CN112464733A - 基于双向特征融合的高分辨率光学遥感图像地物分类方法 - Google Patents

基于双向特征融合的高分辨率光学遥感图像地物分类方法 Download PDF

Info

Publication number
CN112464733A
CN112464733A CN202011213649.3A CN202011213649A CN112464733A CN 112464733 A CN112464733 A CN 112464733A CN 202011213649 A CN202011213649 A CN 202011213649A CN 112464733 A CN112464733 A CN 112464733A
Authority
CN
China
Prior art keywords
fusion
feature
feature map
sampling
initial
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
CN202011213649.3A
Other languages
English (en)
Inventor
王裕沛
师皓
陈亮
樊嘉禾
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.)
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
Original Assignee
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of 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 Beijing Institute of Technology BIT, Chongqing Innovation Center of Beijing University of Technology filed Critical Beijing Institute of Technology BIT
Priority to CN202011213649.3A priority Critical patent/CN112464733A/zh
Publication of CN112464733A publication Critical patent/CN112464733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06N3/04—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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

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

Abstract

本发明提供一种基于双向特征融合的高分辨率光学遥感图像地物分类方法，本方案通过设计的包括上采样和下采样的双向特征融合结构，结合了浅层的细节信息和深层的语义信息，避免了之前的特征融合方式中存在的信息损失问题；同时设计了一种结合特征图语义信息的上采样方式，多次重复的融合操作更有效聚合不同层次的特征。从而提升了在遥感图像的地物分割效果，提高了分割的准确度。

Description

基于双向特征融合的高分辨率光学遥感图像地物分类方法
技术领域
本发明涉及光学遥感图像地物分类技术领域，尤其涉及一种基于双向特征融合的高分辨率光学遥感图像地物分类方法。
背景技术
光学遥感图像成像技术不断发展，图像的分辨率不断提高。光学遥感图像地物分类的应用场景不断增加，其在民用国防等领域起着越来越重的作用。光学遥感图像的地物分割是遥感图像信息提取的重要环节。影像分割是面向对象的影像分析方法的关键步骤，其分割结果质量直接影响着后续影像信息的提取质量。准确及时地从得到的遥感影像中获取地物信息有着实际需求。
以深度学习技术的兴起为界，可以将遥感图像的地物分类划分为两个阶段，即基于传统方法的地物分类和基于深度学习技术的地物分类。传统的遥感图像地物分类方法主要包括：遥感图像的特征提取、遥感图像的特征选择和分类算法三大部分。近年来光学遥感图像的分辨率不断提高，对光学遥感图像的分割精细度有了更高的要求。
通常基于卷积神经网络的地物分割方法，利用级联的卷积和池化操作获得高级的分类语义信息，为弥补分辨率降低带来的空间信息损失，需结合不同层次的特征图来细化分割结果。之前采用的自下而上的特征融合与上采样方式，信息流仅仅在单个方向上流动，浅层特征图的细节信息与深层特征图的语义信息无法很好的融合进而影响最终的分割结果。现有方法多采用线性上采样来恢复输出图像的分辨率，这种方法忽略了图像内部像素间的相关性，通常无法获得令人满意的上采样结果。
面临问题：
(1)传统单向信息流的多尺度特征融合方式无法很好地结合不同层的特征，影响最终的分割准确度。
(2)常见的线性上采样方式无法结合不同层特征图的内在信息，影响最终分割结果的精细度。
发明内容
基于此，有必要针对上述技术问题，提供一种基于双向特征融合的高分辨率光学遥感图像地物分类方法。
本申请提供的一种基于双向特征融合的高分辨率光学遥感图像地物分类方法是基于卷积神经网络的。
一种基于双向特征融合的高分辨率光学遥感图像地物分类方法，所述方法包括：S110利用主干网络提取输入图像的不同分辨率的初始特征图，并按照分辨率的大小依次排序；S120依次选取相邻的三张初始特征图作为一组，以每组位于中间的初始特征图作为一阶段采样标准特征图，其余初始特征图以一阶段采样表征特征图为标准，对应进行上采样和下采样，得到与一阶段采样标准特征图相同分辨率的一阶段过渡特征图；S130将相同分辨率的所述一阶段过渡特征图与所述一阶段采样标准特征图进行特征融合，得到初始融合特征图；S140将所述初始融合特征图根据上述步骤S120-步骤130中特征融合的方式，得到进阶融合特征图；S150将所述进阶融合特征图、所述初始特征图和所述初始融合特征图进行迭代上采样融合后，得到恢复分辨率的目标特征图；S160根据所述目标特征图生成最终的预测结果，从而训练得到目标网络，根据所述目标网络对遥感图像进行地物分割。
在其中一个实施例中，所述S140将所述初始融合特征图根据上述步骤S120-步骤130中特征融合的方式，得到进阶融合特征图，具体为：将所述初始融合特征图按照分辨率大小进行排序，依次选取相邻的三张所述初始融合特征图作为一组；以每组位于中间的初始融合特征图作为二阶段采样标准特征图，其余初始融合特征图以二阶段采样表征特征图为标准，对应进行上采样和下采样，得到与二阶段采样标准特征图相同分辨率的二阶段过渡特征图；将相同分辨率的所述二阶段过渡特征图与所述二阶段采样标准特征图进行特征融合，得到进阶融合特征图。
在其中一个实施例中，所述S150将所述进阶融合特征图、所述初始特征图和所述初始融合特征图进行迭代上采样融合后，得到恢复分辨率的目标特征图，具体为：将所述进阶融合特征图进行上采样，并与上采样后分辨率相同的初始融合特征图进行特征融合，得到初始待采样特征图；同时将所述初始融合特征图进行上采样，并与上采样后分辨率相同的初始特征图进行特征融合，得到待融合特征图；将所述初始特征采样特征图进行上采样，然后与所述待融合特征图进行融合，得到目标待采样特征图；将所述目标待采样特征图进行上采样，得到恢复分辨率的目标特征图。
在其中一个实施例中，所述的每一次上采样均为固定倍率的采样。
上述基于双向特征融合的高分辨率光学遥感图像地物分类方法，通过设计的双向特征融合结构，结合了浅层的细节信息和深层的语义信息，避免了之前的特征融合方式中存在的信息损失问题；同时设计了一种结合特征图语义信息的上采样方式，多次重复的融合操作更有效聚合不同层次的特征。最终结果上，该网络在遥感图像的地物分割效果上获得了提升，分割的准确度获得了提高。
附图说明
图1为一个实施例中基于双向特征融合的高分辨率光学遥感图像地物分类方法的流程示意图；
