1×1网络， 旨在不同尺度上对图像特征进行描述，保证了编码网络在低层提取关联性高的道 路轮廓细节特征，实现目标的精细分割定位；高层阶段得到有用的特征信息，提 高图像中道路识别精度；S400，解码网络逐步恢复特征图至输入图像尺寸，每个 上采样阶段堆叠两个卷积层，并且每个阶段级联编码网络中对应层次的特征图， 从而复用低层次语义信息，每层上采样模块最后加入空间注意力机制，帮助上采 样层有效恢复道路目标空间信息。
图2所示为根据本发明实施方式的通道注意力机制示意图，本文中将通道注 意力模块嵌入到编码器部分，结构如下图3所示。特征图X经过编码部分特征提 取网络得到大小H×W×C特征图U＝[u1,u2,...,uc]，而后将其输入通道注意力模型中， 分别进行全局平均池化和全局最大池化操作得到
Figure BDA0002771745020000051
与
Figure BDA0002771745020000052
输入信息在通道维 度上进行融合，生成2个大小1×1×C的输出；第二步设置两层全连接网络，第一 层神经元个数为C/γ，γ代表衰减率，通过γ控制参数量及注意力强度，本文中 γ＝8，即尺寸大小
Figure BDA0002771745020000053
使用relu函数激活。第二层神经元个数为C，旨在得 到与输入通道数对应的长度为C的向量，此时向量中每个元素即全连接层每个神 经元的输出，可以代表不同通道的重要程度。之后将两个平行分支的输出进行融 合并使用sigmoid函数激活，为原始输入的每个特征通道生成唯一的权重值。最 后，将学习到的权重与原始输入特征图进行逐通道维度相乘，得到带有权重注意 力的输出特征图U'，则U'中具有更大的感受野和更清晰的语义信息。
此网络具体计算过程为：
Figure BDA0002771745020000054
上(1)式中U'为最终得到不同权重值的特征图,MC(U)表示通道注意力模块 对输入特征图U进行上述处理得到通道不同权重的过程，其定义如下：
Figure BDA0002771745020000055
此处σ代表sigmoid激活函数,
Figure BDA0002771745020000056
W0、W1为图2两个 平行分支中全连接层全连接网络对应权重值，图中亦可看出W0后使用relu激活 函数。
图3所示为根据本发明实施方式的空间注意力机制示意图，将大小为 H×W×C的特征图F，分别输入全局最大池化和全局平均池化网络中，在通道维 度上进行全局信息压缩，得到大小为H×W×1特征图
Figure BDA0002771745020000057
和
Figure BDA0002771745020000058
融合后使用7×7卷积核进行特征学习，获得通道数为1的特征图，之后采用 Sigmoid层计算出注意力权重，结果与原输入特征图逐像素相乘，得到最终加权 处理后的特征图F'即：
Figure RE-GDA0002904472470000059
上(3)式中F'为最终得到不同权重值的特征图，MS(F)表示空间注意力网络 对输入特征图F进行上述处理后得到不同权重的过程且MS(F)∈RH×W，定义如 下：
Figure BDA0002771745020000061
上式(4)中σ表示sigmoid激活函数，f7×7表示7×7的卷积操作。
图4所示为根据本发明实施方式的改进的ASPP模型的结构图，网络结构 如图4所示，图4中(a)表示，本文的ASPP模块由四个平行卷积构成，分别为1 个1×1卷积块和3个3×3的空洞卷积，扩张率分别设置为3、5、7。其中3个并 行空洞卷积后加入1×1卷积块、批处理归一化层和relu激活函数，旨在降低通 道至统一维数，且通过加深网络深度增加非线性特征，以捕获目标多尺度特征和 更多细节信息。最后，采用级联运算融合特征，获得图像的局部特征在不同尺度 上的描述。
图4中(b)表示，通过全局平均池化产生图像级别特征集，使所有分支的最 终特征被双线型上采样至输入尺寸，之后进行级联操作并输入大小为1×1卷积 网络层中，生成特征图后馈送到后续网络部分。
图5所示为根据本发明实施方式的AS-Unet卷积神经网络的结构图，包括： 第一部分为编码网络，每层网络中的卷积块之后加入通道注意力机制。在空间维 度上分别采用基于全局的平均池化和最大池化操作。通过一系列全连接层之后逐 通道融合特征信息，最终得到对应的通道权重值。在通道维度上加强有用的道路 特征，并抑制无效且复杂多样的背景特征，进而提高网络模型计算效率。对于编 码网络最后一层，卷积层之后的特征图中含有丰富的空间语义信息，将特征图输 入改进的ASPP模型中，经过不同扩张率的空洞卷积后输入1×1网络，旨在 不同尺度上对图像特征进行描述。保证了编码网络在低层提取关联性高的道路轮 廓细节特征，实现目标的精细分割定位；高层阶段得到有用的特征信息，提高图 像中道路识别精度。第二部分为解码网络，每层上采样模块最后加入空间注意力 机制。在通道维度上分别使用全局平均池化和全局最大池化网络，得到通道上的 全局特征。将特征图通过维度方向拼接的方式进行特征融合，最后，经过卷积操 作后获得对应的空间权重值。旨在帮助上采样层有效恢复道路目标空间信息，且 一定程度上提升网络对被树木、阴影等遮挡的道路的分割能力，从而在恢复至原 图分辨率时能得到准确率更高的分割结果。
