CN112733702A - 基于遥感图像的人行道检测方法、装置、设备及存储介质 - Google Patents
基于遥感图像的人行道检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112733702A CN112733702A CN202110016501.9A CN202110016501A CN112733702A CN 112733702 A CN112733702 A CN 112733702A CN 202110016501 A CN202110016501 A CN 202110016501A CN 112733702 A CN112733702 A CN 112733702A
- Authority
- CN
- China
- Prior art keywords
- sidewalk
- road
- area
- detection
- remote sensing
- 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
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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V10/40—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)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于遥感图像的人行道检测方法、装置、设备和存储介,方法包括质获取训练集样本,并对训练集样本的道路区域和人行道区域都进行标记;利用道路区域的标记信息训练道路分割提取模型,获得一个训练后的道路分割提取模型;利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;利用人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;利用训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;利用混合分类的算法,融合潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。本发明考虑到人行道和道路之间的相互依存关系,提高人行道检测精度。
Description
技术领域
本发明涉人行道检测领域,具体而言,涉及基于遥感图像的人行道检测方法、装置、设备及存储介质。
背景技术
当前基于深度学习模型的遥感图像人行道检测算法,主要过程包含两部分:训练和检测。在训练阶段,需要准备大量带有标记的训练样本集,包括正样本和负样本。正样本为人行道区域或者包含人行道的图像块,负样本为非任意非人行道区域的图像块。准备好训练数据集后,开始训练深度学习模型。模型训练的输入为原始图像,模型的输出为检测或判断结果。给定训练图像集(X,Y),X为原始图像,Y为对应的标记,则深度学习的模型训练可以表示如下:
其中n表示样本个数,W为深度学习模型的参数,τ表示误差函数。在深度学习模型中,常见的误差函数可以是交叉熵,均方误差等。通过训练后得到深度学习的网络模型参数W,那么给定一个图像判断是否为人行道图像块的过程可以表示如下:
L(ti)=ti*W
当前方法通过大量数据集的训练,可以得到一个比较满意的人行道检测精度。但由于遥感图像背景过于复杂,覆盖范围过于广泛,地面相似目标较多,导致误检仍较为常见。其中一个主要原因是当前的方法,普遍直接使用训练好的检测模型进行检测,而没有考虑到人行道和道路之间的相互依存关系。
发明内容
本发明的目的在于提供基于遥感图像的人行道检测方法、装置、设备及存储介质,以解决上述存在的问题。
获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记;
利用所述道路区域的标记信息训练道路分割提取模型,获得一个训练后的道路分割提取模型;
利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;
利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;
利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;
利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。
进一步的,所述道路分割提取模型是基于U-Net的道路分割提取模型。
进一步的,所述利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果具体为:
过滤初次人行道检测置信度低于第一阈值的人行道区域;
过滤初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果。
进一步的,所述对训练集的道路区域和人行道区域都进行标记具体是通过人工标记。
本发明还提供一种基于遥感图像的人行道检测装置,包括
标记模块,用于对训练集的道路区域和人行道区域都进行标记;
第一训练模块,用于获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记;
提取模块,用于利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;
第二训练模块,用于利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;
检测模块,用于利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;
融合模块,用于利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。
进一步的,所述道路分割提取模型是基于U-Net的道路分割提取模型。
进一步的,所述利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果具体为:
过滤初次人行道检测置信度低于第一阈值的人行道区域;
过滤初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果。
进一步的,所述对训练集的道路区域和人行道区域都进行标记具体是通过人工标记。
本发明还提供一种基于遥感图像的人行道检测设备,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现所述的一种基于遥感图像的人行道检测方法。
本发明还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现所述的一种基于遥感图像的人行道检测方法。
