CN113033454A - 一种城市视频摄像中建筑物变化的检测方法 - Google Patents

一种城市视频摄像中建筑物变化的检测方法 Download PDF

Info

Publication number
CN113033454A
CN113033454A CN202110371257.8A CN202110371257A CN113033454A CN 113033454 A CN113033454 A CN 113033454A CN 202110371257 A CN202110371257 A CN 202110371257A CN 113033454 A CN113033454 A CN 113033454A
Authority
CN
China
Prior art keywords
change detection
urban
building
network
change
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
CN202110371257.8A
Other languages
English (en)
Other versions
CN113033454B (zh
Inventor
黄建华
谢英明
孙希延
纪元法
符强
王守华
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic 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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110371257.8A priority Critical patent/CN113033454B/zh
Publication of CN113033454A publication Critical patent/CN113033454A/zh
Application granted granted Critical
Publication of CN113033454B publication Critical patent/CN113033454B/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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

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

Abstract

本发明公开了一种城市视频摄像中建筑物变化的检测方法，本发明将城市视频摄像图像用作建筑变化检测的数据，并进行标注，制作一套用于城市建筑变化检测的数据集，充分利用了资源。在基于Resnet‑50网络的基础上，运用孪生网络的架构，搭建了一个充分结合高层的语义和低层的纹理特征的变化检测网络，生成准确的变化检测结果。在变化检测网络各阶段引入了ASPP模块，并将通过该ASPP模块输出的特征图与通过变化检测网络中对应阶段输出的特征图在通道上进行合并，充分利用不同尺度的深度特征。采用多个损失函数分别对每个编码层的预测结果进行评价，得到更为鲁棒性的变化检测。

Description

一种城市视频摄像中建筑物变化的检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种城市视频摄像中建筑物变化的检测方法。
背景技术
智慧城市是现代信息技术与城市综合管理相结合的产物，其建设基础是对城市各种信息的全面感知、自动分析处理和科学决策，而视频监控大数据是智慧城市建设的关键和先行者，发挥着巨大的作用，监控工具使用的日益普及和互联网的不断发展壮大，产生了海量的信息，这些海量的信息形成了庞大的数据，对这些数据进行有效的分析和处理，挖掘出更多的有价值的信息，将对智慧城市的建设起到积极的推动作用，因此利用城市视频摄像数据作为城市建筑物变化检测的主要研究对象具有一定的实际意义。
传统的变化检测方法包括代数法、聚类法、空间转换法和深度学习法，这些方法大都采用阈值选取、区域划分、空间转化等技术直接对图像特征进行对比，检测结果对光照变化和相机位姿差异过于敏感，使得在真实场景中检测结果较差。传统的变化检测方法还包括深度学习法，深度学习法对光照和相机位姿差异具有较好的鲁棒性，但是在计算差异图时只使用了提取到的深层图像特征，较浅层的图像特征并没有得到充分利用。
发明内容
本发明的目的在于提供一种城市视频摄像中建筑物变化的检测方法，旨在解决现有技术中的传统的变化检测方法在真实场景中检测结果较差的技术问题。
实现上述目的，本发明采用的一种城市视频摄像中建筑物变化的检测方法，包括如下步骤：
对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集；
对所述变化检测数据集进行数据增强；
搭建城市建筑变化检测网络；
训练城市建筑变化检测网络；
将被检测的建筑图像导入训练后的城市建筑变化检测网络中，进行检测。
其中，对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集的步骤包括：
选取一个监控点的视频数据中的第一帧图像作为参考图像，其余图像作为查询图像；
将查询图像与参考图像对比，将两者变化的区域进行语义分割标注，制作变化检测数据集；
对其他监控点的视频数据重复执行上述步骤，直至将所有监控点的监控视频被语义分割标注。
其中，对所述变化检测数据集进行数据增强的步骤包括：
选取一个监控点的视频数据和其对应相应的标签；
对选取的视频数据采用裁剪的方式扩展数据，在变化区域的最小包围矩形之外，随机选取10对点进行裁剪，生成包含变化区域的固定大小的10个图像块对，并对相应的标签进行裁剪；
对裁剪好的图像块进行增加高斯噪声，水平镜像翻转，扩充样本量；
对每个监控点的视频数据重复执行上述步骤，直至所有监控点的视频数据完成增强操作。
其中，搭建城市建筑变化检测网络的步骤包括：
采用孪生网络架构，孪生网络架构的上下两条分支共享同一权重；
采用Resnet-50模型作为该网络的图像特征提取的基本模型；
在基本模型的编码部分，将两幅图像对应网络层的深度特征以及各自经过空洞空间卷积池化金字塔之后输出的特征图在通道上合并后，送入一个编码层；
采用多个损失函数分别对每个编码层的预测结果进行评价，将多个编码层的预测结果进行融合，得到变化检测结果。
其中，训练城市建筑变化检测网络的步骤包括：
采用Resnet-50的网络参数对搭建的城市建筑变化检测网络中的卷积层的参数进行初始化；
将经过数据增强之后的视频数据对分别输入孪生网络的两个输入端，相应的标签作为真实标签；
将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集和真实标签计算损失，并且将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集通道拼接后和真实标签计算损失；
将城市建筑变化检测网络中的不同阶段获得的不同变化检测结果与真实标签进行计算损失，并将多个编码层的预测结果进行融合之后获得的检测变化结果和真实标签进行计算损失；
将所有损失值进行求和得到整体损失；
不断的输入经过数据增强之后的视频数据训练整个网络，使损失值达到最小。
其中，孪生网络架构包括：
Resnet-50模块和编码模块，Resnet-50模块由卷积层、批处理层和非线性激活层组成，编码模块由上采样层、卷积层、批处理层和非线性激活层组成。
其中，Resnet-50模型包括：
四个残差块，每个残差块包括三层卷积，并且在Resnet-50模型每个阶段使用空洞空间卷积池化金字塔ASPP，ASPP包括一个1*1卷积核和三个3*3卷积核。
本发明的有益效果为：在基于Resnet-50网络的基础上，运用孪生网络的架构，搭建了一个充分结合高层的语义和低层的纹理特征的变化检测网络，生成准确的变化检测结果。在变化检测网络各阶段引入了ASPP模块，并将通过该ASPP模块输出的特征图与通过变化检测网络中对应阶段输出的特征图在通道上进行合并，充分利用不同尺度的深度特征。使用Resnet-50模型作为训练的模型，能够快速收敛网络，为了捕获更多全局信息和增大感受野的同时却不增加参数量以及更好的针对目标尺度差异变化，充分利用多尺度上下文信息，提出在Resnet50网络的每个阶段使用空洞空间卷积池化金字塔。采用多个损失函数分别对每个编码层的预测结果进行评价，得到更为鲁棒性的变化检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的附图。
图1是本发明的城市视频摄像中建筑物变化的检测方法的步骤流程图意图。
图2是本发明的建城市建筑变化检测网络结构示意图。
图3是本发明的ASPP的结构示意图。
图4是本发明的城市建筑变化检测网络的训练流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1至图4，本发明提供了一种城市视频摄像中建筑物变化的检测方法，包括如下步骤：
S1:对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集；
S2:对所述变化检测数据集进行数据增强；
S3:搭建城市建筑变化检测网络；
S4:训练城市建筑变化检测网络；
S5:将被检测的建筑图像导入训练后的城市建筑变化检测网络中，进行检测。
具体的，对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集的步骤包括：
选取一个监控点的视频数据中的第一帧图像作为参考图像，其余图像作为查询图像；
将查询图像与参考图像对比，将两者变化的区域进行语义分割标注，制作变化检测数据集；
对其他监控点的视频数据重复执行上述步骤，直至将所有监控点的监控视频被语义分割标注。
具体的，对所述变化检测数据集进行数据增强的步骤包括：
选取一个监控点的视频数据和其对应相应的标签；
对选取的视频数据采用裁剪的方式扩展数据，在变化区域的最小包围矩形之外，随机选取10对点进行裁剪，生成包含变化区域的固定大小的10个图像块对，并对相应的标签进行裁剪；
对裁剪好的图像块进行增加高斯噪声，水平镜像翻转，扩充样本量；
对每个监控点的视频数据重复执行上述步骤，直至所有监控点的视频数据完成增强操作。
进一步地，所谓的变化区域是指图像中的建筑物的新增、减少或已存建筑物的扩张，其余都视为背景。
具体的，搭建城市建筑变化检测网络的步骤包括：
采用孪生网络架构，孪生网络架构的上下两条分支共享同一权重；
采用Resnet-50模型作为该网络的图像特征提取的基本模型；
在基本模型的编码部分，将两幅图像对应网络层的深度特征以及各自经过空洞空间卷积池化金字塔之后输出的特征图在通道上合并后，送入一个编码层；
采用多个损失函数分别对每个编码层的预测结果进行评价，将多个编码层的预测结果进行融合，得到的变化检测结果。
进一步地，两条分支分别用于参考图像和查询图像的输入。孪生网络架构由Resnet-50模块和编码模块组成，Resnet-50模块由卷积层、批处理层、非线性激活层组成，用于图像的深度特征提取。编码模块由上采样层、卷积层、批处理层和非线性激活层组成，保证拼接时图像特征具有相同尺寸的同时又降低了特征提取阶段提取的特征维数，在得到丰富图像特征的同时提高计算效率，缩短训练时间。
Resnet-50模型包括四个残差块，每个残差块包括三层卷积，并且在ResNet50每个阶段使用空洞空间卷积池化金字塔ASPP，ASPP包括一个1*1卷积核和三个3*3卷积核，充分利用多尺度上下文信息,使得resnet50每个阶段输出特征图中的神经元包含多个接受域大小，对多尺度信息进行编码，最终提高性能。
在编码部分将两幅图像对应网络层的深度特征以及各自经过空洞空间卷积池化金字塔之后输出的特征图在通道上合并后送入一个编码层。具体计算公式如下：
Figure BDA0003009412230000061
式中，cat()表示拼接操作，将图像特征在通道方向上进行拼接。Fi X是参考图像X经过Resnet50第i个阶段时输出的特征图，Fi Y是查询图像Y经过Resnet50第i个阶段时输出的特征图，
Figure BDA0003009412230000062
是特征图Fi X经过ASPP之后输出的特征图，
Figure BDA0003009412230000063
是特征图Fi Y经过ASPP之后输出的特征图，Fi是参考图像X和查询图像Y经过Resnet50网络第i个阶段之后输出的特征图和该特征图经过ASPP之后的得到的特征图以及第i+1层特征图在通道上合并得到的特征图。
编码层的输出一方面经过一个卷积层产生相应尺度的变换检测结果Pi；另一方面与前一级的图像特征以及它们各自经过空洞空间卷积池化金字塔之后输出的特征图进行合并进入下一个编码层。
将不同阶段获得的不同的变化检测结果拼接后，通过卷积层进行融合得到最终的变化检测结果Pf。
采用多个损失函数分别对每个编码层的预测结果进行评价，将多个编码层的预测结果
进行融合得到更为鲁棒的变化检测。最后的整个损失为各个损失函数的和。
第四步：编码层的输出一方面经过一个卷积层产生相应尺度的变换检测结果Pi；另一方面与前一级的图像特征以及它们各自经过空洞空间卷积池化金字塔之后输出的特征图进行合并进入下一个编码层。
具体的，训练城市建筑变化检测网络的步骤包括：
采用Resnet-50的网络参数对搭建的城市建筑变化检测网络中的卷积层的参数进行初始化；
将经过数据增强之后的视频数据对分别输入孪生网络的两个输入端，相应的标签作为真实标签；
将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集和真实标签计算损失，并且将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集通道拼接后和真实标签计算损失；
将城市建筑变化检测网络中的不同阶段获得的不同变化检测结果与真实标签进行计算损失，并将多个编码层的预测结果进行融合之后获得的检测变化结果和真实标签进行计算损失；
将所有损失值进行求和得到整体损失；
不断的输入经过数据增强之后的视频数据训练整个网络，使损失值达到最小。
进一步地，使用Resnet-50的网络参数对卷积层进行初始化，对新添加的网络层，如编码模块中的卷积层参数使用均值为0、标准差为0.5的正态分布进行初始化，对于产生预测结果的卷积层参数按照均值为0、标准差为1的正态分布进行初始化权重初始化。
将不同阶段获得的不同的变化检测结果与真实标签进行计算损失loss1，loss2，loss3，loss4，并将第五步中获得的融合之后的最终变化结果Pf和真实标签进行计算损失得到lossf，将所有损失值进行求和得到整体损失：
loss＝loss1+loss2+loss3+loss4+lossf
本发明将城市视频摄像图像用作建筑变化检测的数据，并进行标注，制作一套用于城市建筑变化检测的数据集，充分利用了资源。针对现存的大多数变化检测网络在获取差异图的时候只使用了对光照变化不敏感、相机位姿差异不敏感的高层语义特征，而忽略了较好刻画变化区域的边缘及细节的低层纹理特征，本发明在基于Resnet-50网络的基础上，运用孪生网络的架构，搭建了一个充分结合高层的语义和低层的纹理特征的变化检测网络，生成准确的变化检测结果。针对现存的大多数变化检测网络在使用图像的深度特征时没有充分利用图像多尺度上下文信息，对细小变化区漏检的问题，本发明在变化检测网络各阶段引入了ASPP模块，并将通过该ASPP模块输出的特征图与通过变化检测网络中对应阶段输出的特征图在通道上进行合并，充分利用不同尺度的深度特征。为了能够快速收敛网络，使用Resnet-50作为训练的模型。为了捕获更多全局信息和增大感受野的同时却不增加参数量以及更好的针对目标尺度差异变化，充分利用多尺度上下文信息，提出在变化检测网络的每个阶段使用空洞空间卷积池化金字塔，同时为了得到更为鲁棒性的变化检测，采用多个损失函数分别对每个编码层的预测结果进行评价。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (7)

1.一种城市视频摄像中建筑物变化的检测方法，其特征在于，包括如下步骤：
对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集；
对所述变化检测数据集进行数据增强；
搭建城市建筑变化检测网络；
训练城市建筑变化检测网络；
将被检测的建筑图像导入训练后的城市建筑变化检测网络中，进行检测。
2.如权利要求1所述的城市视频摄像中建筑物变化的检测方法，其特征在于，对监控点的视频数据进行语义分割标注，制作城市建筑物的变化检测数据集的步骤包括：
选取一个监控点的视频数据中的第一帧图像作为参考图像，其余图像作为查询图像；
将查询图像与参考图像对比，将两者变化的区域进行语义分割标注，制作变化检测数据集；
对其他监控点的视频数据重复执行上述步骤，直至将所有监控点的监控视频被语义分割标注。
3.如权利要求2所述的城市视频摄像中建筑物变化的检测方法，其特征在于，对所述变化检测数据集进行数据增强的步骤包括：
选取一个监控点的视频数据和其对应相应的标签；
对选取的视频数据采用裁剪的方式扩展数据，在变化区域的最小包围矩形之外，随机选取10对点进行裁剪，生成包含变化区域的固定大小的10个图像块对，并对相应的标签进行裁剪；
对裁剪好的图像块进行增加高斯噪声，水平镜像翻转，扩充样本量；
对每个监控点的视频数据重复执行上述步骤，直至所有监控点的视频数据完成增强操作。
4.如权利要求3所述的城市视频摄像中建筑物变化的检测方法，其特征在于，搭建城市建筑变化检测网络的步骤包括：
采用孪生网络架构，孪生网络架构的上下两条分支共享同一权重；
采用Resnet-50模型作为该网络的图像特征提取的基本模型；
在基本模型的编码部分，将两幅图像对应网络层的深度特征以及各自经过空洞空间卷积池化金字塔之后输出的特征图在通道上合并后，送入一个编码层；
采用多个损失函数分别对每个编码层的预测结果进行评价，将多个编码层的预测结果进行融合，得到变化检测结果。
5.如权利要求4所述的城市视频摄像中建筑物变化的检测方法，其特征在于，训练城市建筑变化检测网络的步骤包括：
采用Resnet-50的网络参数对搭建的城市建筑变化检测网络中的卷积层的参数进行初始化；
将经过数据增强之后的视频数据对分别输入孪生网络的两个输入端，相应的标签作为真实标签；
将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集和真实标签计算损失，并且将参考图像和查阅图像经过每个阶段之后输出的变化检测数据集通道拼接后和真实标签计算损失；
将城市建筑变化检测网络中的不同阶段获得的不同变化检测结果与真实标签进行计算损失，并将多个编码层的预测结果进行融合之后获得的检测变化结果和真实标签进行计算损失；
将所有损失值进行求和得到整体损失；
不断的输入经过数据增强之后的视频数据训练整个网络，使损失值达到最小。
6.如权利要求4所述的城市视频摄像中建筑物变化的检测方法，其特征在于，孪生网络架构包括：
Resnet-50模块和编码模块，Resnet-50模块由卷积层、批处理层和非线性激活层组成，编码模块由上采样层、卷积层、批处理层和非线性激活层组成。
7.如权利要求4所述的城市视频摄像中建筑物变化的检测方法，其特征在于，Resnet-50模型包括：
四个残差块，每个残差块包括三层卷积，并且在Resnet-50模型每个阶段使用空洞空间卷积池化金字塔ASPP，ASPP包括一个1*1卷积核和三个3*3卷积核。
CN202110371257.8A 2021-04-07 2021-04-07 一种城市视频摄像中建筑物变化的检测方法 Active CN113033454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110371257.8A CN113033454B (zh) 2021-04-07 2021-04-07 一种城市视频摄像中建筑物变化的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371257.8A CN113033454B (zh) 2021-04-07 2021-04-07 一种城市视频摄像中建筑物变化的检测方法

Publications (2)

Publication Number Publication Date
CN113033454A true CN113033454A (zh) 2021-06-25
CN113033454B CN113033454B (zh) 2023-04-25

Family

ID=76453923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371257.8A Active CN113033454B (zh) 2021-04-07 2021-04-07 一种城市视频摄像中建筑物变化的检测方法

Country Status (1)

Country Link
CN (1) CN113033454B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486135A (zh) * 2021-07-27 2021-10-08 中南大学 基于深度学习网络的建筑物综合方法
CN113627260A (zh) * 2021-07-12 2021-11-09 科大讯飞股份有限公司 识别手写汉字的笔顺的方法、系统和计算设备
CN114663460A (zh) * 2022-02-28 2022-06-24 华南农业大学 基于双流驱动编码器和特征记忆模块的视频分割方法及装置
CN115797349A (zh) * 2023-02-07 2023-03-14 广东奥普特科技股份有限公司 一种缺陷检测方法、装置和设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103491351A (zh) * 2013-09-29 2014-01-01 东南大学 违章建筑物的智能视频监控方法
CN109934166A (zh) * 2019-03-12 2019-06-25 中山大学 基于语义分割和孪生神经网络的无人机图像变化检测方法
CN110472634A (zh) * 2019-07-03 2019-11-19 中国民航大学 基于多尺度深度特征差值融合网络的变化检测方法
CN110533631A (zh) * 2019-07-15 2019-12-03 西安电子科技大学 基于金字塔池化孪生网络的sar图像变化检测方法
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN110728682A (zh) * 2019-09-09 2020-01-24 浙江科技学院 一种基于残差金字塔池化神经网络的语义分割方法
CN110782462A (zh) * 2019-10-30 2020-02-11 浙江科技学院 一种基于双流特征融合的语义分割方法
CN111047551A (zh) * 2019-11-06 2020-04-21 北京科技大学 一种基于U-net改进算法的遥感影像变化检测方法及系统
CN111368615A (zh) * 2019-06-26 2020-07-03 杭州海康威视系统技术有限公司 一种违章建筑预警方法、装置及电子设备
CN111582043A (zh) * 2020-04-15 2020-08-25 电子科技大学 基于多任务学习的高分辨率遥感影像地物变化检测方法
CN111611861A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN111899249A (zh) * 2020-08-05 2020-11-06 吉林大学 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法
CN112233129A (zh) * 2020-10-20 2021-01-15 湘潭大学 基于深度学习的并行多尺度注意力机制语义分割方法及装置
CN112381802A (zh) * 2020-11-17 2021-02-19 中国科学院长春光学精密机械与物理研究所 一种图像变化检测方法、装置、电子设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103491351A (zh) * 2013-09-29 2014-01-01 东南大学 违章建筑物的智能视频监控方法
CN109934166A (zh) * 2019-03-12 2019-06-25 中山大学 基于语义分割和孪生神经网络的无人机图像变化检测方法
CN111368615A (zh) * 2019-06-26 2020-07-03 杭州海康威视系统技术有限公司 一种违章建筑预警方法、装置及电子设备
CN110472634A (zh) * 2019-07-03 2019-11-19 中国民航大学 基于多尺度深度特征差值融合网络的变化检测方法
CN110533631A (zh) * 2019-07-15 2019-12-03 西安电子科技大学 基于金字塔池化孪生网络的sar图像变化检测方法
CN110728682A (zh) * 2019-09-09 2020-01-24 浙江科技学院 一种基于残差金字塔池化神经网络的语义分割方法
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN110782462A (zh) * 2019-10-30 2020-02-11 浙江科技学院 一种基于双流特征融合的语义分割方法
CN111047551A (zh) * 2019-11-06 2020-04-21 北京科技大学 一种基于U-net改进算法的遥感影像变化检测方法及系统
CN111582043A (zh) * 2020-04-15 2020-08-25 电子科技大学 基于多任务学习的高分辨率遥感影像地物变化检测方法
CN111611861A (zh) * 2020-04-22 2020-09-01 杭州电子科技大学 一种基于多尺度特征关联的图像变化检测方法
CN111899249A (zh) * 2020-08-05 2020-11-06 吉林大学 基于ResNet50和DeeplabV3+的卷积神经网络的遥感图像变化检测方法
CN112233129A (zh) * 2020-10-20 2021-01-15 湘潭大学 基于深度学习的并行多尺度注意力机制语义分割方法及装置
CN112381802A (zh) * 2020-11-17 2021-02-19 中国科学院长春光学精密机械与物理研究所 一种图像变化检测方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIANG-CHIEH CHEN 等: "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,and Fully Connected CRFs", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
YU ZHANG 等: "High-Order Paired-ASPP Networks for Semantic Segmentation", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
熊炜 等: "基于卷积神经网络的语义分割算法研究", 《计算机工程与应用》 *
詹瑞 等: "基于多重差异特征网络的街景变化检测", 《计算机科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627260A (zh) * 2021-07-12 2021-11-09 科大讯飞股份有限公司 识别手写汉字的笔顺的方法、系统和计算设备
CN113486135A (zh) * 2021-07-27 2021-10-08 中南大学 基于深度学习网络的建筑物综合方法
CN113486135B (zh) * 2021-07-27 2024-04-12 中南大学 基于深度学习网络的建筑物综合方法
CN114663460A (zh) * 2022-02-28 2022-06-24 华南农业大学 基于双流驱动编码器和特征记忆模块的视频分割方法及装置
CN114663460B (zh) * 2022-02-28 2024-05-10 华南农业大学 基于双流驱动编码器和特征记忆模块的视频分割方法及装置
CN115797349A (zh) * 2023-02-07 2023-03-14 广东奥普特科技股份有限公司 一种缺陷检测方法、装置和设备

Also Published As

Publication number Publication date
CN113033454B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN111259786B (zh) 一种基于视频的外观和运动信息同步增强的行人重识别方法
CN108509978B (zh) 基于cnn的多级特征融合的多类目标检测方法及模型
CN113033454A (zh) 一种城市视频摄像中建筑物变化的检测方法
CN111797779A (zh) 基于区域注意力多尺度特征融合的遥感图像语义分割方法
CN111047551A (zh) 一种基于U-net改进算法的遥感影像变化检测方法及系统
CN110717411A (zh) 一种基于深层特征融合的行人重识别方法
CN112489081B (zh) 一种视觉目标跟踪方法及装置
CN109743642B (zh) 基于分层循环神经网络的视频摘要生成方法
CN112801182B (zh) 一种基于困难样本感知的rgbt目标跟踪方法
CN117252904B (zh) 基于长程空间感知与通道增强的目标跟踪方法与系统
CN113920472A (zh) 一种基于注意力机制的无监督目标重识别方法及系统
CN111723660A (zh) 一种用于长形地面目标检测网络的检测方法
CN113269224A (zh) 一种场景图像分类方法、系统及存储介质
CN114663371A (zh) 基于模态独有和共有特征提取的图像显著目标检测方法
CN114463340B (zh) 一种边缘信息引导的敏捷型遥感图像语义分割方法
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN114998688A (zh) 一种基于YOLOv4改进算法的大视场目标检测方法
CN114283315A (zh) 一种基于交互式引导注意力和梯形金字塔融合的rgb-d显著性目标检测方法
CN110688512A (zh) 基于ptgan区域差距与深度神经网络的行人图像搜索算法
CN116597267B (zh) 图像识别方法、装置、计算机设备和存储介质
CN113096133A (zh) 一种基于注意力机制的语义分割网络的构建方法
CN116596966A (zh) 一种基于注意力和特征融合的分割与跟踪方法
CN113869412B (zh) 一种联合轻量级注意力机制和YOLOv3网络的图像目标检测方法
CN113223006B (zh) 一种基于深度学习的轻量级目标语义分割方法
CN114998587A (zh) 一种遥感影像建筑物语义分割方法及系统

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