图所示6为根据本发明实施方式的数据集的处理流程图，对经过预处理的 多个高分道路数据划分训练集和验证集，其中验证集用于对卷积神经网络的训练 进行分类准确度进行验证，训练集用于对卷积神经网络的训练进行参数调整，其 中训练集和验证集的比例可自定义设置。
图7所示为根据本发明实施方式的输入高分道路图像分割流程图，
使用开源数据集Massachusetts道路数据集和DeepGlobe道路数据集，对数 据进行预处理，归一化到0-1之间，降低不同维度数据之间的差异性，提高网络 梯度下降求最优解的速度，以512*512*3波段的高分道路数据作为输入，预测图 像道路分割图。网络结构整体分为编码网络加入通道注意力机制和改进的ASPP 模型，解码网络加入空间注意力机制共3个部分。以Massachusetts道路数据集 为例，以512*512*3波段的高分道路数据作为输入。
搭建高分道路分割网络，具体结构如上所示，以512*512*3波段的高分数 据作为输入数据，基于U-Net算法改进构建神经网络架构；然后将输入数据输入 编码网络，每个下采样阶段使用两个相同的卷积层堆叠方式进行特征提取，之后 进入通道注意力机制，在通道维度上加强有用的道路特征，并抑制无效且复杂多 样的背景特征，随后使用Relu函数激活，最后采用大小为2×2的最大池化操作 对特征图下采样；第二步，对于编码网络最后一层，卷积层之后的特征图中含有 丰富的空间语义信息，将特征图输入改进ASPP模块中，经过不同扩张率的空洞 卷积后输入1×1网络，旨在不同尺度上对图像特征进行描述，保证了编码网络 在低层提取关联性高的道路轮廓细节特征，实现目标的精细分割定位；高层阶段得到有用的特征信息，提高图像中道路识别精度。
解码网络逐步恢复特征图至输入图像尺寸，每个上采样阶段堆叠两个卷积 层，并且每个阶段级联编码网络中对应层次的特征图，从而复用低层次语义信息， 每层上采样模块最后加入空间注意力机制，帮助上采样层有效恢复道路目标空间 信息。
在训练过程中，batchsize设为8，初始学习率设为0.001，采用学习衰减率 策略，每迭代5次，损失函数没有下降，学习率降为上一次学习率的百分之十；
查看训练损失与验证损失图，网络达到收敛，即可停止训练，得到高分道 路分割模型；
输入高分道路测试数据，输出分割结果。
图8所示为根据本发明实施方式的Massachusetts道路数据集和DeepGlobe 道路数据集的实验结果示意图，从左到右依次为测试原图、基准网络U-Net、基 准网络基础上搭建的仅编码器加入通道注意力的网络、仅解码器加入空间注意力 的网络和编码器加入通道注意力网络同时解码器加入空间注意力的网络和提出 的AS-Unet网络在Massachusetts道路数据集(图8上)、DeepGlobe道路数据 集(图8下)两个数据集上，设置的训练数据，测试了不同算法的泛化能力。从 图中结果可以看出，本文提出的网络在相同数据样本的情况下，取得了比消融实 验网络更好的分割表现，达到了较高分类精度。对于Massachusetts道路数据集， 分类精度可以达到85.4％，召回率可以达到83.2％，F1-score可以达到84.2％；对于DeepGlobe道路数据集，整体分割精度达到77.6％，召回率可以达到77.2％， F1-score可以达到77.3％，平均交并比可以达到61.2％。
图9所示为根据本发明实施方式的装置及介质图。图9所示为根据本发明 实施方式的装置及介质图。装置包括存储器100及处理器200，其中处理器200 存储有计算机程序，计算机程序用于执行：搭建高分影像道路提取网络AS-Unet， 以512*512*3波段的高分数据作为输入数据，基于U-Net算法改进构建神经网络 架构；将输入数据输入编码网络，每个下采样阶段使用两个相同的卷积层堆叠方 式进行特征提取，之后进入通道注意力机制，在通道维度上加强有用的道路特征， 并抑制无效且复杂多样的背景特征，随后使用Relu函数激活，最后采用大小为2×2的最大池化操作对特征图下采样；对于编码网络最后一层，卷积层之后的 特征图中含有丰富的空间语义信息，将特征图输入改进ASPP模块中，经过不同 扩张率的空洞卷积后输入1×1网络，旨在不同尺度上对图像特征进行描述，保 证了编码网络在低层提取关联性高的道路轮廓细节特征，实现目标的精细分割定 位；高层阶段得到有用的特征信息，提高图像中道路识别精度；解码网络逐步恢 复特征图至输入图像尺寸，每个上采样阶段堆叠两个卷积层，并且每个阶段级联 编码网络中对应层次的特征图，从而复用低层次语义信息，每层上采样模块最后 加入空间注意力机制，帮助上采样层有效恢复道路目标空间信息。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施 例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨 的前提下做出各种变化。