本发明提供一种基于遥感图像的人行道检测方法,包括质获取训练集样本,并对训练集样本的道路区域和人行道区域都进行标记;利用道路区域的标记信息训练道路分割提取模型,获得一个训练后的道路分割提取模型;利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;利用人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;利用训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。本发明考虑到人行道和道路之间的相互依存关系,能获得较高精度的人行道检测结果,减少不符合人行道分布逻辑的错误检测,其相较于单纯基于深度卷积神经网络的人行道检测算法具有更好的检测精度、稳定性和鲁棒性。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明第一实施例提供的一种基于遥感图像的人行道检测方法流程示意图。
图2为本发明第一实施例提供的一种基于遥感图像的人行道检测方法另一流程示意图。
图3为本发明第二实施例提供的一种基于遥感图像的人行道检测装置流程示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,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。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
参考图1-2,本发明第一实施例提供了一种基于遥感图像的人行道检测方法,包括:
S11:获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记。
在本实施例中,所述对训练集的道路区域和人行道区域都进行标记具体是通过人工标记完成,标记得到的信息将用于模型训练。
S12:利用所述道路区域的标记信息训练道路分割提取模型,获得一个训练后的道路分割提取模型。
在本实施例中,所述道路分割提取模型是基于U-Net的道路分割提取模型。U-Net模型首先利用卷积进行下采样,然后提取出一层又一层的特征,利用这一层又一层的特征,其再进行上采样,最后得出一个每个像素点对应其种类的图像。由于U-Net模型提取的特征层更多,所以基于U-Net的道路分割提取模型进行道路提取更准确。
S13:利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果。
S14:利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型。
在本实施例中,深度卷积神经网络模型可选择CNN,其包括卷积层和池化层,卷积层作用是抽取特征,使网络具有一定转移不变性,也有一定降维的作用,池化层起降维的作用。当然需要说明的是,所述深度卷积神经网络模型也可以是其他模型,这些方案均在本发明的保护范围。
S15:利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果。
S16:利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。
在本实施例中,将所述潜在道路提取结果和初次人行道检测结果融合,过滤掉初次人行道检测置信度低于第一阈值的人行道区域;再过滤掉初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果,以获得最终的人行道检测结果。其中,第一阈值表示一个用于过滤低人行道检测置信度的阈值,如果一个区域的检测置信度低于该值将被过滤掉;第二阈值表示人行道检测高置信度区域与潜在道路区域的重叠比例阈值,如果该阈值过低,则该检测结果将被滤除。
本实施例通过获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记;利用所述道路区域的标记信息训练道路分割提取模型,获得一个训练后的道路分割提取模型;利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。考虑到人行道和道路之间的相互依存关系,融合所述潜在道路提取结果和初次人行道检测结果,能获得较高精度的人行道检测结果,减少不符合人行道分布逻辑的错误检测,具有更好的检测精度、稳定性和鲁棒性。
本发明第二实施例提供一种基于遥感图像的人行道检测装置,参考图3,包括
标记模块110,用于对训练集的道路区域和人行道区域都进行标记。
在本实施例中,所述对训练集的道路区域和人行道区域都进行标记具体是通过人工标记完成,标记得到的信息将用于模型训练。
第一训练模块120,用于获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记。
在本实施例中,所述道路分割提取模型是基于U-Net的道路分割提取模型。U-Net模型首先利用卷积进行下采样,然后提取出一层又一层的特征,利用这一层又一层的特征,其再进行上采样,最后得出一个每个像素点对应其种类的图像。由于U-Net模型提取的特征层更多,所以基于U-Net的道路分割提取模型进行道路提取更准确。
提取模块130,用于利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果。
第二训练模块140,用于利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型。
在本实施例中,深度卷积神经网络模型可选择CNN,其包括卷积层和池化层,卷积层作用是抽取特征,使网络具有一定转移不变性,也有一定降维的作用,池化层起降维的作用。当然需要说明的是,所述深度卷积神经网络模型也可以是其他模型,这些方案均在本发明的保护范围。
检测模块150,用于利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果。
融合模块160,用于利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。
在本实施例中,融合模块160用于将所述潜在道路提取结果和初次人行道检测结果融合,过滤掉初次人行道检测置信度低于第一阈值的人行道区域;再过滤掉初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果,以获得最终的人行道检测结果。其中,第一阈值表示一个用于过滤低人行道检测置信度的阈值,如果一个区域的检测置信度低于该值将被过滤掉;第二阈值表示人行道检测高置信度区域与潜在道路区域的重叠比例阈值,如果该阈值过低,则该检测结果将被滤除。
本实施例通过标记模块110,对训练集的道路区域和人行道区域都进行标记;第一训练模块120,用于获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记;提取模块130,用于利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;第二训练模块140,用于利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;检测模块150,用于利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;融合模块160,用于利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。通过考虑到人行道和道路之间的相互依存关系,融合所述潜在道路提取结果和初次人行道检测结果,能获得较高精度的人行道检测结果,减少不符合人行道分布逻辑的错误检测,具有更好的检测精度、稳定性和鲁棒性。
本发明第三实施例提供一种基于遥感图像的人行道检测设备,所述设备包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现所述的一种基于遥感图像的人行道检测方法。
本发明第四实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现所述的一种基于遥感图像的人行道检测方法。
在本发明实施例所提供的几个实施例中,应该理解到,所提供的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (10)
1.一种基于遥感图像的人行道检测方法,其特征在于,包括:
获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记;
利用所述道路区域的标记信息训练道路分割提取模型,获得一个训练后的道路分割提取模型;
利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;
利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;
利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;
利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。
2.根据权利1所述的基于遥感图像的人行道检测方法,其特征在于,所述道路分割提取模型是基于U-Net的道路分割提取模型。
3.根据权利要求1所述的基于遥感图像的人行道检测方法,其特征在于,所述利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果具体为:
过滤初次人行道检测置信度低于第一阈值的人行道区域;
过滤初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果。
4.根据权利要求1所述的基于遥感图像的人行道检测方法,其特征在于,所述对训练集的道路区域和人行道区域都进行标记具体是通过人工标记。
5.一种基于遥感图像的人行道检测装置,其特征在于,包括:
标记模块,用于对训练集的道路区域和人行道区域都进行标记;
第一训练模块,用于获取训练集样本,并对所述训练集样本的道路区域和人行道区域都进行标记;
提取模块,用于利用训练后的道路分割提取模型进行道路提取,以获得潜在道路提取结果;
第二训练模块,用于利用所述人行道区域的标记信息训练深度卷积神经网络模型,获得一个训练后的深度卷积神经网络模型;
检测模块,用于利用所述训练后的深度卷积神经网络模型进行人行道的检测,以获得初次人行道检测结果;
融合模块,用于利用混合分类的算法,融合所述潜在道路提取结果和初次人行道检测结果,以获得最终的人行道检测结果。
6.根据权利要求5所述的基于遥感图像的人行道检测装置,其特征在于,所述道路分割提取模型是基于U-Net的道路分割提取模型。
7.根据权利要求5所述的基于遥感图像的人行道检测装置,其特征在于,所述融合模块具体用于
过滤初次人行道检测置信度低于第一阈值的人行道区域;
过滤初次人行道检测高置信度区域与潜在道路重叠比例低于第二阈值的检测结果。
8.根据权利要求5所述的基于遥感图像的人行道检测装置,其特征在于,所述标记模块,用于对训练集的道路区域和人行道区域都进行标记,具体是通过人工标记。
9.一种基于遥感图像的人行道检测设备,其特征在于,包括存储器以及处理器,所述存储器内存储有计算机程序,所述处理器用于运行所述计算机程序以实现如权利要求1-4任意一项所述的一种基于遥感图像的人行道检测方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序能够被所述存储介质所在设备的处理器执行,以实现如权利要求1-4任意一项所述的一种基于遥感图像的人行道检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016501.9A CN112733702A (zh) | 2021-01-07 | 2021-01-07 | 基于遥感图像的人行道检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016501.9A CN112733702A (zh) | 2021-01-07 | 2021-01-07 | 基于遥感图像的人行道检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733702A true CN112733702A (zh) | 2021-04-30 |
Family
ID=75590875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110016501.9A Pending CN112733702A (zh) | 2021-01-07 | 2021-01-07 | 基于遥感图像的人行道检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733702A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373943A1 (en) * | 2017-06-23 | 2018-12-27 | Panasonic Intellectual Property Corporation Of America | Computer implemented detecting method, computer implemented learning method, detecting apparatus, learning apparatus, detecting system, and recording medium |
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
CN110807376A (zh) * | 2019-10-17 | 2020-02-18 | 北京化工大学 | 基于遥感图像的城外道路提取方法及装置 |
US20200250975A1 (en) * | 2019-01-31 | 2020-08-06 | AitronX Inc. | Sidewalk Detection for Electric Scooters |
JP2020160291A (ja) * | 2019-03-27 | 2020-10-01 | アイシン・エィ・ダブリュ株式会社 | 道路情報更新システム、経路探索システム、道路情報更新プログラム |
CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
-
2021
- 2021-01-07 CN CN202110016501.9A patent/CN112733702A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373943A1 (en) * | 2017-06-23 | 2018-12-27 | Panasonic Intellectual Property Corporation Of America | Computer implemented detecting method, computer implemented learning method, detecting apparatus, learning apparatus, detecting system, and recording medium |
US20200250975A1 (en) * | 2019-01-31 | 2020-08-06 | AitronX Inc. | Sidewalk Detection for Electric Scooters |
CN109800736A (zh) * | 2019-02-01 | 2019-05-24 | 东北大学 | 一种基于遥感影像和深度学习的道路提取方法 |
JP2020160291A (ja) * | 2019-03-27 | 2020-10-01 | アイシン・エィ・ダブリュ株式会社 | 道路情報更新システム、経路探索システム、道路情報更新プログラム |
CN110807376A (zh) * | 2019-10-17 | 2020-02-18 | 北京化工大学 | 基于遥感图像的城外道路提取方法及装置 |
CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
Non-Patent Citations (1)
Title |
---|
胡强;屈蔷;何鑫;: "改进的多特征融合人行道检测算法", 应用科技, no. 02, pages 39 - 47 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932553B (zh) | 基于区域描述自注意力机制的遥感图像语义分割方法 | |
Hofmann et al. | Detecting informal settlements from QuickBird data in Rio de Janeiro using an object based approach | |
CN109190481B (zh) | 一种遥感影像道路材质提取方法和系统 | |
KR102190527B1 (ko) | 자동 영상 합성 장치 및 방법 | |
CN110796026A (zh) | 一种基于全局特征拼接的行人重识别方法 | |
CN106548169B (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
CN111160205B (zh) | 一种交通场景嵌入式多类目标端对端统一检测方法 | |
Huang et al. | Spatial-temproal based lane detection using deep learning | |
CN109165682A (zh) | 一种融合深度特征和显著性特征的遥感图像场景分类方法 | |
CN106780727B (zh) | 一种车头检测模型重建方法及装置 | |
CN112232368A (zh) | 目标识别模型训练方法、目标识别方法及其相关装置 | |
CN112287983A (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
Bu et al. | A UAV photography–based detection method for defective road marking | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN113158954B (zh) | 交通非现场的基于ai技术的斑马线区域自动检测方法 | |
CN108073925A (zh) | 一种车牌识别方法及装置 | |
CN114120284A (zh) | 深度学习的高速公路车道结构化方法、存储介质及设备 | |
CN112733702A (zh) | 基于遥感图像的人行道检测方法、装置、设备及存储介质 | |
CN116206326A (zh) | 缺失检测模型的训练方法、导流区的缺失检测方法及装置 | |
Rafi et al. | Performance analysis of deep learning YOLO models for South Asian regional vehicle recognition | |
CN113255524B (zh) | 一种基于YOLO v4的路面信息识别方法及系统 | |
Xie et al. | [Retracted] Intelligent Recognition Technology for the Segmentation of Traffic Indication Images Concerning Different Pavement Materials | |
CN114782678A (zh) | 一种先全局定位后局部检测的车道线检测方法 | |
de Mesquita et al. | Street pavement classification based on navigation through street view imagery |
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 |