图2为一个实施例中特征融合的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请提供的基于双向特征融合的高分辨率光学遥感图像地物分类方法，。
在一个实施例中，如图1所示，提供了一种基于双向特征融合的高分辨率光学遥感图像地物分类方法，包括以下步骤：
S110利用主干网络提取输入图像的不同分辨率的初始特征图，并按照分辨率的大小依次排序。
具体地，如图2所示，m为输入的图像，首先利用主干网络提取输入图像的不同分辨率的初始特征图：m11，m12，m13，m14，m15，通过特征的提取，可以获得输入图像不同层次的特征，其中浅层的特征图包含待分割图像的细节信息，而深层特征图包含待分割图像的类别信息。图中，m11的分辨率为二分之一，m12的分辨率为四分之一，m13的分辨率为八分之一，m14和m15的分辨率均为十六分之一。
S120依次选取相邻的三张初始特征图作为一组，以每组位于中间的初始特征图作为一阶段采样标准特征图，其余初始特征图以一阶段采样表征特征图为标准，对应进行上采样和下采样，得到与一阶段采样标准特征图相同分辨率的一阶段过渡特征图。
具体地，如图2所示，将相邻的三层初始特征图分别进行上采样和下采样后拼接进行特征融合。下采样采用卷积操作，上采样利用预先设计的上采样模块来实现。将统一尺寸后的特征图拼接进而融合特征。图中，即可分为(m11，m12，m13)、(m12，m13，m14)、(m13，m14，m15)，对于分辨率较大的特征图进行下采样操作，对于分辨率较小的特征图利用本方法提出的方式进行上采样操作，以(m11，m12，m13)为例，选择m12为一阶段采样标准特征图，那么m11需要进行下采样，将分辨率从1/2降低到1/4，而m13则需要将进行上采样，将分辨率从1/8提升至1/4，当分辨率均为1/4时，则为一阶段过渡特征图。
S130将相同分辨率的一阶段过渡特征图与一阶段采样标准特征图进行特征融合，得到初始融合特征图。
具体地，将分辨率相同的一阶段过渡特征图与一阶段采样标准特征图进行特征融合，得到分辨率为1/4的初始融合特征图，即m21。图2中的m21、m22、m23均为初始融合特征图，而且图中的O代表分辨率不变，A代表上采样，B代表下采样。
S140将初始融合特征图根据上述步骤S120-步骤130中特征融合的方式，得到进阶融合特征图。
具体地，对于生成的初始融合特征图m21、m22、m23利用和步骤S120和步骤S130相同的融合方式，经过上采样和下采样操作进行进一步融合。通过这种方式更好地融合浅层特征和深层特征。
在一个实施例中，步骤S140具体为：将初始融合特征图按照分辨率大小进行排序，依次选取相邻的三张初始融合特征图作为一组；以每组位于中间的初始融合特征图作为二阶段采样标准特征图，其余初始融合特征图以二阶段采样表征特征图为标准，对应进行上采样和下采样，得到与二阶段采样标准特征图相同分辨率的二阶段过渡特征图；将相同分辨率的二阶段过渡特征图与二阶段采样标准特征图进行特征融合，得到进阶融合特征图。具体地，初始融合特征图m22作为二阶段采样标准特征图，因为m22的分辨率为1/8，所以对初始融合特征图m21通过下采样，变成分辨率为1/8的二阶段过渡特征图，并对初始融合特征图m23通过上采样，变成分辨率为1/8的二阶段过渡特征图，然后将这两个二阶段过渡特征图与作为二阶段采样标准特征图的m22一起融合，得到分辨率为1/8的进阶融合特征图，即m31。
S150将进阶融合特征图、初始特征图和初始融合特征图进行迭代上采样融合后，得到恢复分辨率的目标特征图。
具体地，基于进阶融合特征图、初始特征图和初始融合特征图，通过将不同分辨率的特征图进行上采样后，再融合，实现对不同层次特征的融合，逐步恢复分辨率，最终得到目标特征图。
在一个实施例中，步骤S150具体为：将进阶融合特征图进行上采样，并与上采样后分辨率相同的初始融合特征图进行特征融合，得到初始待采样特征图；同时将初始融合特征图进行上采样，并与上采样后分辨率相同的初始特征图进行特征融合，得到待融合特征图；将初始特征采样特征图进行上采样，然后与待融合特征图进行融合，得到目标待采样特征图；将目标待采样特征图进行上采样，得到恢复分辨率的目标特征图。具体地，如图2所示，将m31进行上采样，m31原来的分辨率为1/8，上采样后为1/4，选择分辨率为1/4的初始融合特征图m21，与之进行特征融合，得到分辨率为1/4的初始待采样特征图m41；同时将刚刚分辨率为1/4的初始融合特征图m21进行上采样，将分辨率变为1/2，然后与分辨率为1/2的初始特征图m11进行特征融合，从而得到分辨率为1/2的待融合特征图m32；将m41进行上采样，将分辨率变为1/2，然后将上采样之后的m41与分辨率为1/2的m32进行融合，得到分辨率为1/2的目标待采样特征图m51，最后将m51进行上采样，得到最终需要的目标特征图M，且此时的目标特征图M分辨率已经恢复为1。
在一个实施例中，步骤S150中的每一次上采样均为固定倍率的采样。具体地，在步骤S150中，上采样均是固定倍率的采样，在步骤S150中都是两倍上采样。同样的在上述步骤S110-S140中，提到的上采样和下采样的倍率都是相同的，一般设置为两倍。
S160根据目标特征图生成最终的预测结果，从而训练得到目标网络，根据目标网络对遥感图像进行地物分割。
具体地，在得到目标特征图之后，利用特征重采样模块重新排列上采样的特征。具体分为四个环节：特征通道压缩，内容编码，上采样内核预测和内核归一化。即为常见的轻量级通用上采样算子。根据目标特征图生成最终的预测结果，从而训练得到目标网络，根据目标网络对遥感图像进行地物分割，都是基本的训练转化和学习，这里的目标网络是训练和优化好的。
上述实施例中，通过设计的包括上采样和下采样的双向特征融合结构，结合了浅层的细节信息和深层的语义信息，避免了之前的特征融合方式中存在的信息损失问题；同时设计了一种结合特征图语义信息的上采样方式，多次重复的融合操作更有效聚合不同层次的特征。最终结果上，该网络在遥感图像的地物分割效果上获得了提升，分割的准确度获得了提高。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于双向特征融合的高分辨率光学遥感图像地物分类方法，其特征在于，包括以下步骤：
S110利用主干网络提取输入图像的不同分辨率的初始特征图，并按照分辨率的大小依次排序；
S120依次选取相邻的三张初始特征图作为一组，以每组位于中间的初始特征图作为一阶段采样标准特征图，其余初始特征图以一阶段采样表征特征图为标准，对应进行上采样和下采样，得到与一阶段采样标准特征图相同分辨率的一阶段过渡特征图；
S130将相同分辨率的所述一阶段过渡特征图与所述一阶段采样标准特征图进行特征融合，得到初始融合特征图；
S140将所述初始融合特征图根据上述步骤S120-步骤130中特征融合的方式，得到进阶融合特征图；
S150将所述进阶融合特征图、所述初始特征图和所述初始融合特征图进行迭代上采样融合后，得到恢复分辨率的目标特征图；
S160根据所述目标特征图生成最终的预测结果，从而训练得到目标网络，根据所述目标网络对遥感图像进行地物分割。
2.根据权利要求1所述的方法，其特征在于，所述S140将所述初始融合特征图根据上述步骤S120-步骤130中特征融合的方式，得到进阶融合特征图，具体为：
将所述初始融合特征图按照分辨率大小进行排序，依次选取相邻的三张所述初始融合特征图作为一组；
以每组位于中间的初始融合特征图作为二阶段采样标准特征图，其余初始融合特征图以二阶段采样表征特征图为标准，对应进行上采样和下采样，得到与二阶段采样标准特征图相同分辨率的二阶段过渡特征图；
将相同分辨率的所述二阶段过渡特征图与所述二阶段采样标准特征图进行特征融合，得到进阶融合特征图。
3.根据权利要求1所述的方法，其特征在于，所述S150将所述进阶融合特征图、所述初始特征图和所述初始融合特征图进行迭代上采样融合后，得到恢复分辨率的目标特征图，具体为：
将所述进阶融合特征图进行上采样，并与上采样后分辨率相同的初始融合特征图进行特征融合，得到初始待采样特征图；
同时将所述初始融合特征图进行上采样，并与上采样后分辨率相同的初始特征图进行特征融合，得到待融合特征图；
将所述初始特征采样特征图进行上采样，然后与所述待融合特征图进行融合，得到目标待采样特征图；
将所述目标待采样特征图进行上采样，得到恢复分辨率的目标特征图。
4.根据权利要求3所述的方法，其特征在于，所述的每一次上采样均为固定倍率的采样。
CN202011213649.3A 2020-11-04 2020-11-04 基于双向特征融合的高分辨率光学遥感图像地物分类方法 Pending CN112464733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011213649.3A CN112464733A (zh) 2020-11-04 2020-11-04 基于双向特征融合的高分辨率光学遥感图像地物分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011213649.3A CN112464733A (zh) 2020-11-04 2020-11-04 基于双向特征融合的高分辨率光学遥感图像地物分类方法

Publications (1)

Publication Number Publication Date
CN112464733A true CN112464733A (zh) 2021-03-09

Family

ID=74835078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011213649.3A Pending CN112464733A (zh) 2020-11-04 2020-11-04 基于双向特征融合的高分辨率光学遥感图像地物分类方法

Country Status (1)

Country Link
CN (1) CN112464733A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462469A (zh) * 2021-12-20 2022-05-10 浙江大华技术股份有限公司 目标检测模型的训练方法、目标检测方法及相关装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825477A (zh) * 2015-01-06 2016-08-03 南京理工大学 基于多字典学习与非局部信息融合的遥感图像超分辨率重建方法
CN108960345A (zh) * 2018-08-08 2018-12-07 广东工业大学 一种遥感图像的融合方法、系统及相关组件
CN110263705A (zh) * 2019-06-19 2019-09-20 上海交通大学 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN110490799A (zh) * 2019-07-25 2019-11-22 西安理工大学 基于自融合卷积神经网络的高光谱遥感影像超分辨率方法
CN111047516A (zh) * 2020-03-12 2020-04-21 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质
CN111259905A (zh) * 2020-01-17 2020-06-09 山西大学 一种基于下采样的特征融合遥感图像语义分割方法
CN111353424A (zh) * 2020-02-27 2020-06-30 中国科学院遥感与数字地球研究所 深度递归残差网络的遥感图像空谱融合方法和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825477A (zh) * 2015-01-06 2016-08-03 南京理工大学 基于多字典学习与非局部信息融合的遥感图像超分辨率重建方法
CN108960345A (zh) * 2018-08-08 2018-12-07 广东工业大学 一种遥感图像的融合方法、系统及相关组件
CN110263705A (zh) * 2019-06-19 2019-09-20 上海交通大学 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN110490799A (zh) * 2019-07-25 2019-11-22 西安理工大学 基于自融合卷积神经网络的高光谱遥感影像超分辨率方法
CN111259905A (zh) * 2020-01-17 2020-06-09 山西大学 一种基于下采样的特征融合遥感图像语义分割方法
CN111353424A (zh) * 2020-02-27 2020-06-30 中国科学院遥感与数字地球研究所 深度递归残差网络的遥感图像空谱融合方法和电子设备
CN111047516A (zh) * 2020-03-12 2020-04-21 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG Y 等: "Bidirectional Grid Fusion Network for Accurate Land Cover Classification of High-Resolution Remote Sensing Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462469A (zh) * 2021-12-20 2022-05-10 浙江大华技术股份有限公司 目标检测模型的训练方法、目标检测方法及相关装置

Similar Documents

Publication Publication Date Title
CN112287940B (zh) 一种基于深度学习的注意力机制的语义分割的方法
CN112634276B (zh) 一种基于多尺度视觉特征提取的轻量级语义分割方法
CN112163449B (zh) 一种轻量化的多分支特征跨层融合图像语义分割方法
CN110782462B (zh) 一种基于双流特征融合的语义分割方法
CN113052210B (zh) 一种基于卷积神经网络的快速低光照目标检测方法
CN113362223B (zh) 基于注意力机制和双通道网络的图像超分辨率重建方法
CN113888550B (zh) 一种结合超分辨率和注意力机制的遥感图像道路分割方法
CN111210443A (zh) 基于嵌入平衡的可变形卷积混合任务级联语义分割方法
CN112396607A (zh) 一种可变形卷积融合增强的街景图像语义分割方法
CN114419449B (zh) 一种自注意力多尺度特征融合的遥感图像语义分割方法
CN113554032B (zh) 基于高度感知的多路并行网络的遥感图像分割方法
CN110781850A (zh) 道路识别的语义分割系统和方法、计算机存储介质
CN111476133B (zh) 面向无人驾驶的前背景编解码器网络目标提取方法
CN110866938B (zh) 一种全自动视频运动目标分割方法
CN114694039A (zh) 一种遥感高光谱与激光雷达图像融合分类方法及装置
CN116797787B (zh) 基于跨模态融合与图神经网络的遥感影像语义分割方法
CN112163490A (zh) 一种基于场景图片的目标检测方法
CN114359297A (zh) 基于注意力金字塔的多分辨率语义分割方法及装置
CN111881743A (zh) 一种基于语义分割的人脸特征点定位方法
Kang et al. Multilayer degradation representation-guided blind super-resolution for remote sensing images
CN112926533A (zh) 基于双向特征融合的光学遥感图像地物分类方法及系统
CN117197763A (zh) 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统
CN112464733A (zh) 基于双向特征融合的高分辨率光学遥感图像地物分类方法
CN113436198A (zh) 一种协同图像超分辨率重建的遥感图像语义分割方法
CN115984714B (zh) 一种基于双分支网络模型的云检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309

RJ01 Rejection of invention patent application after publication