Claims (6)

1.一种改进U-Net网络的遥感影像道路提取方法，其特征在于，该方法包括：
S100，搭建高分影像道路提取网络AS-Unet，以512*512*3波段的高分数据作为输入数据，基于U-Net算法改进构建神经网络架构；
S200，将输入数据输入编码网络，每个下采样阶段使用两个相同的卷积层堆叠方式进行特征提取，之后进入通道注意力机制，在通道维度上加强有用的道路特征，并抑制无效且复杂多样的背景特征，随后使用Relu函数激活，最后采用大小为2×2的最大池化操作对特征图下采样。
S300，对于编码网络最后一层，卷积层之后的特征图中含有丰富的空间语义信息，将特征图输入改进ASPP模块中，经过不同扩张率的空洞卷积后输入1×1网络，旨在不同尺度上对图像特征进行描述，保证了编码网络在低层提取关联性高的道路轮廓细节特征，实现目标的精细分割定位；高层阶段得到有用的特征信息，提高图像中道路识别精度。
S400，解码网络逐步恢复特征图至输入图像尺寸，每个上采样阶段堆叠两个卷积层，并且每个阶段级联编码网络中对应层次的特征图，从而复用低层次语义信息，每层上采样模块最后加入空间注意力机制，帮助上采样层有效恢复道路目标空间信息。
2.根据权利要求1所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，其特征在于，所述S100还包括：
基于开源数据集，首先对遥感道路数据进行预处理，包括将高分数据进行裁剪和数据增强，然后以512*512*3的高分数据输入网络。
3.根据权利要2所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，该方法还包括：
对经过预处理的多个高分影像划分训练集和验证集，其中验证集用于对卷积神经网络的训练进行分类准确度进行验证，训练集用于对卷积神经网络的训练进行参数调整，其中训练集和验证集的比例可自定义设置。
4.根据权利要求1所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，该方法还包括：
每批次输入大小为8；本文实验使用Adam优化算法，相比SGD、RMSprop和AdaGrad优化器，其使模型更快收敛到性能最优，使用Adam中默认参数，其中学习率设为0.001，指数衰减率β1＝0.9，β2＝0.999，常数设置ε＝10-8，若在5轮训练中损失函数没有下降，学习率下降为原来0.1倍，学习率最小值为1.0×10-10；选择Lovasz-Softmax loss函数在模型反向传播过程中，更新网络参数；训练迭代次数为100次。
5.根据权利要求1所述的基于U-Net网络和AS-Unet网络的高分影像道路提取算法，所述S400还包括：
通过训练损失与验证损失图确定网络是否达到收敛，收敛则停止训练，得到高分道路分割模型；
将高分道路测试数据输入至AS-Unet分割模型，输出分割结果。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一所述的方法步骤。
CN202011251522.0A 2020-11-11 2020-11-11 一种改进U-Net网络的遥感影像道路提取方法 Pending CN112418027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011251522.0A CN112418027A (zh) 2020-11-11 2020-11-11 一种改进U-Net网络的遥感影像道路提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011251522.0A CN112418027A (zh) 2020-11-11 2020-11-11 一种改进U-Net网络的遥感影像道路提取方法

Publications (1)

Publication Number Publication Date
CN112418027A true CN112418027A (zh) 2021-02-26

Family

ID=74781403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011251522.0A Pending CN112418027A (zh) 2020-11-11 2020-11-11 一种改进U-Net网络的遥感影像道路提取方法

Country Status (1)

Country Link
CN (1) CN112418027A (zh)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668670A (zh) * 2021-03-15 2021-04-16 北京简巨科技有限公司 地膜识别方法及其相关设备
CN112927236A (zh) * 2021-03-01 2021-06-08 南京理工大学 一种基于通道注意力和自监督约束的服装解析方法及系统
CN113011360A (zh) * 2021-03-29 2021-06-22 江苏思玛特科技有限公司 一种基于通道-空间注意力胶囊网络模型的道路交通标志线检测方法及系统
CN113158802A (zh) * 2021-03-22 2021-07-23 安徽理工大学 智慧场景分割技术
CN113192087A (zh) * 2021-05-19 2021-07-30 北京工业大学 一种基于卷积神经网络的图像分割方法
CN113222124A (zh) * 2021-06-28 2021-08-06 重庆理工大学 用于图像语义分割的SAUNet++网络与图像语义分割方法
CN113255574A (zh) * 2021-06-17 2021-08-13 湖南师范大学 城市街道语义分割方法及自动驾驶方法
CN113284107A (zh) * 2021-05-25 2021-08-20 重庆邮电大学 一种引入注意力机制改进型U-net的混凝土裂缝实时检测方法
CN113298826A (zh) * 2021-06-09 2021-08-24 东北大学 一种基于LA-Net网络的图像分割方法
CN113298825A (zh) * 2021-06-09 2021-08-24 东北大学 一种基于MSF-Net网络的图像分割方法
CN113326799A (zh) * 2021-06-22 2021-08-31 长光卫星技术有限公司 基于EfficientNet网络和方向学习的遥感影像道路提取方法
CN113408457A (zh) * 2021-06-29 2021-09-17 西南交通大学 一种联合高分影像和视频图像的道路信息智能提取方法
CN113436210A (zh) * 2021-06-24 2021-09-24 河海大学 一种融合上下文逐级采样的道路图像分割方法
CN113554872A (zh) * 2021-07-19 2021-10-26 昭通亮风台信息科技有限公司 一种位于交通路口及弯道的检测预警方法及系统
CN113658142A (zh) * 2021-08-19 2021-11-16 江苏金马扬名信息技术股份有限公司 一种基于改进U-Net神经网络的髋关节股骨近端分割方法
CN113744284A (zh) * 2021-09-06 2021-12-03 浙大城市学院 脑肿瘤图像区域分割方法、装置、神经网络及电子设备
CN113781636A (zh) * 2021-09-14 2021-12-10 杭州柳叶刀机器人有限公司 盆骨建模方法与系统、存储介质、计算机程序产品
CN113837193A (zh) * 2021-09-23 2021-12-24 中南大学 一种基于改进U-Net网络的锌浮选泡沫图像分割算法
CN113989174A (zh) * 2021-10-29 2022-01-28 北京百度网讯科技有限公司 图像融合方法和图像融合模型的训练方法、装置
CN114036968A (zh) * 2021-11-10 2022-02-11 北京科技大学 一种钢卷表面激光标识模糊二维码图像的校正修复方法
CN114092815A (zh) * 2021-11-29 2022-02-25 自然资源部国土卫星遥感应用中心 一种大范围光伏发电设施遥感智能提取方法
CN114092477A (zh) * 2022-01-21 2022-02-25 浪潮云信息技术股份公司 一种图像篡改检测方法、装置及设备
CN114187520A (zh) * 2021-12-15 2022-03-15 中国科学院地理科学与资源研究所 一种建筑物提取模型及其应用方法
CN114359194A (zh) * 2021-12-27 2022-04-15 浙江大学 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法
CN114359120A (zh) * 2022-03-21 2022-04-15 深圳市华付信息技术有限公司 遥感影像处理方法、装置、设备及存储介质
CN114419430A (zh) * 2021-12-09 2022-04-29 华南农业大学 一种基于SE-U-Net++模型的耕地地块提取方法及装置
CN114821342A (zh) * 2022-06-02 2022-07-29 中国科学院地理科学与资源研究所 一种遥感影像道路提取方法及系统
CN114842364A (zh) * 2022-07-04 2022-08-02 北京科技大学 一种露天矿山边坡图像裂隙参数提取方法及装置
CN114897789A (zh) * 2022-04-14 2022-08-12 安徽工业大学 一种基于图像分割的烧结矿粒度检测方法及系统
CN115527027A (zh) * 2022-03-04 2022-12-27 西南民族大学 一种基于多特征融合机制的遥感影像地物分割方法
CN115797853A (zh) * 2023-02-10 2023-03-14 天津城建大学 基于注意力与多尺度池化的岩渣图像处理方法和系统
CN116452972A (zh) * 2023-03-17 2023-07-18 兰州交通大学 一种基于Transformer端到端的遥感图像车辆目标检测方法
CN116824525A (zh) * 2023-08-29 2023-09-29 中国石油大学(华东) 一种基于交通道路影像的图像信息提取方法
CN117789153A (zh) * 2024-02-26 2024-03-29 浙江驿公里智能科技有限公司 基于计算机视觉的汽车油箱外盖定位系统及方法
CN117809181A (zh) * 2023-12-27 2024-04-02 太原理工大学 一种高分遥感影像水体提取网络模型及方法
CN118470049A (zh) * 2024-07-09 2024-08-09 中国科学院苏州生物医学工程技术研究所 透析通路超声图像分类分割与血管狭窄率计算方法及介质

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927236A (zh) * 2021-03-01 2021-06-08 南京理工大学 一种基于通道注意力和自监督约束的服装解析方法及系统
CN112927236B (zh) * 2021-03-01 2021-10-15 南京理工大学 一种基于通道注意力和自监督约束的服装解析方法及系统
CN112668670A (zh) * 2021-03-15 2021-04-16 北京简巨科技有限公司 地膜识别方法及其相关设备
CN113158802A (zh) * 2021-03-22 2021-07-23 安徽理工大学 智慧场景分割技术
CN113011360B (zh) * 2021-03-29 2023-11-24 江苏思玛特科技有限公司 基于注意力胶囊网络模型的道路交通标志线检测方法及系统
CN113011360A (zh) * 2021-03-29 2021-06-22 江苏思玛特科技有限公司 一种基于通道-空间注意力胶囊网络模型的道路交通标志线检测方法及系统
CN113192087A (zh) * 2021-05-19 2021-07-30 北京工业大学 一种基于卷积神经网络的图像分割方法
CN113284107A (zh) * 2021-05-25 2021-08-20 重庆邮电大学 一种引入注意力机制改进型U-net的混凝土裂缝实时检测方法
CN113298826A (zh) * 2021-06-09 2021-08-24 东北大学 一种基于LA-Net网络的图像分割方法
CN113298825A (zh) * 2021-06-09 2021-08-24 东北大学 一种基于MSF-Net网络的图像分割方法
CN113298826B (zh) * 2021-06-09 2023-11-14 东北大学 一种基于LA-Net网络的图像分割方法
CN113298825B (zh) * 2021-06-09 2023-11-14 东北大学 一种基于MSF-Net网络的图像分割方法
CN113255574B (zh) * 2021-06-17 2021-09-14 湖南师范大学 城市街道语义分割方法及自动驾驶方法
CN113255574A (zh) * 2021-06-17 2021-08-13 湖南师范大学 城市街道语义分割方法及自动驾驶方法
CN113326799A (zh) * 2021-06-22 2021-08-31 长光卫星技术有限公司 基于EfficientNet网络和方向学习的遥感影像道路提取方法
CN113436210B (zh) * 2021-06-24 2022-10-11 河海大学 一种融合上下文逐级采样的道路图像分割方法
CN113436210A (zh) * 2021-06-24 2021-09-24 河海大学 一种融合上下文逐级采样的道路图像分割方法
CN113222124A (zh) * 2021-06-28 2021-08-06 重庆理工大学 用于图像语义分割的SAUNet++网络与图像语义分割方法
CN113408457A (zh) * 2021-06-29 2021-09-17 西南交通大学 一种联合高分影像和视频图像的道路信息智能提取方法
CN113554872A (zh) * 2021-07-19 2021-10-26 昭通亮风台信息科技有限公司 一种位于交通路口及弯道的检测预警方法及系统
CN113658142B (zh) * 2021-08-19 2024-03-12 江苏金马扬名信息技术股份有限公司 一种基于改进U-Net神经网络的髋关节股骨近端分割方法
CN113658142A (zh) * 2021-08-19 2021-11-16 江苏金马扬名信息技术股份有限公司 一种基于改进U-Net神经网络的髋关节股骨近端分割方法
CN113744284A (zh) * 2021-09-06 2021-12-03 浙大城市学院 脑肿瘤图像区域分割方法、装置、神经网络及电子设备
CN113744284B (zh) * 2021-09-06 2023-08-29 浙大城市学院 脑肿瘤图像区域分割方法、装置、神经网络及电子设备
CN113781636A (zh) * 2021-09-14 2021-12-10 杭州柳叶刀机器人有限公司 盆骨建模方法与系统、存储介质、计算机程序产品
CN113781636B (zh) * 2021-09-14 2023-06-20 杭州柳叶刀机器人有限公司 盆骨建模方法与系统、存储介质、计算机程序产品
CN113837193B (zh) * 2021-09-23 2023-09-01 中南大学 一种基于改进U-Net网络的锌浮选泡沫图像分割方法
CN113837193A (zh) * 2021-09-23 2021-12-24 中南大学 一种基于改进U-Net网络的锌浮选泡沫图像分割算法
CN113989174B (zh) * 2021-10-29 2023-11-10 北京百度网讯科技有限公司 图像融合方法和图像融合模型的训练方法、装置
CN113989174A (zh) * 2021-10-29 2022-01-28 北京百度网讯科技有限公司 图像融合方法和图像融合模型的训练方法、装置
CN114036968B (zh) * 2021-11-10 2024-03-01 北京科技大学 一种钢卷表面激光标识模糊二维码图像的校正修复方法
CN114036968A (zh) * 2021-11-10 2022-02-11 北京科技大学 一种钢卷表面激光标识模糊二维码图像的校正修复方法
CN114092815B (zh) * 2021-11-29 2022-04-15 自然资源部国土卫星遥感应用中心 一种大范围光伏发电设施遥感智能提取方法
CN114092815A (zh) * 2021-11-29 2022-02-25 自然资源部国土卫星遥感应用中心 一种大范围光伏发电设施遥感智能提取方法
CN114419430A (zh) * 2021-12-09 2022-04-29 华南农业大学 一种基于SE-U-Net++模型的耕地地块提取方法及装置
CN114187520B (zh) * 2021-12-15 2022-09-27 中国科学院地理科学与资源研究所 一种建筑物提取模型的构建及应用方法
CN114187520A (zh) * 2021-12-15 2022-03-15 中国科学院地理科学与资源研究所 一种建筑物提取模型及其应用方法
CN114359194A (zh) * 2021-12-27 2022-04-15 浙江大学 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法
CN114092477A (zh) * 2022-01-21 2022-02-25 浪潮云信息技术股份公司 一种图像篡改检测方法、装置及设备
CN115527027A (zh) * 2022-03-04 2022-12-27 西南民族大学 一种基于多特征融合机制的遥感影像地物分割方法
CN114359120B (zh) * 2022-03-21 2022-06-21 深圳市华付信息技术有限公司 遥感影像处理方法、装置、设备及存储介质
CN114359120A (zh) * 2022-03-21 2022-04-15 深圳市华付信息技术有限公司 遥感影像处理方法、装置、设备及存储介质
CN114897789B (zh) * 2022-04-14 2024-06-11 安徽工业大学 一种基于图像分割的烧结矿粒度检测方法及系统
CN114897789A (zh) * 2022-04-14 2022-08-12 安徽工业大学 一种基于图像分割的烧结矿粒度检测方法及系统
CN114821342A (zh) * 2022-06-02 2022-07-29 中国科学院地理科学与资源研究所 一种遥感影像道路提取方法及系统
CN114842364A (zh) * 2022-07-04 2022-08-02 北京科技大学 一种露天矿山边坡图像裂隙参数提取方法及装置
CN115797853A (zh) * 2023-02-10 2023-03-14 天津城建大学 基于注意力与多尺度池化的岩渣图像处理方法和系统
CN116452972A (zh) * 2023-03-17 2023-07-18 兰州交通大学 一种基于Transformer端到端的遥感图像车辆目标检测方法
CN116824525B (zh) * 2023-08-29 2023-11-14 中国石油大学(华东) 一种基于交通道路影像的图像信息提取方法
CN116824525A (zh) * 2023-08-29 2023-09-29 中国石油大学(华东) 一种基于交通道路影像的图像信息提取方法
CN117809181A (zh) * 2023-12-27 2024-04-02 太原理工大学 一种高分遥感影像水体提取网络模型及方法
CN117789153A (zh) * 2024-02-26 2024-03-29 浙江驿公里智能科技有限公司 基于计算机视觉的汽车油箱外盖定位系统及方法
CN117789153B (zh) * 2024-02-26 2024-05-03 浙江驿公里智能科技有限公司 基于计算机视觉的汽车油箱外盖定位系统及方法
CN118470049A (zh) * 2024-07-09 2024-08-09 中国科学院苏州生物医学工程技术研究所 透析通路超声图像分类分割与血管狭窄率计算方法及介质

Similar Documents

Publication Publication Date Title
CN112418027A (zh) 一种改进U-Net网络的遥感影像道路提取方法
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
CN112991354B (zh) 一种基于深度学习的高分辨率遥感影像语义分割方法
CN113326930B (zh) 数据处理方法、神经网络的训练方法及相关装置、设备
CN112862690B (zh) 一种基于Transformers的低分辨率图像超分辨方法及系统
CN110490265B (zh) 一种基于双路卷积和特征融合的图像隐写分析方法
CN112733693B (zh) 一种全局感知高分辨率遥感影像多尺度残差道路提取方法
CN113066089B (zh) 一种基于注意力引导机制的实时图像语义分割方法
CN110633633B (zh) 一种基于自适应阈值的遥感影像道路提取方法
CN112183742A (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN115311502A (zh) 基于多尺度双流架构的遥感图像小样本场景分类方法
CN115830596A (zh) 基于融合金字塔注意力的遥感图像语义分割方法
CN116665040A (zh) 基于注意力机制的多尺度输入输出的建筑物变化检测方法
CN116863194A (zh) 一种足溃疡图像分类方法、系统、设备及介质
CN115565019A (zh) 基于深度自监督生成对抗的单通道高分辨sar图像地物分类方法
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
CN115311508A (zh) 一种基于深度u型网络的单帧图像红外弱小目标检测方法
CN114550014A (zh) 道路分割方法及计算机装置
CN117409020A (zh) 一种基于地基的全天空图像云量计算方法和系统
CN115564043B (zh) 一种图像分类模型剪枝方法、装置、电子设备及存储介质
CN113538199B (zh) 一种基于多层感知卷积和通道加权的图像隐写检测方法
CN113642676B (zh) 基于异构气象数据融合的区域电网负荷预测方法和装置
CN115187775A (zh) 一种遥感图像语义分割方法及装置
CN115115835A (zh) 图像的语义分割方法、装置、设备、存储介质及程序产品
CN114048823A (zh) 基于全卷积网络电阻率反演模型建立方法

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