CN113159038B - 一种基于多模态融合的煤岩分割方法 - Google Patents
一种基于多模态融合的煤岩分割方法 Download PDFInfo
- Publication number
- CN113159038B CN113159038B CN202011609417.XA CN202011609417A CN113159038B CN 113159038 B CN113159038 B CN 113159038B CN 202011609417 A CN202011609417 A CN 202011609417A CN 113159038 B CN113159038 B CN 113159038B
- Authority
- CN
- China
- Prior art keywords
- characteristic diagram
- coal
- output
- convolution
- response
- 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
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多模态融合的煤岩分割方法,本发明以煤岩图像分割为主干进行多传感器模式融合,符合采煤机滚筒高度调节的实际需求,明确煤岩边界,有效避免切割岩层;高级语义信息与低级特征提取是煤岩分割的核心,提出图像传感器与中红外光谱仪的多模态逐像素融合。图像传感器采集可见光图像,中红外光谱仪获取对应图像的响应图谱,以二维高斯分布进行重采样,再通过双线性插值改变尺寸与要融合的特征图一致。煤岩分割网络的特征金字塔结构融合可见光图像的多尺度特征,通过中红外响应图谱补偿实现多模态融合;含有边界权值的损失函数,进一步提升分割算法对煤和其他目标边界的刻画能力。
Description
技术领域
本发明涉及一种基于多模态融合的煤岩分割方法,属于图像分割技术和传感器模式融合技术领域。
背景技术
煤炭实际生产过程中,煤炭与岩石识别技术主要运用在开采和选煤阶段中,识别技术一方面包括射线、雷达、激光雷达和太赫兹等主动探测手段,另一方面包括设备的功率检测、振动检测和声音检测等被动检测方法。然而,由于传感器部署问题、结构复杂性问题、普适性问题以及成本问题,机器视觉技术逐渐取代上述方法。
机器视觉技术主要包括特征提取,特征向量表征和分类。现有技术中,
主要包括如下的技术进行煤岩识别:
1、煤岩特征提取阶段包括基于小波变换识别方法提取煤岩图像特征,(CN104732239A、CN102930253A);利用字典学习提取煤岩图像特征,(CN106845560B);基于扩展局部二值模式和回归分析提取特征,(CN107239783B);利用本质相似性提取煤岩特征,(CN104778461A)。
2、煤岩表征阶段煤岩的特征向量通过稀疏矩阵构建,(CN105320964B)。
3、煤岩识别算法包括机器学习的支持向量机,(CN108197630A)、随机森林和卷积神经网络分类算法,(CN108596163A)。
在煤岩图像识别技术基础上,提出了图像与多传感器数据融合方法,检测信息丰富,抗干扰能力提升和边界细节增强,具体包括一种基于雷达波-图像复合式煤岩识别的采煤方法,(CN110685687A);一种基于可见光和红外图像融合的煤岩识别装置及方法,(CN108711146A)。
以上技术在煤岩识别方向取得了突破,但是仍有可以优化的空间。现有图像处理技术的相关专利的技术路线主要是通过提升煤样鲁棒性表示和岩石鲁棒性表示,改进分类算法实现对未知标签的样品分类,将煤岩识别转化成一个二分类问题(CN106845560B,CN107239783B)。训练集中一幅图像的标签仅有0(岩石)或1(煤),最终输出结果也只能为煤或岩石其中的一种情况。在实际生产中,煤岩共存是常态,这与上述煤岩分割方法的训练集数据不是同分布,所以识别准确率和识别结果置信度有提升空间。煤与岩检测应该是实例分割问题,即实现视场中多个煤层(或煤块)、岩石层(或岩块)的识别,并且完成煤岩边界绘制。
其次,现有融合识别技术通过特征分析提取边界特征点,利用曲线拟合算法构建边界曲线模型,特征点选取缺少交叉验证存在随机误差,因此图像融合技术仍有提升空间。
发明内容
为解决上述技术问题,本发明提供了一种基于多模态融合的煤岩分割方法。
本发明提供了一种基于多模态融合的煤岩分割方法,包括:
采集多幅煤岩样本图像,图像尺寸设置为m×m×1,对应5类标签:煤、Fe2O3、Al2O3、SiO2和未知类;通过中红外光谱仪采集多幅煤岩样本图像对应的时域响应图谱,选取符合条件的响应点,利用二维高斯分布三次重采样,再配合双线性插值尺寸分别为 (m-180)×(m-180)×1的响应图,保证融合时与相应特征图像的尺寸一致;
对任意一幅煤岩样本图像进行有效卷积,卷积核3×3×64,步长为1,输出特征图为(m-2)×(m-2)×64;再进行一次有效卷积,卷积核3×3×64,步长为1,输出特征图为(m-4)×(m-4)×64;然后进行核为2×2最大池化下采样,输出特征图为
对特征图(m-4)×(m-4)×64进行裁剪,使其与特征图(m-180)×(m-180)×64有相同尺寸,再进行通道数堆叠,输出特征图为(m-180)×(m-180)×128;
将输出的(m-180)×(m-180)×129特征图,进行两次卷积核为3×3×64、步长为1的有效卷积,输出特征图分别为(m-182)×(m-182)×64和(m-184)×(m-184)×64;对特征图(m-184)×(m-184)×64进行卷积核为1×1×5、步长为1的同维卷积,输出特征图为(m-184)×(m-184)×5;
特征图(m-184)×(m-184)×5,对任意像素k进行softmax操作,表示softmax后的概率值,c表示某一类别,像素k的分割类别取该像素在煤,Fe2O3,Al2O3,SiO2和未知类5个类别的最大值,预测输出(m-184)×(m-184)×1;像素k的可见光图像真值、中红外响应最高值均用Tk *表示,损失函数:
其中,对构建的神经网络模型进行优化的步骤包括:
将衡量图像分割效果的评价指标IOU直接作为优化目标,使用含边界权值的Lovasz-Softmax损失函数;令煤的标签用C表示,Lc为煤的分割结果与可见光标签或中红外响应不匹配的部分,其中表示分割结果,真值均用T*表示,Lc错误分割集表示为
煤的Jaccard相似系数表示ΔJc作为优化目标函数,ΔJc是Δ:{0,1}p→R的子模函数,即当A,B∈{0,1}p时,ΔA+ΔB≥Δ(AUB)+Δ(A∩B);为求解损失函数ΔJc最小值,使用Lovasz扩展对ΔJc子模函数进行光滑延拓,形成一个分段线性凸函数gk(l)为的梯度;
通过损失函数保证煤岩分割准确率提升。
其中,在通过中红外光谱仪采集多幅煤岩样本图像对应的时域响应图谱,选取符合条件的响应点,利用二维高斯分布三次重采样的步骤中,包括步骤:
分别对Fe2O3、Al2O3和SiO2的响应值进行排序,按大小顺序选取三种响应的前N个值及其可见光图像映射位置,如若不足N个按顺序补齐;
对已选取的高响应点在规定偏移距离H范围内进行偏移,构建高响应点(i,j)关于Fe2O3,Al2O3,和SiO2的参数为μ1,μ2,ρ,σ1,σ2二维高斯分布G(x,y);
像素(i,j)的中红外响应输出数值为 且时,像素(i,j)不属于Fe2O3,Al2O3,SiO2,也不表示煤,属于未知类型;其中,像素(i,j)的类别通过图像分割技术获得;高斯重采样后的中红外响应光谱大小m×m,矩阵各个元素转化行向量形式G={g11,g12,…g1m,g21,…gmm},重新采样的中红外响应图谱尺寸可以通过双线性插值进行调整,以满足匹配尺寸。
其中,在Lovasz-Softmax损失函数基础上增加边界权值的步骤中,包括步骤:
计算所有可见光像素与煤的真实框中心点的距离Uβ(β=1,2,…,n),该像素属于距离最近u=minU的真实框β,设第β个真实框的斜边长为1≥ipq≥0.93时加大像素权重,侧重改变像素在损失函数中的权值;
通过中红外光谱信息分析,gij<0.13时中红外光谱对应位置加大权重,侧重改变煤层区域整体权值。
其中,在将图像尺寸设置为m×m×1的步骤中,包括:
对不同尺寸煤岩样本图像边缘进行镜像填充的步骤,保证输入尺寸的一致性。
区别于现有技术,本发明的基于多模态融合的煤岩分割方法,以煤岩图像识别为主干进行多传感器模式融合,符合采煤机滚筒高度调节的实际需求,明确煤岩边界,有效避免切割岩层;使用中红外光谱仪与图像传感器进行模式融合,通过成像仪捕捉物体反射的光子能量,不同的光强形成中红外光谱,不同物体的光谱数据在不同波数范围的透过率响应不同,通过中红外光谱的透过率分析实现不同物质检测。如若煤岩视觉特征近似时,经过特征金字塔的多尺度特征融合,再结合中红外光谱响应图谱进行补偿,提升分割算法对煤和其他目标边界的刻画能力。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于多模态融合的煤岩分割方法的流程示意图。
图2是本发明提供的一种基于多模态融合的煤岩分割方法的多模态融合的煤岩分割网络结构示意图。
图3是本发明提供的一种基于多模态融合的煤岩分割方法中红外光谱透过率曲线图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
参阅图1和图2,本发明提供了一种基于多模态融合的煤岩分割方法,包括:
采集多幅煤岩样本图像,图像尺寸设置为m×m×1,对应5类标签:煤、Fe2O3、Al2O3、SiO2和未知类;通过中红外光谱仪采集多幅煤岩样本图像对应的时域响应图谱,选取符合条件的响应点,利用二维高斯分布三次重采样,再配合双线性插值尺寸分别为 (m-180)×(m-180)×1的响应图,保证融合时与相应特征图像的尺寸一致;
在将图像尺寸设置为m×m×1时,对煤岩样本图像边缘和对应的煤岩中红外时域光谱进行镜像填充。
当可见光图像填充后,煤岩中红外时域光谱也进行对应的镜像填充,同时配合双线性差值,保证融合尺寸匹配。中红外响应图谱有利于煤碳位置的更精准定位。Fe2O3,Al2O3和SiO2的中红外图谱信息能丰富图像分割技术的上下文信息,为分割提供先验信息。例如Fe2O3,Al2O3和SiO2中的某一物质在中红外图谱某处的响应为1或者局部区域的响应最高值,映射到可见光图像对应位置像素,该像素的8邻域位置出现煤炭的概率为0。
中红外光谱仪采集的响应图谱较为稀疏且数据样本相对较少,在后续特征提取和训练时效果不佳。确定中红外光谱的局部最高响应点位置并映射到可见光图像,基于可见光图像煤的真实框标签和像素的点级标签,保证红外光谱的局部最高响应值不变在目标框内以高斯分布重采样,使响应光谱具有平移不变性。具体操作:1、分别对Fe2O3,Al2O3和SiO2的响应值进行排序,按大小顺序选取三种响应的前N个值及其可见光图像映射位置,如若不足N个按顺序补齐;2、对已选取的高响应点在规定偏移距离H范围内进行偏移,构建高响应点(i,j)关于Fe2O3,Al2O3,和SiO2的参数为μ1,μ2,ρ,σ1,σ2二维高斯分布G(x,y)。
像素(i,j)的中红外响应输出数值为 且时,像素(i,j)不属于Fe2O3,Al2O3,SiO2,也不表示煤,属于未知类型避免训练过拟合,像素(i,j)的类别通过图像分割技术获得。高斯重采样后的中红外响应光谱大小m×m,矩阵各个元素转化行向量形式G={g11,g12,…g1m,g21,…gmm},重新采样的中红外响应图谱尺寸可以通过双线性插值进行调整,以满足匹配尺寸。
对任意一幅煤岩样本图像进行有效卷积,卷积核3×3×64,步长为1,输出特征图为(m-2)×(m-2)×64;再进行一次有效卷积,卷积核3×3×64,步长为1,输出特征图为(m-4)×(m-4)×64;然后进行核为2×2最大池化下采样,输出特征图为
对特征图(m-4)×(m-4)×64进行裁剪,使其与特征图(m-180)×(m-180)×64有相同尺寸,再进行通道数堆叠,输出特征图为(m-180)×(m-180)×128;
将输出的(m-180)×(m-180)×129特征图,进行两次卷积核为3×3×64、步长为1的有效卷积,输出特征图分别为(m-182)×(m-182)×64和(m-184)×(m-184)×64;对特征图(m-184)×(m-184)×64进行卷积核为1×1×5、步长为1的同维卷积,输出特征图为(m-184)×(m-184)×5;
特征图(m-184)×(m-184)×5,对任意像素k进行softmax操作,表示softmax后的概率值,c表示某一类别,像素k的分割类别取该像素在煤,Fe2O3,Al2O3,SiO2和未知类5个类别的最大值,预测输出(m-184)×(m-184)×1;像素k的可见光图像真值、中红外响应最高值均用Tk *表示,损失函数:
其中,对构建的神经网络模型进行优化的步骤包括:
将衡量图像分割效果的评价指标IOU直接作为优化目标,使用含边界权值的Lovasz-Softmax损失函数;令煤的标签用C表示,Lc为煤的分割结果与可见光标签或中红外响应不匹配的部分,其中表示分割结果,真值均用T*表示,Lc错误分割集表示为
煤的Jaccard相似系数表示ΔJc作为优化目标函数,ΔJc是Δ:{0,1}p→R的子模函数,即当A,B∈{0,1}p时,ΔA+ΔB≥Δ(A∪B)+Δ(A∩B);为求解损失函数ΔJc最小值,使用Lovasz扩展对ΔJc子模函数进行光滑延拓,形成一个分段线性凸函数gk(l)为的梯度;
通过损失函数保证煤岩分割准确率提升。
其中,在Lovasz-Softmax损失函数基础上增加边界权值的步骤中,包括步骤:
计算所有可见光像素与煤的真实框中心点的距离Uβ(β=1,2,…,n),该像素属于距离最近u=minU的真实框β,设第β个真实框的斜边长为1≥ipq≥0.93时加大像素权重,侧重改变像素在损失函数中的权值;
通过中红外光谱信息分析,gij<0.13时中红外光谱对应位置加大权重,侧重改变煤层区域整体权值。
其中,在采集多幅煤岩样本图像,图像尺寸设置为m×m×1,对应5类标签的步骤之后,还包括数据增强的步骤,通过对煤岩样本图像和和中红外光谱仪采集的对应时域响应图谱进行几何变换、平移和旋转操作,实现数据增强。
岩石成分包括Fe2O3,Al2O3和SiO2等化合物,三种化合物的红外光谱透过率曲线如图3所示。其中SiO2的含量较大,以它响应范围调节中红外成像仪的参数。透过率越低红外光谱响应程度越大相应物质容易被捕捉,中红外波数为447±3cm-1时,三种物质透过率总和最小且具有区分度,SiO2透过率约为23.6%,Fe2O3透过率约34%,Al2O3透过率约57.7%。根据透过率不同形成的响应差异作为图像的灰度差异,进而转换成伪彩色图像,通过颜色差异可视化不同物质。同时,使用透过率作为数据集的像素标签,标记方式不是0,1构成的行向量,通过矩阵标记对应区域的中红外光谱响应程度。最终输出结果包括识别与分割,识别结果不是煤或岩石的单目标情况,而是煤和岩多个实例的识别置信度;分割不再通过关键特征点拟合边界曲线,而是以像素为单位的精确边界分割。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (5)
1.一种基于多模态融合的煤岩分割方法,其特征在于,包括:
采集多幅煤岩样本图像,图像尺寸设置为m×m×1,对应5类标签:煤、Fe2O3、Al2O3、SiO2和未知类;通过中红外光谱仪采集多幅煤岩样本图像对应的时域响应图谱,选取符合条件的响应点,利用二维高斯分布三次重采样,再配合双线性插值尺寸分别为 (m-180)×(m-180)×1的响应图,保证融合时与相应特征图像的尺寸一致;
对任意一幅煤岩样本图像进行有效卷积,卷积核3×3×64,步长为1,输出特征图为(m-2)×(m-2)×64;再进行一次有效卷积,卷积核3×3×64,步长为1,输出特征图为(m-4)×(m-4)×64;然后进行核为2×2最大池化下采样,输出特征图为
对特征图(m-4)×(m-4)×64进行裁剪,使其与特征图(m-180)×(m-180)×64有相同尺寸,再进行通道数堆叠,输出特征图为(m-180)×(m-180)×128;
将输出的(m-180)×(m-180)×129特征图,进行两次卷积核为3×3×64、步长为1的有效卷积,输出特征图分别为(m-182)×(m-182)×64和(m-184)×(m-184)×64;对特征图(m-184)×(m-184)×64进行卷积核为1×1×5、步长为1的同维卷积,输出特征图为(m-184)×(m-184)×5;
2.根据权利要求1所述的基于多模态融合的煤岩分割方法,其特征在于,对构建的神经网络模型进行优化的步骤包括:
将衡量图像分割效果的评价指标IOU直接作为优化目标,使用含边界权值的Lovasz-Softmax损失函数;令煤的标签用C表示,Lc为煤的分割结果与可见光标签或中红外响应不匹配的部分,其中表示分割结果,真值均用T*表示,Lc错误分割集表示为
煤的Jaccard相似系数表示ΔJc作为优化目标函数,ΔJc是Δ:{0,1}p→R的子模函数,对于子模函数而言当A,B∈{0,1}p时,ΔA+ΔB≥Δ(A∪B)+Δ(A∩B);为求解损失函数ΔJc最小值,使用Lovasz扩展对ΔJc子模函数进行光滑延拓,形成一个分段线性凸函数gk(l)为的梯度;
通过损失函数保证煤岩分割准确率提升。
3.根据权利要求1所述的基于多模态融合的煤岩分割方法,其特征在于,在通过中红外光谱仪采集多幅煤岩样本图像对应的时域响应图谱,选取符合条件的响应点,利用二维高斯分布三次重采样的步骤中,包括步骤:
分别对Fe2O3、Al2O3和SiO2的响应值进行排序,按大小顺序选取三种响应的前N个值及其可见光图像映射位置,如若不足N个按顺序补齐;
对已选取的高响应点在规定偏移距离H范围内进行偏移,构建高响应点(i,j)关于Fe2O3,Al2O3,和SiO2的参数为μ1,μ2,ρ,σ1,σ2二维高斯分布G(x,y);
5.根据权利要求1所述的基于多模态融合的煤岩分割方法,其特征在于,在将图像尺寸设置为m×m×1的步骤中,包括:
对不同尺寸煤岩样本图像边缘进行镜像填充的步骤,保证输入尺寸的一致性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609417.XA CN113159038B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多模态融合的煤岩分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609417.XA CN113159038B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多模态融合的煤岩分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159038A CN113159038A (zh) | 2021-07-23 |
CN113159038B true CN113159038B (zh) | 2022-05-27 |
Family
ID=76878098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609417.XA Active CN113159038B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多模态融合的煤岩分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159038B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805874A (zh) * | 2018-06-11 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 一种基于卷积神经网络的多光谱图像语义切割方法 |
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 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062756B (zh) * | 2018-01-29 | 2020-04-14 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN109461157B (zh) * | 2018-10-19 | 2021-07-09 | 苏州大学 | 基于多级特征融合及高斯条件随机场的图像语义分割方法 |
US11600006B2 (en) * | 2018-10-26 | 2023-03-07 | Here Global B.V. | Deep neural network architecture for image segmentation |
WO2020125806A1 (en) * | 2018-12-17 | 2020-06-25 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image segmentation |
CN109712150A (zh) * | 2018-12-26 | 2019-05-03 | 航天恒星科技有限公司 | 基于稀疏表示的光学微波图像融合重建方法和装置 |
WO2020167314A1 (en) * | 2019-02-15 | 2020-08-20 | Google Llc | Detection of projected infrared patterns using difference of gaussian and blob identification |
CN110245635B (zh) * | 2019-06-20 | 2023-08-04 | 安徽理工大学 | 一种煤和矸石的红外图像识别方法 |
CN111389763A (zh) * | 2020-04-26 | 2020-07-10 | 山西科泰自动化科技有限公司 | 一种基于图像数据处理的煤矸石分选系统和方法 |
CN111582280B (zh) * | 2020-05-11 | 2023-10-17 | 吉林省森祥科技有限公司 | 一种面向多光谱救援机器人的数据深层融合图像分割方法 |
-
2020
- 2020-12-30 CN CN202011609417.XA patent/CN113159038B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805874A (zh) * | 2018-06-11 | 2018-11-13 | 中国电子科技集团公司第三研究所 | 一种基于卷积神经网络的多光谱图像语义切割方法 |
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 |
CN111127493A (zh) * | 2019-11-12 | 2020-05-08 | 中国矿业大学 | 基于注意力多尺度特征融合的遥感图像语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113159038A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378196B (zh) | 一种结合激光点云数据的道路视觉检测方法 | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN111259828B (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
Toivanen et al. | Edge detection in multispectral images using the self-organizing map | |
CN107145830A (zh) | 基于空间信息增强和深度信念网络的高光谱图像分类方法 | |
CN111126127B (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
CN110728197B (zh) | 基于深度学习的单木级树种识别方法 | |
WO2020062360A1 (zh) | 一种图像融合分类的方法及装置 | |
CN112434745A (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
CN108182449A (zh) | 一种高光谱图像分类方法 | |
CN112200121A (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN109829507B (zh) | 航拍高压输电线路环境检测方法 | |
CN114581773A (zh) | 基于图卷积网络的多模态遥感数据分类方法 | |
CN111401380A (zh) | 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法 | |
CN113673556A (zh) | 一种基于多尺度密集卷积网络的高光谱图像分类方法 | |
CN114842264A (zh) | 一种基于多尺度空谱特征联合学习的高光谱图像分类方法 | |
Lone et al. | Object detection in hyperspectral images | |
CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
Wu et al. | Improved mask R-CNN-based cloud masking method for remote sensing images | |
CN111222576B (zh) | 一种高分辨率遥感图像分类方法 | |
CN113159038B (zh) | 一种基于多模态融合的煤岩分割方法 | |
CN116310459B (zh) | 基于多视图空谱联合的高光谱图像子空间聚类方法 | |
CN116664954A (zh) | 基于图卷积与卷积融合的高光谱地物分类方法 | |
CN111368776A (zh) | 一种基于深度集成学习的高分辨率遥感图像分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |