CN112801109A - 一种基于多尺度特征融合的遥感图像分割方法及系统 - Google Patents
一种基于多尺度特征融合的遥感图像分割方法及系统 Download PDFInfo
- Publication number
- CN112801109A CN112801109A CN202110397544.6A CN202110397544A CN112801109A CN 112801109 A CN112801109 A CN 112801109A CN 202110397544 A CN202110397544 A CN 202110397544A CN 112801109 A CN112801109 A CN 112801109A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- images
- training
- data set
- image
- 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
- 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
- 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
- G06N3/04—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
- G06V10/40—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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多尺度特征融合的遥感图像分割方法及系统。该方案包括对遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;获取所述训练数据集中的全部的训练图像,并进行预处理,进而生成样本空间,预处理包括随机翻转、裁剪、高斯模糊和归一化处理;使用样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正;将所述多尺度特征融合的遥感图像分割模型打包成可执行文件并保存为分割系统。该方案进行分割预测,并使用Focal Loss损失函数在训练过程中加大困难样本的惩罚力度,提升遥感图像分割精度。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种基于多尺度特征融合的遥感图像分割方法及系统。
背景技术
遥感是指利用飞行器携带的传感器对目标进行远距离的勘测,其主要表现形式为远距离成像。随着遥感技术与深度学习技术的不断完善和提高以及硬件设备的不断发展,遥感图像的应用已经与我们的生活息息相关。遥感图像解译广泛应用于地理国情勘测、国土资源调查、城市建设、农业生产与森林防护等领域,它已经逐渐成为人们对地球地面理解的重要方式。而遥感图像语义分割在遥感图像解译中扮演重要角色,是低高层遥感图像处理及分析的重要衔接。若语义分割后得到的遥感图像分割效果精准,就能提高遥感图像解译的可信度。
但现有的对遥感图像的应用处于可视化解译阶段,自动化程度较低。主要原因是遥感图像语义分割方法的效率不足以支持现有的应用。目前遥感图像语义分割面临的主要困难有:1)遥感图像分辨率逐渐提高,促使蕴含的信息增多,使数据提取越发困难。2)受分割目标类别分布不平衡,不同分割目标边缘易重叠,个别分割目标尺寸较小,纹理细节难以分辨等因素的影响,传统的语义分割方法准确率较低,计算时效较差,难以在大规模部署和实时环境下有效应用。3)精确的人工标记不仅需要耗费大量时间精力,而且容易导致深度神经网络的脆弱性与泛化能力差等问题,即修改一个像素,就能使神经网络识别图像出错。如何在不精确人工标注的小样本训练数据上提升模型的分割准确率一直是难题。
发明内容
鉴于上述问题,本发明提出了一种基于多尺度特征融合的遥感图像分割方法及系统,其可以实现遥感图像语义分割方法的准确率提升。
根据本发明实施例的第一方面,提供一种基于多尺度特征融合的遥感图像分割方法,具体包括:
获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;
获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理;
使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正;
将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统。
在一个或多个实施例中,优选地,所述获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集,具体包括:
通过遥感拍摄、数据录入和网络查询方式获取所述遥感卫星图像,并保存到初始遥感卫星图像集;
对所述初始遥感卫星图像集进行初始筛选,删除图像质量低于预设图像采集裕度的图像,并保存为遥感卫星图像集;
对所述遥感卫星图像集进行图像数据统计,获得图像采集张数;
当所述图像采集张数超过预设的特征分析门槛值时,在所述遥感卫星图像集中,随机抽取大于所述图像采集张数的60%的整数张图像作为所述训练数据集,并将剩余图像保存到中间数据集;
在所述中间数据集中,随机抽取大于所述图像采集张数的10%的整数张图像作为所述验证数据集,并将剩余图像保存到所述模型测试数据集。
在一个或多个实施例中,优选地,所述获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理,具体包括:
获取所述训练数据集中的全部的训练图像,进行随机角度的翻转,生成预设张数的第一训练图像;
获取所述训练数据集中的全部的训练图像,进行随机大小的裁剪,生成预设张数的第二训练图像;
获取所述训练数据集中的全部的训练图像,进行随机模糊度的高斯模糊处理,生成预设张数的第三训练图像;
将所述第一训练图像、所述第二训练图像、所述第三训练图像和所述训练数据集中的全部训练图像一起保存为初始训练图像集;
对所述初始训练图像集中的全部训练图像进行归一化处理,并将归一化处理后的图像保存到所述样本空间。
在一个或多个实施例中,优选地,所述图像语义分类具体包括:城市用地、农业用地、牧场、森林、河流湖泊、荒地、未知区域。
在一个或多个实施例中,优选地,所述使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正,具体包括:
采用DeepLabv3+网络结构对所述样本空间中的图像进行图像分割预测,其中,所述DeepLabv3+网络结构使用ResNet50网络和多尺度空间金字塔作为编码器进行特征提取;
根据所述图像分割预测和所述图像语义分类建立深度卷积神经网络模型;
设置所述Focal Loss损失函数,并根据所述Focal Loss损失函数利用所述验证数据集中的图像对深度卷积神经网络进行训练,生成所述多尺度特征融合的遥感图像分割模型。
在一个或多个实施例中,优选地,所述将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统,具体包括:
获取所述多尺度特征融合的遥感图像分割模型中损失函数最优结果对应的目标模型参数;
根据所述目标模型参数保存为所述可执行文件;
将所述可执行文件和所述目标模型参数一起保存为分割系统。
根据本发明实施例第二方面,提供一种基于多尺度特征融合的遥感图像分割系统,具体包括:
获取模块,用于获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;
预处理模块,用于获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理;
分类模块,用于使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正;
封装模块,用于将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统。
在一个或多个实施例中,所述基于多尺度特征融合的遥感图像分割系统还包括数据输入模块,所述数据输入模块通过键盘输入、U盘导入和网络传递将数据转换为预设的格式,发送到所述获取模块。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)本发明实施例对输入图像进行预处理,在不损失图像像素的前提下,将图像进行裁剪操作,使高分辨率大尺寸图片满足于当下计算资源。
2)本发明实施例针对类别不平衡问题,对小类别数据进行重采样,其中的小类别数据是指裁剪操作之后的子图像,实现数量类别的平衡和补充。
3)本发明实施例在特征提取阶段,使用ResNet50网络结构和多尺度空间金字塔结构提取高维特征。其中多尺度空间金字塔结构是将高维特征进行多尺度特征融合,即分别对高维特征进行全局最大值池化,全局平均值池化,1×1卷积,空洞率为6的3×3卷积,空洞率为12的3×3卷积,空洞率为18的3×3卷积。通过以上不同感受野的卷积操作,使得高维特征被进一步校准和补充。
4)本发明实施例在解码阶段,将连接后的高维特征与编码阶段的低维高分辨率特征进行连接操作,补充细节信息,最后使用转置卷积将小尺寸特征进行上采样,通过3×3卷积操作得到最后的分类结果,进一步使用Focal Loss损失函数对类别不平衡问题进一步约束,从而加大困难样本的惩罚力度,减小简单样本的惩罚力度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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的附图。
图1是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法的流程图。
图2是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集的流程图。
图3是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理的流程图。
图4是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正的流程图。
图5是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统的流程图。
图6是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割系统的结构图。
图7是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割系统中解码阶段特征细化模块的示意图。
图8是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割系统中遥感图像分割方法整体数据处理的示意图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
遥感是指利用飞行器携带的传感器对目标进行远距离的勘测,其主要表现形式为远距离成像。随着遥感技术与深度学习技术的不断完善和提高以及硬件设备的不断发展,遥感图像的应用已经与我们的生活息息相关。遥感图像解译广泛应用于地理国情勘测、国土资源调查、城市建设、农业生产与森林防护等领域,它已经逐渐成为人们对地球地面理解的重要方式。而遥感图像语义分割在遥感图像解译中扮演重要角色,是低高层遥感图像处理及分析的重要衔接。若语义分割后得到的遥感图像分割效果精准,就能提高遥感图像解译的可信度。
目前,传感器硬件的不断升级增强,促使生成的图像中地物更加细致与逼真。然而,随着各个国家不断发射新型卫星和增加空间探测活动,导致每天获取到的遥感图像呈指数性增长。一直以来,对遥感图像的应用处于可视化解译阶段,自动化程度较低。一个重要原因是遥感图像语义分割方法的效率不足以支持现有的应用。因此,如何将数量如此庞大的遥感图像数据及时地进行语义分割是遥感领域研究的热点。
目前遥感图像语义分割主要困难有:
(1)遥感图像分辨率逐渐提高,促使蕴含的信息增多,使数据提取越发困难。虽然最近火热的深度学习可以进行大规模的数据训练,从而提高了效率,但是模型的训练数据需要大量的带人工标注的遥感图像数据。然而进行大量的人工标注工作不符合实际,这就自然而然地陷入了一个矛盾体。目前尚无一个像 ImageNet如此大规模的有标注性的公众数据集供研究使用。其中,ImageNet是用于视觉对象识别软件研究的大型可视化数据库,超过1400万的图像URL被ImageNet手动注释,以指示图片中的对象;在至少一百万个图像中,还提供了边界框,是一个图像识别的数据库。
(2)受分割目标类别分布不平衡,不同分割目标边缘易重叠,个别分割目标尺寸较小,纹理细节难以分辨等因素的影响,传统的语义分割方法准确率较低,计算时效较差,难以在大规模部署和实时环境下有效应用。
(3)精确的人工标记不仅需要耗费大量时间精力,而且容易导致 DCNNs 的脆弱性与泛化能力差等问题,即修改一个像素,就能使神经网络识别图像出错。如何在不精确人工标注的小样本训练数据上提升模型的分割准确率一直是难题。
本发明实施例中,提供了一种基于多尺度特征融合的遥感图像分割方法及系统。该方案采用DeepLabv3+网络结构进行分割预测,其中使用ResNet50网络和多尺度空间金字塔作为编码器进行特征提取,使用转置卷积组作为解码器对每个像素进行类别预测,并使用Focal Loss损失函数,在训练过程中加大困难样本的惩罚力度,最终提升图像分割精度。
根据本发明实施例的第一方面,提供一种基于多尺度特征融合的遥感图像分割方法。
图1是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法的流程图。如图1所示,所述基于多尺度特征融合的遥感图像分割方法具体包括:
S101、获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;
S102、获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理;
S103、使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正;
S104、将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统。
本发明实施例中,该系统实现了对高分辨率卫星图像的分割,主要分割类别有城市用地、农业用地、牧场、森林、河流湖泊、荒地、未知区域(云、雾)等7类,图像大小为2448×2448像素,并且类别之间存在不平衡现象,即如河流相对于大规模城市用地或农业用地来说则属于小类别数据。在系统设计中,采用DeepLabv3+网络结构进行分割预测,其中使用ResNet50网络和多尺度空间金字塔作为编码器进行特征提取,使用转置卷积组作为解码器对每个像素进行类别预测。因为是像素级别任务,所以在解码期间使用低维的高分辨率信息与高维抽象特征进行融合,对特征进行细化。为了解决以上数据尺寸问题与类别不平衡问题,将输入图像进行预处理,即将大小为2448×2448像素的图像裁剪为左上、右上、左下和右下四张1224×1224大小的子图像,并对含有小类别目标的子图像进行重采样操作,以减轻类别不平衡现象。为了进一步解决类别不平衡问题,使用Focal Loss损失函数,即在训练过程中加大困难样本的惩罚力度,减小简单样本的惩罚力度。在模型参数确定之后,将其打包到可执行文件中,形成最终的原型系统。
图2是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集的流程图。
如图2所示,在一个或多个实施例中,优选地,所述获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集,具体包括:
S201、通过遥感拍摄、数据录入和网络查询方式获取所述遥感卫星图像,并保存到初始遥感卫星图像集;
S202、对所述初始遥感卫星图像集进行初始筛选,删除图像质量低于预设图像采集裕度的图像,并保存为遥感卫星图像集;
S203、对所述遥感卫星图像集进行图像数据统计,获得图像采集张数;
S204、当所述图像采集张数超过预设的特征分析门槛值时,在所述遥感卫星图像集中,随机抽取大于所述图像采集张数的60%的整数张图像作为所述训练数据集,并将剩余图像保存到中间数据集;
S205、在所述中间数据集中,随机抽取大于所述图像采集张数的10%的整数张图像作为所述验证数据集,并将剩余图像保存到所述模型测试数据集。
本发明实施例中,通过获取所述遥感卫星图像,对遥感卫星图像进行数据集的划分,按照固定的比例分成了要训练数据集、验证数据集合模型测试数据集。这些数据集是后续进行数据分析的数据基础。
图3是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理的流程图。
如图3所示,在一个或多个实施例中,优选地,所述获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理,具体包括:
S301、获取所述训练数据集中的全部的训练图像,进行随机角度的翻转,生成预设张数的第一训练图像;
S302、获取所述训练数据集中的全部的训练图像,进行随机大小的裁剪,生成预设张数的第二训练图像;
S303、获取所述训练数据集中的全部的训练图像,进行随机模糊度的高斯模糊处理,生成预设张数的第三训练图像;
S304、将所述第一训练图像、所述第二训练图像、所述第三训练图像和所述训练数据集中的全部训练图像一起保存为初始训练图像集;
S305、对所述初始训练图像集中的全部训练图像进行归一化处理,并将归一化处理后的图像保存到所述样本空间。
具体的,可以将输入进行预处理,即将大小为2448×2448像素的图像裁剪为左上、右上、左下和右下四张1224×1224大小的子图像,并对含有小类别目标的子图像进行重采样操作,以减轻类别不平衡现象。然后在放入模型之前,对子图像随机进行高斯模糊和翻转,防止过拟合现象。
本发明实施例中,通过对所述训练数据集中的全部训练数据进行多次的随机的预处理,生成了大量的数据样本,这些样本在获得后通过了归一化处理在此获得具备相同的最值属性的样本图像。进而利用这些图像总数大量增加的图像可以更准确的进行数据的分类和数据的深度学习。
在一个或多个实施例中,优选地,所述图像语义分类具体包括:城市用地、农业用地、牧场、森林、河流湖泊、荒地、未知区域。
在本发明实施例中,将预处理后的待预测图像输入到基于多尺度特征融合的遥感图像分割模型中,图像语义分割是七分类问题,即城市用地、农业用地、牧场、森林、河流湖泊、荒地、未知区域(云、雾)等7类,包括中国各种地形地貌的场景,分别得到图像的所有像素在不同类别的概率,选取概率最大的类别作为在对应像素上的分类结果。
图4是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正的流程图。
如图4所示,在一个或多个实施例中,优选地,所述使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正,具体包括:
S401、采用DeepLabv3+网络结构对所述样本空间中的图像进行图像分割预测,其中,所述DeepLabv3+网络结构使用ResNet50网络和多尺度空间金字塔作为编码器进行特征提取;
S402、根据所述图像分割预测和所述图像语义分类建立深度卷积神经网络模型;
S403、设置所述Focal Loss损失函数,并根据所述Focal Loss损失函数利用所述验证数据集中的图像对深度卷积神经网络进行训练,生成所述多尺度特征融合的遥感图像分割模型。
具体的,DeepLabv3+( Encoder-Decoder with Atrous SeparableConvolution):在语义分割任务中,spatial pyramid pooling module(空间金字塔结构)可以捕获更多尺度信息,encoder-decoder(编码-解码)结构可以更好恢复物体的边缘信息。DeepLabv3+结构是对两者的组合。
具体的,Focal Loss:焦点损失,主要用于目标检测领域的一种损失函数。对基本交叉熵损失函数的一种改进,用于解决分类问题中的类别不平衡、样本分类难度差异等问题。
具体的,ResNet50(Residual Network):残差网络,于2015年被提出,主要原理是添加残差模块,进行shortcut连接,解决随着网络深度增加,性能下降的问题。
本发明实施例中,构造统一的语义分割的深度卷积神经网络;采用DeepLabv3+网络结构进行分割预测,其中,使用ResNet50网络和多尺度空间金字塔结构作为编码器进行特征提取,使用转置卷积作为解码器对每个像素进行类别预测。因为,所有的任务都是是像素级别,所以在解码期间使用低维的高分辨率信息与高维抽象特征进行融合,对特征进行细化和补充。
图5是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割方法中的将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统的流程图。
如图5所示,在一个或多个实施例中,优选地,所述将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统,具体包括:
S501、获取所述多尺度特征融合的遥感图像分割模型中损失函数最优结果对应的目标模型参数;
S502、根据所述目标模型参数保存为所述可执行文件;
S503、将所述可执行文件和所述目标模型参数一起保存为分割系统。
本发明实施例中,定义损失函数,利用训练图像对深度卷积神经网络进行训练;为了进一步减轻类别不平衡问题带来的影响,使用Focal Loss损失函数进行约束,即加大困难样本的惩罚力度,减小简单样本的惩罚力度。例如,在实验过程中,可以使用500张卫星图像进行训练,200张图像进行测试,进一步,利用训练得到的深度卷积神经网络预测像素类别。
根据本发明实施例第二方面,提供一种基于多尺度特征融合的遥感图像分割系统。图6是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割系统的结构图。如图6所示,所述一种基于多尺度特征融合的遥感图像分割系统具体包括:
获取模块601,用于获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;
具体的,以其中一次获取模块获得的数据集为例,对数据集进行划分,共915张图像。其中567张用于模型训练,114张用于验证阶段,剩余的234张用于模型测试。
预处理模块602,用于获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理;
具体的,对训练集数据进行预处理,以减轻模型的过拟合行为。首先进行随机翻转、裁剪、高斯模糊等操作,使模型训练时每次迭代都具有不同形式的样本输入。其次进行归一化操作,并转化为张量,使输入样本缩放在某一空间内,从而使模型参数得到适当更新。
分类模块603,用于使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正;
具体的,使用DeepLabv3+结构进行训练和预测,并采用Focal Loss损失函数对类别不平衡以及困难样本问题进行修正。
封装模块604,用于将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统。
具体的,模型训练结束后,采用在测试集上表现最好的模型参数作为最终参数,并对其封装为可执行文件以形成原型系统。在Windows操作系统下,可执行文件大小约700MB,模型参数为40MB,计算量达266 GFLOPS。
在一个或多个实施例中,所述基于多尺度特征融合的遥感图像分割系统还包括数据输入模块605,所述数据输入模块通过键盘输入、U盘导入和网络传递将数据转换为预设的格式,发送到所述获取模块。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
图7是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割系统中解码阶段特征细化模块的示意图。如图7所示的具体操作为:将高维特征与低维特征进行组合操作,通过1×1卷积进行特征提取与融合,使用反卷积扩大特征尺度。进一步细化特征,更好的用于预测。
图8是本发明一个实施例的一种基于多尺度特征融合的遥感图像分割系统中遥感图像分割方法整体数据处理的示意图。如图8所示的具体流程为:首先经过特征提取模块(由1×1和3×3卷积组成),提取高维抽象特征;然后使用空间金字塔结构,对空间特征进行不同尺度的特征融合;经过特征细化模块,对特征进一步补充;最后将特征图进行分类,实现模型预测。
根据本发明实施例第四方面,提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用图像分割装置,其包括通用的计算机硬件结构,其至少包括处理器901和存储器902。处理器901和存储器902通过总线903连接。存储器902适于存储处理器901可执行的指令或程序。处理器901可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器901通过执行存储器902所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线903将上述多个组件连接在一起,同时将上述组件连接到显示控制器904和显示装置以及输入/输出(I/O)装置905。输入/输出(I/O)装置905可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置905通过输入/输出(I/O)控制器906与系统相连。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)本发明实施例对输入图像进行预处理,在不损失图像像素的前提下,将图像进行裁剪操作,使高分辨率大尺寸图片满足于当下计算资源。
2)本发明实施例针对类别不平衡问题,对小类别数据进行重采样,其中的小类别数据是指裁剪操作之后的子图像,实现数量类别的平衡和补充。
3)本发明实施例在特征提取阶段,使用ResNet50网络结构和多尺度空间金字塔结构提取高维特征。其中多尺度空间金字塔结构是将高维特征进行多尺度特征融合,即分别对高维特征进行全局最大值池化,全局平均值池化,1×1卷积,空洞率为6的3×3卷积,空洞率为12的3×3卷积,空洞率为18的3×3卷积。通过以上不同感受野的卷积操作,使得高维特征被进一步校准和补充。
4)本发明实施例在解码阶段,将连接后的高维特征与编码阶段的低维高分辨率特征进行连接操作,补充细节信息,最后使用转置卷积将小尺寸特征进行上采样,通过3×3卷积操作得到最后的分类结果,进一步使用Focal Loss损失函数对类别不平衡问题进一步约束,从而加大困难样本的惩罚力度,减小简单样本的惩罚力度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多尺度特征融合的遥感图像分割方法,其特征在于,包括:
获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;
获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理;
使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用FocalLoss损失函数进行多尺度特征融合的遥感图像分割模型修正;
将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统。
2.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法,其特征在于,所述获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集,具体包括:
通过遥感拍摄、数据录入和网络查询方式获取所述遥感卫星图像,并保存到初始遥感卫星图像集;
对所述初始遥感卫星图像集进行初始筛选,删除图像质量低于预设图像采集裕度的图像,并保存为遥感卫星图像集;
对所述遥感卫星图像集进行图像数据统计,获得图像采集张数;
当所述图像采集张数超过预设的特征分析门槛值时,在所述遥感卫星图像集中,随机抽取大于所述图像采集张数的60%的整数张图像作为所述训练数据集,并将剩余图像保存到中间数据集;
在所述中间数据集中,随机抽取大于所述图像采集张数的10%的整数张图像作为所述验证数据集,并将剩余图像保存到所述模型测试数据集。
3.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法,其特征在于,所述获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理,具体包括:
获取所述训练数据集中的全部的训练图像,进行随机角度的翻转,生成预设张数的第一训练图像;
获取所述训练数据集中的全部的训练图像,进行随机大小的裁剪,生成预设张数的第二训练图像;
获取所述训练数据集中的全部的训练图像,进行随机模糊度的高斯模糊处理,生成预设张数的第三训练图像;
将所述第一训练图像、所述第二训练图像、所述第三训练图像和所述训练数据集中的全部训练图像一起保存为初始训练图像集;
对所述初始训练图像集中的全部训练图像进行归一化处理,并将归一化处理后的图像保存到所述样本空间。
4.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法,其特征在于,所述图像语义分类具体包括:城市用地、农业用地、牧场、森林、河流湖泊、荒地、未知区域。
5.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法,其特征在于,所述使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用FocalLoss损失函数进行多尺度特征融合的遥感图像分割模型修正,具体包括:
采用DeepLabv3+网络结构对所述样本空间中的图像进行图像分割预测,其中,所述DeepLabv3+网络结构使用ResNet50网络和多尺度空间金字塔作为编码器进行特征提取;
根据所述图像分割预测和所述图像语义分类建立深度卷积神经网络模型;
设置所述Focal Loss损失函数,并根据所述Focal Loss损失函数利用所述验证数据集中的图像对深度卷积神经网络进行训练,生成所述多尺度特征融合的遥感图像分割模型。
6.如权利要求1所述的一种基于多尺度特征融合的遥感图像分割方法,其特征在于,所述将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统,具体包括:
获取所述多尺度特征融合的遥感图像分割模型中损失函数最优结果对应的目标模型参数;
根据所述目标模型参数保存为所述可执行文件;
将所述可执行文件和所述目标模型参数一起保存为分割系统。
7.一种基于多尺度特征融合的遥感图像分割系统,其特征在于,该系统包括:
获取模块,用于获取遥感卫星图像,对所述遥感卫星图像进行数据集划分,输出训练数据集、验证数据集、模型测试数据集;
预处理模块,用于获取所述训练数据集中的全部的训练图像,并对全部的训练图像进行预处理,预处理生成的图像存储到样本空间,所述预处理包括随机翻转、裁剪、高斯模糊和归一化处理;
分类模块,用于使用所述样本空间中的图像进行训练和预测,生成目标图像语义分类,并采用Focal Loss损失函数进行多尺度特征融合的遥感图像分割模型修正;
封装模块,用于将所述多尺度特征融合的遥感图像分割模型打包成可执行文件,并打包所述可执行文件为分割系统。
8.如权利要求7所述的一种基于多尺度特征融合的遥感图像分割系统,其特征在于,该系统还包括数据输入模块,所述数据输入模块通过键盘输入、U盘导入和网络传递将数据转换为预设的格式,发送到所述获取模块。
9.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-6任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110397544.6A CN112801109A (zh) | 2021-04-14 | 2021-04-14 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110397544.6A CN112801109A (zh) | 2021-04-14 | 2021-04-14 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801109A true CN112801109A (zh) | 2021-05-14 |
Family
ID=75817005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110397544.6A Pending CN112801109A (zh) | 2021-04-14 | 2021-04-14 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801109A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033504A (zh) * | 2021-05-19 | 2021-06-25 | 广东众聚人工智能科技有限公司 | 一种基于多尺度视频异常检测方法 |
CN117036982A (zh) * | 2023-10-07 | 2023-11-10 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN110009637A (zh) * | 2019-04-09 | 2019-07-12 | 北京化工大学 | 一种基于树形结构的遥感图像分割网络 |
CN110264484A (zh) * | 2019-06-27 | 2019-09-20 | 上海海洋大学 | 一种面向遥感数据的改进海岛岸线分割系统及分割方法 |
CN110619282A (zh) * | 2019-08-26 | 2019-12-27 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像建筑物自动提取方法 |
CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
CN111738972A (zh) * | 2019-03-19 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
-
2021
- 2021-04-14 CN CN202110397544.6A patent/CN112801109A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125580A1 (en) * | 2016-12-30 | 2018-07-05 | Konica Minolta Laboratory U.S.A., Inc. | Gland segmentation with deeply-supervised multi-level deconvolution networks |
CN111738972A (zh) * | 2019-03-19 | 2020-10-02 | 阿里巴巴集团控股有限公司 | 建筑检测系统、方法和装置 |
CN110009637A (zh) * | 2019-04-09 | 2019-07-12 | 北京化工大学 | 一种基于树形结构的遥感图像分割网络 |
CN110264484A (zh) * | 2019-06-27 | 2019-09-20 | 上海海洋大学 | 一种面向遥感数据的改进海岛岸线分割系统及分割方法 |
CN110619282A (zh) * | 2019-08-26 | 2019-12-27 | 海南撰云空间信息技术有限公司 | 一种无人机正射影像建筑物自动提取方法 |
CN110675408A (zh) * | 2019-09-19 | 2020-01-10 | 成都数之联科技有限公司 | 基于深度学习的高分辨率影像建筑物提取方法及系统 |
Non-Patent Citations (8)
Title |
---|
YAOCHI ZHAO ET AL.: "Constrained-Focal-Loss Based Deep Learning for Segmentation of Spors", 《IEEE ACCESS》 * |
ZIYAO LI ET AL.: "Mulitiscale Features Supported DeeplabV3+ Optimization Scheme for Accurate Water Semantic Segmentation", 《IEEE ACCESS》 * |
余小高: "《基于大数据的高风险学生预测研究》", 31 May 2019, 厦门大学出版社 * |
尚群锋: "基于深度学习高分辨率遥感影像语义分割研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨威 等: "一种改进的Focal Loss在语义分割上的应用", 《光电技术及应用》 * |
袁立 等: "基于DeepLab-v3+的遥感影像分类", 《激光与光电子学进展》 * |
郑凯 等: "天绘一号卫星遥感影像云雪检测的ResNet与DwwpLabV3+综合法", 《测绘学报》 * |
黄建才: "《输电线路绝缘子泄露电流去噪和特征提取的研究》", 31 October 2015, 北京交通大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033504A (zh) * | 2021-05-19 | 2021-06-25 | 广东众聚人工智能科技有限公司 | 一种基于多尺度视频异常检测方法 |
CN117036982A (zh) * | 2023-10-07 | 2023-11-10 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
CN117036982B (zh) * | 2023-10-07 | 2024-01-09 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580439B (zh) | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 | |
US20220230324A1 (en) | Camouflaged object segmentation method with distraction mining | |
CN111986099A (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
Wang et al. | FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection | |
Kim et al. | CityCraft: 3D virtual city creation from a single image | |
CN111899249A (zh) | 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法 | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN112287983B (zh) | 一种基于深度学习的遥感图像目标提取系统和方法 | |
CN112084923A (zh) | 一种遥感图像语义分割方法、存储介质及计算设备 | |
CN103946865B (zh) | 用于有助于检测图像内的文本的方法和装置 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN115410081A (zh) | 一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质 | |
CN111860465A (zh) | 基于超像素的遥感图像提取方法、装置、设备及存储介质 | |
CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
CN117274826B (zh) | 基于大模型和提示指引的河湖管理违规问题遥感监测方法 | |
CN114913321A (zh) | 基于局部到全局知识迁移的物体注意力挖掘方法及系统 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN114519819A (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
CN115205694A (zh) | 图像分割方法、装置和计算机可读存储介质 | |
CN115953394B (zh) | 基于目标分割的海洋中尺度涡检测方法及系统 | |
CN116416136B (zh) | 可见光遥感图像舰船目标检测的数据扩增方法、电子设备 | |
CN113011295A (zh) | 基于遥感影像识别光伏发电站的方法、计算机设备和介质 | |
CN116704324A (zh) | 基于水下图像的目标检测方法、系统、设备以及存储介质 | |
Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
Boonpook et al. | PCL–PTD Net: Parallel cross-learning-based pixel transferred deconvolutional network for building extraction in dense building areas with shadow |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |