CN113111835B - 卫星遥感图像语义分割方法、装置、电子设备和存储介质 - Google Patents

卫星遥感图像语义分割方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113111835B
CN113111835B CN202110444383.1A CN202110444383A CN113111835B CN 113111835 B CN113111835 B CN 113111835B CN 202110444383 A CN202110444383 A CN 202110444383A CN 113111835 B CN113111835 B CN 113111835B
Authority
CN
China
Prior art keywords
image
network
module
channel
convolution
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.)
Active
Application number
CN202110444383.1A
Other languages
English (en)
Other versions
CN113111835A (zh
Inventor
王新
刘豪
王威
刘冠群
李骥
周思远
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.)
Changsha University of Science and Technology
Original Assignee
Changsha 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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110444383.1A priority Critical patent/CN113111835B/zh
Publication of CN113111835A publication Critical patent/CN113111835A/zh
Application granted granted Critical
Publication of CN113111835B publication Critical patent/CN113111835B/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
    • G06V20/10—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
    • G06F18/21—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
    • 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

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

Abstract

本申请涉及一种卫星遥感图像语义分割方法、装置、电子设备和存储介质，所述方法通过获取卫星遥感图像，并对其进行数据处理得到网络训练样本；构建图像语义分割网络，利用络训练样本对图像语义分割网络进行训练，得到训练好的图像语义分割模型。获取待测卫星遥感图像，并对待测卫星遥感图像进行数据处理，将处理结果输入到图像语义分割模型中，得到分割好的图像。图像语义分割网络的特征提取网络通道特征权重提取模块，该模块用于从卷积模块输出的卷积特征图中提取重要的通道特征，抑制不重要的通道特征；采样网络包括上采样模块；此模块减少了模型参数量和计算量的同时提高了模型的分割效果，更有效地完成高分辨率遥感影像图像语义分割任务。

Description

卫星遥感图像语义分割方法、装置、电子设备和存储介质
技术领域
本申请涉及遥感图像处理领域，特别是涉及卫星遥感图像语义分割方法、装置、电子设备和存储介质。
背景技术
遥感图像处理技术在近年来发展迅速，但是遥感产业化应用仍停留在较低的阶段。关键原因之一就是传统的计算机视觉方法效率低下。因此，基于深度学习的语义分割已成为该领域的研究热点，并广泛应用于土地检测，植被分类，环境监测，城市规划和国防安全等领域。随着深度学习理论的发展，遥感场景语义分割的性能也迅速提高。
虽然现有的研究成果在遥感图像语义分割方面已经取得了一些成果，但是对于高分辨率遥感影像图像语义分割问题还没有得到解决。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决高分辨率遥感影像图像语义分割问题的卫星遥感图像语义分割方法、装置、电子设备和存储介质。
一种卫星遥感图像语义分割方法，所述方法包括：
获取卫星遥感图像。
对所述卫星遥感图像进行数据处理，得到网络训练样本。
构建图像语义分割网络，所述图像语义分割网络包括：输入网络、特征提取网络以及上采样网络；所述输入网络用于将网络训练样本进行压缩处理，得到压缩特征图；所述特征提取网络包括卷积模块和通道特征权重提取模块，所述卷积模块用于所述压缩特征图进行特征提取，得到卷积特征图；所述通道特征权重提取模块用于从所述卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；所述上采样网络包括上采样模块；所述上采样模块用于将通道特征权重图进行点卷积将特征图通道数减少为分割任务类别数，并对点卷积得到的特征图进行反卷积将特征图恢复到原图大小，得到分割好的图像。
将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型。
获取待测卫星遥感图像，并对所述待测卫星遥感图像进行数据处理，得到待测图像样本。
将所述待测图像样本输入到所述图像语义分割模型中，得到分割好的图像。
在其中一个实施例中，对卫星遥感图像进行数据处理，得到网络训练样本，还包括：
根据预定需求把卫星遥感图像设置为特定大小输出图像。
对所述特定大小输出图像采用预设窗口进行随机窗口采样，并随机生成采样坐标，得到所述采样坐标下预设尺寸的图像。
对所述预设尺寸的图像进行数据增强，随机的进行旋转和水平、垂直翻转、随机伽马变换、模糊、腐蚀、添加噪声以及双线性滤波，得到网络训练样本。
在其中一个实施例中，将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型，包括：
将所述网络训练样本输入到所述输入网络中，得到压缩特征图。
将所述压缩特征图输入到所述特征提取网络中，得到通道特征权重图。
将所述通道特征权重图输入到上采样网络中，输出预测分割图像，并根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型。
在其中一个实施例中，所述特征提取网络由三个由卷积模块和通道特征权重提取模块组成的特征提取子模块以及由1个卷积模块组成的第四个特征提取子模块构成。将所述压缩特征图输入到所述特征提取网络中，得到通道特征权重图，包括：
将所述压缩特征图输入到第一个特征提取子模块的卷积模块中，得到第一卷积特征图。
将所述第一卷积特征图输入到第一个特征提取子模块的通道特征权重提取模块中，得到第一通道特征权重图。
将所述第一通道特征权重图输入到第二个特征提取子模块的卷积模块中，得到第二卷积特征图。
将所述第二卷积特征图输入到第二个特征提取子模块的通道特征权重提取模块中，得到第二通道特征权重图。
将所述第二通道特征权重图输入到第三个特征提取子模块的卷积模块中，得到第三卷积特征图。
将所述第三卷积特征图输入到第三个特征提取子模块的通道特征权重提取模块中，得到第三通道权重特征图。
将所述第三通道权重特征图输入到所述第四个特征提取子模块的卷积模块中，得到通道特征权重图。
在其中一个实施例中，所述通道特征权重提取模块由点卷积层、卷积核为3*3的卷积层以及点卷积层构成的短连接卷积层、全局平均池化层、第一全连接层以及第二全连接层组成。将所述第一卷积特征图输入到第一个特征提取子模块的通道特征权重提取模块，得到第一通道特征权重图，包括：
将所述第一卷积特征图输入到第一个特征提取子模块的短连接卷积层，得到通道特征图。
将所述通道特征图与所述第一卷积特征图进行融合，得到融合通道特征图。
将所述融合通道特征图输入到第一个特征提取子模块的第一全局平均池化层进行池化处理，得到全局特征。
将所述全局特征输入到所述第一全连接层，并经第一全连接层的输出特征输入到所述第二全连接层，得到通道权重系数。
将所述通道权重系数和所述融合通道特征图进行按通道相乘，得到第一通道特征权重图。
在其中一个实施例中，所述上采样网络由第一上采样模块、第二上采样模块以及第三上采样模块构成。将所述通道特征权重图输入到上采样网络中，输出预测分割图像，并根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型，包括：
将所述第二通道特征权重图输入到所述第一上采样模块，将得到的上采样结果和所述第三通道特征权重图进行融合，得到融合特征图。
将所述融合特征图输入到所述第二上采样模块，得到第二融合特征图。
将所述第二融合特征图与所述通道特征权重图进行融合，并将融合得到的特征输入到所述第三上采样模块，输出预测分割图像。
根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型。
在其中一个实施例中，所述上采样网络由第二上采样模块和第三上采样模块构成，所述第二上采样模块和所述第三上采样模块是具有相同网络结构的上采样模块，由点卷积层和反卷积层构成。将所述通道特征权重图输入到上采样网络中，输出预测分割图像，并根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型，包括：
将所述第三通道权重特征图输入到所述第二上采样模块，得到上采样融合特征图。
将所述上采样融合特征图与所述通道特征权重图进行融合，并将融合后的特征图输入到所述第三上采样模块的点卷积层，得到压缩通道特征图。
将所述压缩通道特征图输入到所述第三上采样模块的反卷积层，得到预测分割图像。
根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型。
一种卫星遥感图像语义分割装置，所述装置包括：
图像获取模块，用于获取卫星遥感图像。
图像数据处理模块，用于对所述卫星遥感图像进行数据处理，得到网络训练样本。
图像语义分割网络构建模块，用于构建图像语义分割网络，所述图像语义分割网络包括：输入网络、特征提取网络以及上采样网络；所述输入网络用于将网络训练样本进行压缩处理，得到压缩特征图；所述特征提取网络包括卷积模块和通道特征权重提取模块，所述卷积模块用于所述压缩特征图进行特征提取，得到卷积特征图；所述通道特征权重提取模块用于从所述卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；所述上采样网络包括上采样模块；所述上采样模块用于将通道特征权重图进行点卷积将特征图通道数减少为分割任务类别数，并对点卷积得到的特征图进行反卷积将特征图恢复到原图大小，得到分割好的图像。
图像语义分割网络训练模块，用于将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型。
分割图像确定模块，用于获取待测卫星遥感图像，并对所述待测卫星遥感图像进行数据处理，得到待测图像样本；将所述待测图像样本输入到所述图像语义分割模型中，得到分割好的图像
上述卫星遥感图像语义分割方法、装置、电子设备和存储介质，所述方法通过获取卫星遥感图像，并对其进行数据处理得到网络训练样本；构建图像语义分割网络，将网络训练样本输入到图像语义分割网络中，对图像语义分割网络进行训练，得到训练好的图像语义分割模型。获取待测卫星遥感图像，并对待测卫星遥感图像进行数据处理，得到待测图像样本；将待测图像样本输入到图像语义分割模型中，得到分割好的图像。图像语义分割网络的特征提取网络包括卷积模块和通道特征权重提取模块，通道特征权重提取模块用于从卷积模块输出的卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；采样网络包括卷积模块和上采样模块；上采样模块首先将特征图进行点卷积将特征图通道数减少为分割任务类别数，然后再进行反卷积降特征图恢复到原图大小，此模块减少了模型参数量和计算量的同时提高了模型的分割效果，以达到减少网络参数量和计算量以及提高网络性能的目的，更有效地完成高分辨率遥感影像图像语义分割任务。
附图说明
图1为一个实施例中卫星遥感图像语义分割方法的流程示意图；
图2为另一个实施例中通道特征权重提取模块的结构；
图3为另一个实施例中一种图像语义分割网络结构图示意图；
图4为另一个实施例中分割卫星遥感图像方法的流程；
图5为一个实施例中卫星遥感图像语义分割装置的结构框图；
图6为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种卫星遥感图像语义分割方法，该方法包括以下步骤：
步骤100：获取卫星遥感图像。
步骤102：对卫星遥感图像进行数据处理，得到网络训练样本。
首先对获取到的中国高分二号(GF-2)遥感图像进行预处理和数据集标注；接着，将数据集进行增强与扩充，以避免过度拟合，将处理后的数据作为网络训练样本。
步骤104：构建图像语义分割网络。
图像语义分割网(简称：CFA-Net)络包括：输入网络、特征提取网络以及上采样网络。
输入网络用于将网络训练样本进行压缩处理，得到压缩特征图。
特征提取网络包括卷积模块和通道特征权重提取模块，卷积模块用于压缩特征图进行特征提取，得到卷积特征图。
通道特征权重提取模块用于从卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；上采样网络包括上采样模块。
上采样模块用于将通道特征权重图进行点卷积将特征图通道数减少为分割任务类别数，并对点卷积得到的特征图进行反卷积将特征图恢复到原图大小，得到分割好的图像。
步骤106：将网络训练样本输入到图像语义分割网络中，对图像语义分割网络进行训练，得到训练好的图像语义分割模型。
步骤108：获取待测卫星遥感图像，并对待测卫星遥感图像进行数据处理，得到待测图像样本。
步骤110：将待测图像样本输入到图像语义分割模型中，得到分割好的图像。
上述卫星遥感图像语义分割方法中，所述方法通过获取卫星遥感图像，并对其进行数据处理得到网络训练样本；构建图像语义分割网络，将网络训练样本输入到图像语义分割网络中，对图像语义分割网络进行训练，得到训练好的图像语义分割模型。获取待测卫星遥感图像，并对待测卫星遥感图像进行数据处理，得到待测图像样本；将待测图像样本输入到图像语义分割模型中，得到分割好的图像。图像语义分割网络的特征提取网络包括卷积模块和通道特征权重提取模块，通道特征权重提取模块用于从卷积模块输出的卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；采样网络包括卷积模块和上采样模块；上采样模块首先将特征图进行点卷积将特征图通道数减少为分割任务类别数，然后再进行反卷积降特征图恢复到原图大小，此模块减少了模型参数量和计算量的同时提高了模型的分割效果，以达到减少网络参数量和计算量以及提高网络性能的目的，更有效地完成高分辨率遥感影像图像语义分割任务。
在其中一个实施例中，步骤102还包括：根据预定需求把卫星遥感图像设置为特定大小输出图像；对特定大小输出图像采用预设窗口进行随机窗口采样，并随机生成采样坐标，得到采样坐标下预设尺寸的图像；对预设尺寸的图像进行数据增强，随机的进行旋转和水平、垂直翻转、随机伽马变换、模糊、腐蚀、添加噪声以及双线性滤波，得到网络训练样本。
在其中一个实施例中，步骤106还包括：将网络训练样本输入到输入网络中，得到压缩特征图；将压缩特征图输入到特征提取网络中，得到通道特征权重图；将通道特征权重图输入到上采样网络中，输出预测分割图像，并根据预测分割图像和网络训练样本对图像语义分割网络进行反向训练，得到图像语义分割模型。
在其中一个实施例中，特征提取网络由三个由卷积模块和通道特征权重提取模块组成的特征提取子模块以及由1个卷积模块组成的第四个特征提取子模块构成；步骤106还包括：将压缩特征图输入到第一个特征提取子模块的卷积模块中，得到第一卷积特征图；将第一卷积特征图输入到第一个特征提取子模块的通道特征权重提取模块中，得到第一通道特征权重图；将第一通道特征权重图输入到第二个特征提取子模块的卷积模块中，得到第二卷积特征图；将第二卷积特征图输入到第二个特征提取子模块的通道特征权重提取模块中，得到第二通道特征权重图；将第二通道特征权重图输入到第三个特征提取子模块的卷积模块中，得到第三卷积特征图；将第三卷积特征图输入到第三个特征提取子模块的通道特征权重提取模块中，得到第三通道权重特征图；将第三通道权重特征图输入到第四个特征提取子模块的卷积模块中，得到通道特征权重图。
在其中一个实施例中，通道特征权重提取模块由点卷积层、卷积核为3*3的卷积层以及点卷积层构成的短连接卷积层、全局平均池化层、第一全连接层以及第二全连接层组成；步骤106还包括：将第一卷积特征图输入到第一个特征提取子模块的短连接卷积层，得到通道特征图；将通道特征图与第一卷积特征图进行融合，得到融合通道特征图；将融合通道特征图输入到第一个特征提取子模块的第一全局平均池化层进行池化处理，得到全局特征；将全局特征输入到第一全连接层，并经第一全连接层的输出特征输入到第二全连接层，得到通道权重系数；将通道权重系数和融合通道特征图进行按通道相乘，得到第一通道特征权重图。
在另一个实施例中，通道特征权重提取模块(Channel feature weightextraction module，CFWE)的结构图如图2所示，通道特征权重提取模块由1×1的卷积层、3×3的卷积层以及1×1的卷积层构成的短链接卷积层、全局平均池化层(简称：GAP)，连个全连接层(简称：FC)。
CFWE模块中包含多种尺寸的卷积核，首先是模块的短连接层，由两个“Conv1”和一个“Conv3”组成，通过短连接，可以在一定程度上解决网络退化的问题。“Conv1”代表1×1的卷积层，“Conv3”代表3×3的卷积层，第一个Conv1用来降低维度，第二个Conv1升高维度，主要目的是减少参数数量。接着是串联的池化层和全连接层，其包含两个“FC”、一个“GAP”。其中GAP用来将通道上的特征图压缩为一个全局特征，第一个FC层用来降低维度，然后通过短连接将原始特征和提取出来的特征图通道权重系数分通道相乘得到更好的特征图。第二个FC层用来恢复维度。通过这种方式我们的模型可以学习到每个通道的权重系数。在特征提取过程中，权重系数可以帮助我们的模型提取到更多重要的通道特征，抑制不重要的通道特征，增强网络的特征提取能力。
在其中一个实施例中，上采样网络由第一上采样模块、第二上采样模块以及第三上采样模块构成；步骤106还包括：将第二通道特征权重图输入到第一上采样模块，将得到的上采样结果和第三通道特征权重图进行融合，得到融合特征图；将融合特征图输入到第二上采样模块，得到第二融合特征图；将第二融合特征图与通道特征权重图进行融合，并将融合得到的特征输入到第三上采样模块，输出预测分割图像；根据预测分割图像和网络训练样本对图像语义分割网络进行反向训练，得到图像语义分割模型。
在其中一个实施例中，上采样网络由第二上采样模块和第三上采样模块构成，第二上采样模块和第三上采样模块是具有相同网络结构的上采样模块，由点卷积层和反卷积层构成；步骤106还包括：将第三通道权重特征图输入到第二上采样模块，得到上采样融合特征图；将上采样融合特征图与通道特征权重图进行融合，并将融合后的特征图输入到第三上采样模块的点卷积层，得到压缩通道特征图；将压缩通道特征图输入到第三上采样模块的反卷积层，得到预测分割图像；根据预测分割图像和网络训练样本对图像语义分割网络进行反向训练，得到图像语义分割模型。
上采样模块首先将特征图进行点卷积将特征图通道数减少为分割任务类别数，然后再进行反卷积降特征图恢复到原图大小，此模块减少了模型参数量和计算量的同时提高了模型的分割效果。传统语义分割神经网络上采样步骤是先将特征图进行上采样，恢复原图大小之后再进行点卷积完成语义分割，这样使得网络模型的参数量和计算量都大幅度增加。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个网络性能验证性实施例中，如图3所示图像语义分割网络(CFA-Net)结构图，,其中“卷积批处理标准化模块”表示为一个包含了“卷积”、“批标准化”和“激活函数”的复合结构。数据经过图像预处理输入到网络模型中，模型的第一层为7×7卷积批处理标准化模块，这是一个步长为2，卷积核尺寸大小为7的卷积层，第二层最大池化层是一个窗口大小为3的步长为2的最大池化层，它的主要作用在于下采样降维、去除冗余信息、对特征进行压缩、简化网络复杂度、减少计算量、减少内存消耗。通过这两个前置操作我们输入的大小为256×256的图像尺寸变成64×64，然后经过到三个由若干个“1×1卷积批处理标准化模块-3×3卷积批处理标准化模块-1×1卷积批处理标准化模块”结构的卷积模块和通道特征权重提取模块叠加的操作，再进入一个若干个“1×1卷积批处理标准化模块-3×3卷积批处理标准化模块-1×1卷积批处理标准化模块”结构的卷积模块，最后将大小为8×8的特征图输入到上采样模块中进行上采样操作得到256×256×7的最终输出。同时在上采样过程中我们根据使用不同数量的上采样模块和其空间位置设计了三种不同的上采样方法。如网络图所示代表为CFA-NET-A，删除网络主干上的第一上采样模块即为CFA-NET-B,删除网络主干上的第一上采样模块和第二上采样模块即为CFA-NET-C。
分割卫星遥感图像方法的流程如图4所示，首先结合数据扩充技术进行图像预处理，然后将其输入到我们的网络模型中，进行图像语义分割，最后网络输出分割好的图像。
(1)网络复杂度分析
为了研究不同深度和不同上采样方法对模型计算量和参数量的影响，本实施例中对比了分别使用不同上采样方法的模型和不同深度模型的参数量和计算量。本实施例中分别使用不采用跳跃结构和一个跳跃结构和两个跳跃结构这三种上采样方法进行实验。在3种不同的上采样方法的基础上又使用了3种不同的深度，由此产生了9种网络模型。不同网络的参数量如表1所示。
表1：不同网络的参数量对比表(单位：百万)
Figure BDA0003036204110000111
由表1可知，相同深度下的CFA-Net，使用A和B结构的网络比C结构的网络多了大约1万参数量。由此说明不同上采样结构对网络模型的参数量影响不大。CFA-Net153-A的参数量是CFA-Net51-A的2.46倍，CFA-Net102-A的参数量是CFA-Net51-A的1.8倍。因此可以看出网络深度对模型参数量影响最大。所以当设备内存不足，硬件条件不支持过多的参数量时，使用较浅深度的网络模型是一个比较好的选择。
表2：不同网络的计算量对比表(单位：百万)
Figure BDA0003036204110000112
由表2可知，计算量受网络深度影响比较大。CFA-Net153的计算量是CFA-Net102的1.44倍，CFA-Net102的计算量是CFW-Net51的1.78倍，CFA-Net153和CFA-Net102的计算量十分庞大。因此当模型准确率差距不大时，CFA-Net51模型具有最高的性价比。
在一个实施例中，本实施例的实验数据集来源于2016年郴州地区GF-2的融合图像，这是中国研发和发射的卫星。其地貌复杂保存有完整的原始次生林群落及南岭山脉低海拔沟谷阔叶林，森林植物资源极为丰富多样。其空间分辨率为0.8米，波带数为3。对获得的原始高分二号卫星图像进行预处理，然后被裁剪并在2000*2000像素范围内进行了标注，通过手动标注，可以将各种图像类型注释成具有不同颜色的地面真实图像。根据其地貌特性，我们标注种类分为七类，分别是耕地、林地、水域、道路、建筑和垄沟和其他类。该数据集总共有12000张图像，我们将其中10000张作为训练集，2000张作为测试集。
因为高分遥感卫星图像的图像尺寸太大，所以要对是数据集图像进行切分处理。另一个方面，为了避免神经网络在部分数据集中产生过拟合现象，需要对已有训练集进行数据增强和扩充。因此对于一幅高分遥感图像，将其切割成小的图像块，用作实验数据集。预处理过程如下：
1)首先根据需求把数据集图像设置为特定大小输出图像。
2)然后对图像进行窗口大小为256×256随机窗口采样，即随机生成采样坐标，然后获取该坐标下256×256尺寸的图像。
3)再对切分好的图像进行数据增强，随机的进行旋转和水平、垂直翻转、随机伽马变换、模糊、腐蚀、添加噪声，以及双线性滤波等图像变换操作。
经过上述数据处理以及数据扩充，我们的训练集规模扩大了6倍，一定程度上减少了网络过拟合的风险。
本文的实验在相同的平台和环境下进行，以确保不同网络模型之间进行比较的可信度。表3显示了实验平台的软件和硬件配置信息。训练集和测试集的“batchsize”大小均为4。
表3：实验平台的软件和硬件配置信息
属性值 配置信息
操作系统 Windows 10
处理器 Intel i7 3.30GHz
图形处理器 GeForce GTX 1080Ti(11G)
网络加速库 CUDNN 10.0
计算框架 CUDA 10.0
框架 Pytorch
编译环境 PyCharm
编程语言 Python
为了研究CFA-Net的深度和上采样方法对卫星遥感图像分割性能的影响，我们使用9种CFA-Net在我们的数据集上进行了实验，实验结果如表4所示。
根据表4可知，使用C结构作为上采样方法的CFA-Net的性能低于使用另外两种结构的模型。
CFA-Net-102-A在数据集上的整体表现最好，像素精度PA，均交并比MIoU，频权交并比FWIoU都为最高，分别为91.66％，55.61％，86.02％。
CFA-Net-110-A的均交并比MIOU达到了最高55.61％，比CFA-Net51-A和CFA-Net153-A分别高0.62％和1.1％。
表明网络深度应该保持适当，网络太浅或网络太深都或导致网络模型性能下降。
表4：9种CFA-Net的卫星遥感图像分割性能对比
模型 PA(％) MIOU(％) FWIU(％)
CFA-Net-51-A 91.30 54.99 85.95
CFA-Net-102-A 91.66 55.61 86.02
CFA-Net-153-A 91.58 54.51 85.98
CFA-Net-51-B 91.16 54.56 85.62
CFA-Net-102-B 91.43 54.76 85.69
CFA-Net-153-B 91.10 54.54 85.16
CFA-Net-51-C 91.25 53.74 85.49
CFA-Net-51-C 91.06 54.37 85.29
CFA-Net-153-C 91.15 54.24 85.45
我们将CFA-Net-110-A进一步与经典语义分割神经网络Deeplab，FCN,SegNet,Unet,Dilated以及最新网络的FC-DenseNet和DFCN121进行比较。同时为了验证CFWE模块的有效性，我们在CFA-NET的基础上删除了CFWE模块进行了实验，实验对比结果如表5所示。
表:5：发明中网络模型和其它网络模型性能对比
模型 PA(％) MIOU(％) FWIU(％)
CFA-Net-110-A 91.66 55.61 86.02
NoCFA-Net-110-A 91.36 53.77 85.52
DeeplabV3 87.87 49.70 81.80
FCN-8s 90.55 51.16 84.61
SegNet 91.17 50.60 85.35
Unet 89.65 44.50 83.55
FC-DenseNet 84.99 51.67 90.85
DFCN121 91.54 54.56 85.99
由表5可知CFA模块使网络性能有着明显的提升。DeeplabV3使用并改进了ASPP模块，在我们的数据集上有着不错的效果。但准确率仍然低于我们的网络。FCN-8s通过弃用传统神经网络的全连接层将卷积神经网络用于语义分割任务，它在我们数据集上达到了不错的性能。SegNet是基于FCN网络并改进Vgg-16得到的语义分割网络，同时引入了Encoder-Decoder结构，在我们数据集上取得了不错的效果。Unet被提出用于解决医学图像语义分割问题，提出了一种U型的网络结构可以同时获取上下文信息和位置信息，其在我们数据集上性能最差。FC-DenseNet和DFCN121将DenseNet引入到语义分割任务，实现了不错的效果。通过上表可知，虽然其他网络都实现了不错的性能，但是性能普遍低于我们的网络，这说明我们的网络性能更好，对于卫星遥感图像语义分割任务更具针对性。
在一个实施例中，如图5所示，提供了一种卫星遥感图像语义分割装置，包括：图像获取模块、图像数据处理模块、图像语义分割网络构建模块、图像语义分割网络训练模块以及分割图像确定模块，其中：
图像获取模块，用于获取卫星遥感图像。
图像数据处理模块，用于对所述卫星遥感图像进行数据处理，得到网络训练样本。
图像语义分割网络构建模块，用于构建图像语义分割网络，所述图像语义分割网络包括：输入网络、特征提取网络以及上采样网络；所述输入网络用于将网络训练样本进行压缩处理，得到压缩特征图；所述特征提取网络包括卷积模块和通道特征权重提取模块，所述卷积模块用于所述压缩特征图进行特征提取，得到卷积特征图；所述通道特征权重提取模块用于从所述卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；所述上采样网络包括上采样模块；所述上采样模块用于将通道特征权重图进行点卷积将特征图通道数减少为分割任务类别数，并对点卷积得到的特征图进行反卷积将特征图恢复到原图大小，得到分割好的图像。
图像语义分割网络训练模块，用于将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型。
分割图像确定模块，用于获取待测卫星遥感图像，并对所述待测卫星遥感图像进行数据处理，得到待测图像样本；将所述待测图像样本输入到所述图像语义分割模型中，得到分割好的图像。
在其中一个实施例中，图像数据处理模块，还用于根据预定需求把卫星遥感图像设置为特定大小输出图像；对特定大小输出图像采用预设窗口进行随机窗口采样，并随机生成采样坐标，得到采样坐标下预设尺寸的图像；对预设尺寸的图像进行数据增强，随机的进行旋转和水平、垂直翻转、随机伽马变换、模糊、腐蚀、添加噪声以及双线性滤波，得到网络训练样本。
在其中一个实施例中，图像语义分割网络训练模块，还用于将网络训练样本输入到输入网络中，得到压缩特征图；将压缩特征图输入到特征提取网络中，得到通道特征权重图；将通道特征权重图输入到上采样网络中，输出预测分割图像，并根据预测分割图像和网络训练样本对图像语义分割网络进行反向训练，得到图像语义分割模型。
在其中一个实施例中，特征提取网络由三个由卷积模块和通道特征权重提取模块组成的特征提取子模块以及由1个卷积模块组成的第四个特征提取子模块构成；图像语义分割网络训练模块，还用于将压缩特征图输入到第一个特征提取子模块的卷积模块中，得到第一卷积特征图；将第一卷积特征图输入到第一个特征提取子模块的通道特征权重提取模块中，得到第一通道特征权重图；将第一通道特征权重图输入到第二个特征提取子模块的卷积模块中，得到第二卷积特征图；将第二卷积特征图输入到第二个特征提取子模块的通道特征权重提取模块中，得到第二通道特征权重图；将第二通道特征权重图输入到第三个特征提取子模块的卷积模块中，得到第三卷积特征图；将第三卷积特征图输入到第三个特征提取子模块的通道特征权重提取模块中，得到第三通道权重特征图；将第三通道权重特征图输入到第四个特征提取子模块的卷积模块中，得到通道特征权重图。
在其中一个实施例中，通道特征权重提取模块由点卷积层、卷积核为3*3的卷积层以及点卷积层构成的短连接卷积层、全局平均池化层、第一全连接层以及第二全连接层组成；图像语义分割网络训练模块，还用于将第一卷积特征图输入到第一个特征提取子模块的短连接卷积层，得到通道特征图；将通道特征图与第一卷积特征图进行融合，得到融合通道特征图；将融合通道特征图输入到第一个特征提取子模块的第一全局平均池化层进行池化处理，得到全局特征；将全局特征输入到第一全连接层，并经第一全连接层的输出特征输入到第二全连接层，得到通道权重系数；将通道权重系数和融合通道特征图进行按通道相乘，得到第一通道特征权重图。
在其中一个实施例中，上采样网络由第一上采样模块、第二上采样模块以及第三上采样模块构成；图像语义分割网络训练模块，还用于将第二通道特征权重图输入到第一上采样模块，将得到的上采样结果和第三通道特征权重图进行融合，得到融合特征图；将融合特征图输入到第二上采样模块，得到第二融合特征图；将第二融合特征图与通道特征权重图进行融合，并将融合得到的特征输入到第三上采样模块，输出预测分割图像；根据预测分割图像和网络训练样本对图像语义分割网络进行反向训练，得到图像语义分割模型。
在其中一个实施例中，上采样网络由第二上采样模块和第三上采样模块构成，第二上采样模块和第三上采样模块是具有相同网络结构的上采样模块，由点卷积层和反卷积层构成；图像语义分割网络训练模块，还用于将第三通道权重特征图输入到第二上采样模块，得到上采样融合特征图；将上采样融合特征图与通道特征权重图进行融合，并将融合后的特征图输入到第三上采样模块的点卷积层，得到压缩通道特征图；将压缩通道特征图输入到第三上采样模块的反卷积层，得到预测分割图像；根据预测分割图像和网络训练样本对图像语义分割网络进行反向训练，得到图像语义分割模型。
关于卫星遥感图像语义分割装置的具体限定可以参见上文中对于卫星遥感图像语义分割方法的限定，在此不再赘述。上述卫星遥感图像语义分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电子设备，该电子设备可以是终端，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种卫星遥感图像语义分割方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种电子设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中所述方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中所述方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种卫星遥感图像语义分割方法，其特征在于，所述方法包括：
获取卫星遥感图像；
对所述卫星遥感图像进行数据处理，得到网络训练样本；
构建图像语义分割网络，所述图像语义分割网络包括：输入网络、特征提取网络以及上采样网络；所述输入网络用于将网络训练样本进行压缩处理，得到压缩特征图；所述特征提取网络包括卷积模块和通道特征权重提取模块，所述卷积模块用于所述压缩特征图进行特征提取，得到卷积特征图；所述通道特征权重提取模块用于从所述卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；所述上采样网络包括上采样模块；所述上采样模块用于将通道特征权重图进行点卷积将特征图通道数减少为分割任务类别数，并对点卷积得到的特征图进行反卷积将特征图恢复到原图大小，得到分割好的图像；
将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型；
获取待测卫星遥感图像，并对所述待测卫星遥感图像进行数据处理，得到待测图像样本；
将所述待测图像样本输入到所述图像语义分割模型中，得到分割好的图像；
其中，所述通道特征权重提取模块由点卷积层、卷积核为3*3的卷积层以及点卷积层构成的短连接卷积层、全局平均池化层、第一全连接层以及第二全连接层组成；
所述通道特征权重提取模块的具体实现步骤包括：
将所述卷积模块输出的卷积特征图输入到所述通道特征权重提取模块的短连接卷积层，得到通道特征图；
将所述通道特征图与所述卷积模块输出的卷积特征图进行融合，得到融合通道特征图；
将所述融合通道特征图输入到所述通道特征权重提取模块的第一全局平均池化层进行池化处理，得到全局特征；
将所述全局特征输入到所述通道特征权重提取模块的所述第一全连接层，并经第一全连接层的输出特征输入到所述通道特征权重提取模块的所述第二全连接层，得到通道权重系数；
将所述通道权重系数和所述融合通道特征图进行按通道相乘，得到通道特征权重图。
2.根据权利要求1所述的方法，其特征在于，对所述卫星遥感图像进行数据处理，得到网络训练样本，包括：
根据预定需求把卫星遥感图像设置为特定大小输出图像；
对所述特定大小输出图像采用预设窗口进行随机窗口采样，并随机生成采样坐标，得到所述采样坐标下预设尺寸的图像；
对所述预设尺寸的图像进行数据增强，随机的进行旋转和水平、垂直翻转、随机伽马变换、模糊、腐蚀、添加噪声以及双线性滤波，得到网络训练样本。
3.根据权利要求1所述的方法，其特征在于，将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型，包括：
将所述网络训练样本输入到所述输入网络中，得到压缩特征图；
将所述压缩特征图输入到所述特征提取网络中，得到通道特征权重图；
将所述通道特征权重图输入到上采样网络中，输出预测分割图像，并根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型。
4.根据权利要求3所述的方法，其特征在于，所述特征提取网络由三个由卷积模块和通道特征权重提取模块组成的特征提取子模块以及由1个卷积模块组成的第四个特征提取子模块构成；
将所述压缩特征图输入到所述特征提取网络中，得到通道特征权重图，包括：
将所述压缩特征图输入到第一个特征提取子模块的卷积模块中，得到第一卷积特征图；
将所述第一卷积特征图输入到第一个特征提取子模块的通道特征权重提取模块中，得到第一通道特征权重图；
将所述第一通道特征权重图输入到第二个特征提取子模块的卷积模块中，得到第二卷积特征图；
将所述第二卷积特征图输入到第二个特征提取子模块的通道特征权重提取模块中，得到第二通道特征权重图；
将所述第二通道特征权重图输入到第三个特征提取子模块的卷积模块中，得到第三卷积特征图；
将所述第三卷积特征图输入到第三个特征提取子模块的通道特征权重提取模块中，得到第三通道权重特征图；
将所述第三通道权重特征图输入到所述第四个特征提取子模块的卷积模块中，得到通道特征权重图。
5.根据权利要求3所述的方法，其特征在于，所述上采样网络由第一上采样模块、第二上采样模块以及第三上采样模块构成；
将所述通道特征权重图输入到上采样网络中，输出预测分割图像，并根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型，包括：
将所述第二通道特征权重图输入到所述第一上采样模块，将得到的上采样结果和所述第三通道特征权重图进行融合，得到融合特征图；
将所述融合特征图输入到所述第二上采样模块，得到第二融合特征图；
将所述第二融合特征图与所述通道特征权重图进行融合，并将融合得到的特征输入到所述第三上采样模块，输出预测分割图像；
根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型。
6.根据权利要求3所述的方法，其特征在于，所述上采样网络由第二上采样模块和第三上采样模块构成，所述第二上采样模块和所述第三上采样模块是具有相同网络结构的上采样模块，由点卷积层和反卷积层构成；
将所述通道特征权重图输入到上采样网络中，输出预测分割图像，并根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型，包括：
将所述第三通道权重特征图输入到所述第二上采样模块，得到上采样融合特征图；
将所述上采样融合特征图与所述通道特征权重图进行融合，并将融合后的特征图输入到所述第三上采样模块的点卷积层，得到压缩通道特征图；
将所述压缩通道特征图输入到所述第三上采样模块的反卷积层，得到预测分割图像；
根据所述预测分割图像和所述网络训练样本对所述图像语义分割网络进行反向训练，得到图像语义分割模型。
7.一种卫星遥感图像语义分割装置，其特征在于，所述装置包括：
图像获取模块，用于获取卫星遥感图像；
图像数据处理模块，用于对所述卫星遥感图像进行数据处理，得到网络训练样本；
图像语义分割网络构建模块，用于构建图像语义分割网络，所述图像语义分割网络包括：输入网络、特征提取网络以及上采样网络；所述输入网络用于将网络训练样本进行压缩处理，得到压缩特征图；所述特征提取网络包括卷积模块和通道特征权重提取模块，所述卷积模块用于所述压缩特征图进行特征提取，得到卷积特征图；所述通道特征权重提取模块用于从所述卷积特征图中提取重要的通道特征，抑制不重要的通道特征，得到通道特征权重图；所述上采样网络包括上采样模块；所述上采样模块用于将通道特征权重图进行点卷积将特征图通道数减少为分割任务类别数，并对点卷积得到的特征图进行反卷积将特征图恢复到原图大小，得到分割好的图像；
图像语义分割网络训练模块，用于将所述网络训练样本输入到所述图像语义分割网络中，对所述图像语义分割网络进行训练，得到训练好的图像语义分割模型；
分割图像确定模块，用于获取待测卫星遥感图像，并对所述待测卫星遥感图像进行数据处理，得到待测图像样本；将所述待测图像样本输入到所述图像语义分割模型中，得到分割好的图像；
图像语义分割网络构建模块中所述通道特征权重提取模块由点卷积层、卷积核为3*3的卷积层以及点卷积层构成的短连接卷积层、全局平均池化层、第一全连接层以及第二全连接层组成；
图像语义分割网络构建模块，还用于将所述卷积模块输出的卷积特征图输入到所述通道特征权重提取模块的短连接卷积层，得到通道特征图；将所述通道特征图与所述卷积模块输出的卷积特征图进行融合，得到融合通道特征图；将所述融合通道特征图输入到所述通道特征权重提取模块的第一全局平均池化层进行池化处理，得到全局特征；将所述全局特征输入到所述通道特征权重提取模块的所述第一全连接层，并经第一全连接层的输出特征输入到所述通道特征权重提取模块的所述第二全连接层，得到通道权重系数；将所述通道权重系数和所述融合通道特征图进行按通道相乘，得到通道特征权重图。
8.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110444383.1A 2021-04-23 2021-04-23 卫星遥感图像语义分割方法、装置、电子设备和存储介质 Active CN113111835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110444383.1A CN113111835B (zh) 2021-04-23 2021-04-23 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110444383.1A CN113111835B (zh) 2021-04-23 2021-04-23 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113111835A CN113111835A (zh) 2021-07-13
CN113111835B true CN113111835B (zh) 2022-08-02

Family

ID=76719717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110444383.1A Active CN113111835B (zh) 2021-04-23 2021-04-23 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113111835B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673530B (zh) * 2021-08-18 2023-06-16 中国人民解放军国防科技大学 遥感图像语义分割方法、装置、计算机设备和存储介质
CN113761771B (zh) * 2021-09-16 2024-05-28 中国人民解放军国防科技大学 多孔材料吸声性能预测方法、装置、电子设备和存储介质
CN113688813B (zh) * 2021-10-27 2022-01-04 长沙理工大学 多尺度特征融合遥感影像分割方法、装置、设备和存储器
CN114022788B (zh) * 2022-01-05 2022-03-04 长沙理工大学 遥感图像变化检测方法、装置、计算机设备和存储介质
CN114548606B (zh) * 2022-04-25 2022-08-23 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种气旋强度预测模型的构建方法及气旋强度预测方法
CN115984084B (zh) * 2022-12-19 2023-06-06 中国科学院空天信息创新研究院 一种基于动态可拆分网络的遥感分布式数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948517A (zh) * 2019-03-18 2019-06-28 长沙理工大学 一种基于密集全卷积网络的高分辨率遥感图像语义分割方法
CN111259900A (zh) * 2020-01-13 2020-06-09 河海大学 一种卫星遥感图像的语义分割方法
CN112116009A (zh) * 2020-09-21 2020-12-22 长沙理工大学 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统
CN112183360A (zh) * 2020-09-29 2021-01-05 上海交通大学 高分辨率遥感影像的轻量化语义分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948517A (zh) * 2019-03-18 2019-06-28 长沙理工大学 一种基于密集全卷积网络的高分辨率遥感图像语义分割方法
CN111259900A (zh) * 2020-01-13 2020-06-09 河海大学 一种卫星遥感图像的语义分割方法
CN112116009A (zh) * 2020-09-21 2020-12-22 长沙理工大学 基于卷积神经网络的新冠肺炎x射线图像识别方法及系统
CN112183360A (zh) * 2020-09-29 2021-01-05 上海交通大学 高分辨率遥感影像的轻量化语义分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SCAttNet:Semantic Segmentation Network with Spatial and Channel Attention Mechanism for High-Resolution Remote Sensing Images;Haifeng Li et al.;《arxiv.org》;20200507;全文 *
改进卷积网络的高分遥感图像城镇建成区提取;侯博文 等;《中国图象图形学报》;20201231;全文 *

Also Published As

Publication number Publication date
CN113111835A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN113111835B (zh) 卫星遥感图像语义分割方法、装置、电子设备和存储介质
Fernández et al. Broad-UNet: Multi-scale feature learning for nowcasting tasks
Abdollahi et al. Improving road semantic segmentation using generative adversarial network
US20200065619A1 (en) Image processing method, processing apparatus and processing device
CN108765425B (zh) 图像分割方法、装置、计算机设备和存储介质
CN113159143B (zh) 基于跳跃连接卷积层的红外与可见光图像融合方法和装置
CN114092833B (zh) 遥感图像分类方法、装置、计算机设备和存储介质
CN111126258A (zh) 图像识别方法及相关装置
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN113011305B (zh) 基于语义分割和条件随机场的sar图像道路提取方法和装置
CN111797571B (zh) 滑坡易发性评价方法、装置、设备和存储介质
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN112184687B (zh) 基于胶囊特征金字塔的道路裂缝检测方法和存储介质
CN111951281A (zh) 图像分割方法、装置、设备及存储介质
CN111860233A (zh) 基于选择注意力网络的sar图像复杂建筑物提取方法及系统
CN111242840A (zh) 手写体字符生成方法、装置、计算机设备和存储介质
CN114463637A (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN112241646A (zh) 车道线识别方法、装置、计算机设备和存储介质
CN115797929A (zh) 基于双注意力机制的小型农田图像分割方法、装置
CN112381107A (zh) 基于深度学习的物品x光检测方法、装置和计算机设备
CN116258976A (zh) 一种分层次Transformer的高分辨率遥感图像语义分割方法及系统
CN116778318A (zh) 一种卷积神经网络遥感影像道路提取模型及方法
CN115223012A (zh) 一种去遮罩人脸恢复的方法、装置、计算机设备和介质
CN117132606B (zh) 用于肺部病变图像的分割方法
CN111967516B (zh) 一种逐像素分类方法、存储介质及分类设备

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