CN113298042A - 遥感影像数据的处理方法及装置、存储介质、计算机设备 - Google Patents
遥感影像数据的处理方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN113298042A CN113298042A CN202110694111.7A CN202110694111A CN113298042A CN 113298042 A CN113298042 A CN 113298042A CN 202110694111 A CN202110694111 A CN 202110694111A CN 113298042 A CN113298042 A CN 113298042A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image data
- sensing image
- deep learning
- learning model
- 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 97
- 230000011218 segmentation Effects 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 29
- 238000013507 mapping Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遥感影像数据的处理方法及装置、存储介质、计算机设备，涉及图像处理技术领域，主要目的在于解决现有遥感影像的标记准确性差的问题。包括：确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像，按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据。
Description
技术领域
本发明涉及一种图像处理技术领域，特别是涉及一种遥感影像数据的处理方法及装置、存储介质、计算机设备。
背景技术
遥感影像(RS，Remote Sensing Image)是指记录各种地物电磁波大小的胶片或照片，包括航空像片和卫星相片。在将遥感影像作为处理标的进行勘查处理的过程中，需要将遥感影像的图像数据作为样本数据进行标签，以实现智能的遥感影像识别。其中，在将遥感影像作为样本数据进行训练之前，需要进行标签处理，从而明确不同分类的样本，进行训练。
目前，现有由于遥感影像图像的数量较少，不适合利用大数据标签方式进行标签标注，因此，对遥感影像图像数据进行标签均是通过人为标记的。但是，就算遥感影像图像数据量小，人为标记仍会浪费人力资源，且容易存在标记错误的情况，造成识别精确性较低，使得大大降低遥感影像的标记准确性。
发明内容
有鉴于此，本发明提供一种遥感影像数据的处理方法及装置、存储介质、计算机设备，主要目的在于解决现有遥感影像的标记准确性差的问题。
依据本发明一个方面，提供了一种遥感影像数据的处理方法，包括：
确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；
启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像；
按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；
基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的。
进一步地，所述确定待标记的标签特征之前，所述方法还包括：
加载已完成训练的图像语义分割深度学习模型确定为待改进的图像语分割深度学习模型，其中，已完成训练的图像语义分割深度学习模型为基于服务端中采集与所述遥感影像数据具有关联关系的样本数据集进行训练得到的；
将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练。
进一步地，所述将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练包括：
将超阈值参数引入所述图像语分割深度学习模型的概率分布中；
基于引入所述超阈值参数的概率分布更新损失函数，并基于更新后的损失函数确定所述图像语分割深度学习模型的预测概率分布，以完成所述图像语分割深度学习模型的模型训练。
进一步地，所述将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练之前，所述方法还包括：
根据所述遥感影像数据的像素特征以及预设超阈值映射关系确定待引入的超阈值参数，所述预设超阈值映射关系用于表征不同像素特征与不同超阈值参数之间的对应关系，所述像素特征包括像素大小、像素分辨率、像素颜色参数中至少一个。
进一步地，所述根据所述标签特征解析预设巡航路线中的地理范围目标包括：
调取预设巡航路线中的地理信息，并根据所述地理信息判断所述标签特征的存在可能性参数是否大于预设可能性参数阈值，所述存在可能性参数用于表示采集所述地理范围目标内的遥感影像数据中存在所述标签特征的可能性大小值；
若所述存在可能性参数大于所述预设可能性参数阈值，则确定所述地理信息为地理范围目标。
进一步地，所述方法还包括：
结合已标记的所述遥感影像数据、以及不同分类标签之间的组合关系对所述图像语义分割深度学习模型进行更新处理，所述组合关系为根据不同分类标签的类别个数的奇数、偶数关系进行组合处理的映射内容。
进一步地，其特征在于，所述根据所述标记特征对分类处理得到的遥感影像数据进行标记之后，所述方法还包括：
获取已标记的所述遥感影像数据，并按照标签分类优选算法确定作为识别训练样本的数据组，以根据不同的数据组对已标记的所述遥感影像数据进行迭代识别，所述标签分类优选算法用于选取不同个数的已标记的所述遥感影像数据作为每一次迭代识别的数据组。
依据本发明另一个方面，提供了一种遥感影像数据的处理装置，包括：
确定模块，用于确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；
采集模块，用于启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像；
筛选模块，用于按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；
标记模块，用于基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的。
进一步地，所述装置还包括：加载模块，
加载模块，用于加载已完成训练的图像语义分割深度学习模型确定为待改进的图像语分割深度学习模型，其中，已完成训练的图像语义分割深度学习模型为基于服务端中采集与所述遥感影像数据具有关联关系的样本数据集进行训练得到的；
所述处理模块，还用于将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练。
进一步地，所述处理模块包括：
引入单元，用于将超阈值参数引入所述图像语分割深度学习模型的概率分布中；
确定单元，用于基于引入所述超阈值参数的概率分布更新损失函数，并基于更新后的损失函数确定所述图像语分割深度学习模型的预测概率分布，以完成所述图像语分割深度学习模型的模型训练。
进一步地，所述确定模块，还用于根据所述遥感影像数据的像素特征以及预设超阈值映射关系确定待引入的超阈值参数，所述预设超阈值映射关系用于表征不同像素特征与不同超阈值参数之间的对应关系，所述像素特征包括像素大小、像素分辨率、像素颜色参数中至少一个。
进一步地，所述确定模块包括：
判断单元，用于调取预设巡航路线中的地理信息，并根据所述地理信息判断所述标签特征的存在可能性参数是否大于预设可能性参数阈值，所述存在可能性参数用于表示采集所述地理范围目标内的遥感影像数据中存在所述标签特征的可能性大小值；
确定单元，用于若所述存在可能性参数大于所述预设可能性参数阈值，则确定所述地理信息为地理范围目标。
进一步地，所述装置还包括：
更新模块，用于结合已标记的所述遥感影像数据、以及不同分类标签之间的组合关系对所述图像语义分割深度学习模型进行更新处理，所述组合关系为根据不同分类标签的类别个数的奇数、偶数关系进行组合处理的映射内容。
进一步地，所述确定模块，还用于获取已标记的所述遥感影像数据，并按照标签分类优选算法确定作为识别训练样本的数据组，以根据不同的数据组对已标记的所述遥感影像数据进行迭代识别，所述标签分类优选算法用于选取不同个数的已标记的所述遥感影像数据作为每一次迭代识别的数据组。
根据本发明的又一方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述遥感影像数据的处理方法对应的操作。
根据本发明的再一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述遥感影像数据的处理方法对应的操作。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了一种遥感影像数据的处理方法及装置、存储介质、计算机设备，与现有技术相比，本发明实施例通过确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像，按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的，大大减少人力物力资源，降低标记的错误率，提高对遥感影像数据的标准准确性，从而提高对遥感影像数据的识别精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种遥感影像数据的处理方法流程图；
图2示出了本发明实施例提供的一种遥感影像数据的处理装置组成框图；
图3示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种遥感影像数据的处理方法，如图1所示，该方法包括：
101、确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标。
本发明实施例中，为了实现对遥感影像数据的准确标记，使得遥感影像数据基于不同的业务识别需求标签明确化，可以根据用户录入需要进行当前执行端进行自动标记的标签特征，作为待标记的标签特征。其中，标记特征为用于限定遥感影像数据中需要进行标记图像目标的特征，包括但不限于山、河流、盆地、建筑物等，本发明实施例不做具体限定。另外，本发明实施例中，为了准确采集到需要进行标记的遥感影像数据，根基确定的标签特征解析在巡航路线上的地理范围目标，以将地理范围目标作为遥感影像数据的采集对象。具体的，预先建立巡航路线，即需要建立进行遥感影像数据采集的无人机自主飞行的巡航路线，以基于标签特征解析巡航路线上的地理范围目标。其中，预设巡航路线为技术人员基于需要进行采集遥感影像数据的大致范围内进行规划的飞行路线，在预设巡航路线上，按照确定的标签特征解析预设巡航路线上的地理范围目标，即解析出与标签特征匹配的地理范围目标，例如，标签特征为河流，则解析预设巡航路线中的包含有河流的地理范围目标，因此，地理范围目标为包含有与标签特征匹配的地理面貌的地理坐标范围。具体的，在利用标签特征匹配地理范围目标时，可以基于全球导航系统GPS预先定位的地理坐标范围以及世界地图信息等公知地理基础信息中筛选出与标签特征匹配的地理范围目标，如，某山的地理坐标范围为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)，若标签特征为山，则可以解析出某山的地理坐标范围(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)为地理范围目标。
需要说明的是，标签特征为至少一个，因此，所对应的地理范围目标为至少一个，即地理范围目标的个数与标签特征相匹配，本发明实施例不做具体限定。另外，
102、启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像。
对于本发明实施例，当确定预设巡航路线上的地理范围目标后，启动无人机进行巡航，以使无人机巡航至地理范围目标处时，采集遥感影像数据以及地理图像，并进行遥感影像数据的过滤处理。具体的，为了使进行标记的遥感影像数据为适用于深度学习算法的处理样本，提高遥感影像数据的标记准确性，因此，需要结合地理图像以及采集的遥感影像数据的属性特征对遥感影像数据进行过滤处理。其中，地理图像为地理图像为通过经纬度进行描述地面形成状态的图像信息，地理图像预先存储在服务端的图像数据库中，从而在采集到遥感影像数据的同时，采集此地理范围目标所对应的地理图像。
103、按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据。
其中，属性特征包括纹理特征、空间特征、光谱特征，即采集到遥感影像后，需要进行纹理特征、空间特征、光谱特征的解析标记，具体的，通过提取颜色、或灰度、或波段间的亮度比得到光谱特征，提取形状、大小、或者边缘的线性构造等几何性特征得到空间特征，根据纹理分析方法对遥感图像中图案的要素形状、分布密度、方向性等纹理进行提取得到纹理特征。
需要说明的是，在筛选前，由于地理图像为通过经纬度进行描述地面形成状态的图像信息，为了使采集的遥感影像数据更加准确，从而提高对遥感数据进行标记分类的标签优化处理效果，利用地理图像、属性特征对遥感影像进行数据过滤，即过滤掉遥感影像中属于模糊、或重复的内容的遥感影像。具体的，按照属性特征将地理范围目标上同时采集的多个遥感影像数据重叠覆盖在地理图像上，计算每个覆盖后的地理图像的相似度，若相似度在预先设定的相似度范围内，则保留覆盖在地理图像上的一个遥感影像数据，删除其他相似的遥感影像数据，从而完成筛选过滤。其中，相似度的计算方式，可以为图像像素哈希值计算，或者相似度函数计算等，本发明实施例不做具体限定。
104、基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据。
对于本发明实施例，为了适用于小数据量的遥感影像数据的标记分类，通过改进的语义分割深度学习模型对过滤处理后的遥感影像数据进行分类处理，并基于分类处理后的不同分类的遥感影像数据进行标记。其中，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的，即图像语义深度学习模型中加入一个超阈值参数，避免分类标签过于绝对化，抑制模型的过拟合，实现模型优化改进。具体的，超阈值参数为一个接近于0的超参数ε，其中，对图像语义分割深度学习模型中的预测概率分布算式进行优化，即原有概率部分加入超参数ε，原有预测概率分布算式为：
i为采用频次，y为概率值，引入超阈值参数后，预测概率分布算式为：
其中，k为多分类的类别总数，α为概率分布值。
需要说明的是，当基于改进的图像语义分割深度学习模型对遥感影像数据进行分类处理后，可以对一个遥感影像数据处理得到多个分类标签，因此，在进行标记时，可以对一个遥感影像数据进行多个标签特征的标记，实现遥感影像数据的准确标记。标记的过程即为按照分类的标签进行标记，本发明实施例不做具体限定。
在本发明实施例中，为了进一步限定及说明，所述确定待标记的标签特征之前，所述方法还包括：加载已完成训练的图像语义分割深度学习模型确定为待改进的图像语分割深度学习模型，其中，已完成训练的图像语义分割深度学习模型为基于服务端中采集与所述遥感影像数据具有关联关系的样本数据集进行训练得到的；将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练。
为了实现对遥感影像数据的标记优化，减少标记的人为资源消耗，通过完成训练的图像语义分割深度学习模型作为改进的图像语义分割深度学习模型，以实现标签的自动性标记。其中，当前执行端通过向服务端请求加载模型，以得到完成训练的图像语义分割深度学习模型，作为待改进的图像语义分割深度学习模型，即当前执行端中并不对图像语义分割深度学习模型进行训练，仅仅进行模型改进，从而减少当前执行端的数据处理能耗。并且，服务端是根据采集到的与遥感影像数据具有关联关系的样本数据集进行模型训练，得到完成训练的图像语义分割深度学习模型，服务端中存储有大量与遥感影像数据具有关联关系的训练样本集，与遥感影像数据具有关联关系的训练样本数据限定于遥感影像数据采集点处于预设范围的区域、目标的图像数据，例如，遥感影像数据采集的是山区1的影像数据，服务端基于从大数据库中或者通过联网从云端服务器中采集与山区1相邻的山区2、山区3的图像数据作为训练图像语义分割深度学习模型的样本集进行训练，以便当前执行端加载训练好的图像语义分割深度学习模型。
在本发明实施例中，为了进一步限定及说明，所述将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练包括：将超阈值参数引入所述图像语分割深度学习模型的概率分布中；基于引入所述超阈值参数的概率分布更新损失函数，并基于更新后的损失函数确定所述图像语分割深度学习模型的预测概率分布，以完成所述图像语分割深度学习模型的模型训练。
为了实现对遥感影像数据的标记优化，并提高标签标记准确性，将超阈值参数引入加载的图像语分割深度学习模型的概率分布中，并基于此概率分布优化处理损失函数，从而根据优化后的损失函数确定图像语分割深度学习模型的预测概率分布，完成图像语分割深度学习模型的优化处理。其中，概率分布选取为均匀分布，作为待引入的超阈值参数为一个接近于0的超参数ε，首先在原有的概率分布
引入ε，得到
此概率分布服从简单的均匀分布。其次，对于图像语义分割深度学习模型中的损失函数，优选为交叉熵损失函数，并结合引入ε的概率分布进行代入优化，即原有的交叉熵损失函数表示为Loss，则引入ε的交叉熵损失函数表示为
最后，基于引入ε的预测概率分布算式为：
结合图像语分割深度学习模型的其他运算部分完成图像语分割深度学习模型的改进，本发明实施例不做具体吸纳的。
在本发明实施例中，为了进一步限定及说明，所述将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练之前，所述方法还包括：根据所述遥感影像数据的像素特征以及预设超阈值映射关系确定待引入的超阈值参数。
为了提高标签标记的优化准确性，实现引入超阈值参数的改进目的，从而提高图像语分割深度学习模型的分类处理准确性，根据遥感影像数据的像素特征、预设超阈值映射关系确定待引入的超阈值参数。其中，预设超阈值映射关系用于表征不同像素特征与不同超阈值参数之间的对应关系，像素特征包括像素大小、像素分辨率、像素颜色参数中至少一个，当前执行端中预先配置超阈值映射关系，超阈值映射关系为不同像素特征与不同超阈值参数之间的对应关系，一般的，像素大小、像素分辨率越大，对应的超阈值参数越大，但仍需确保超阈值参数在0-0.01之间，从而使得超阈值参数发挥抑制过拟合的作用。
需要说明的是，在对遥感影像数据进行采集时，首先对采集的遥感影像数据的像素大小、像素分辨率进行解析，然后根据解析后的像素大小、像素分辨率从预设超阈值映射关系中对应查找出匹配的超阈值参数，以便在通过图像语义分割深度学习模型进行分类标记处理是引入匹配到的超阈值参数。
在本发明实施例中，为了进一步限定及说明，所述根据所述标签特征解析预设巡航路线中的地理范围目标包括：调取预设巡航路线中的地理信息，并根据所述地理信息判断所述标签特征的存在可能性参数是否大于预设可能性参数阈值；若所述存在可能性参数大于所述预设可能性参数阈值，则确定所述地理信息为地理范围目标。
为了实现对地理范围目标的遥感影像的自动采集，以实现无人机巡航过程中采集遥感影像数据的智能性，调取预设巡航路线中的地理信息，并根据地理信息判断标签特征的存在可能性参数是否大于预设可能性参数阈值，以确定地理范围目标。其中，地理信息为预设巡航路线中可以通过GPS定位确定的位置名称，例如，a景区，b山区等，然后根据地理信息计算存在可能性参数，从而与预设阈值进行比较，确定此地理信息是否可以作为标记特征所匹配的地理范围目标。具体的，存在可能性参数用于表示采集此地理范围目标内的遥感影像数据中存在标签特征所对应图像的可能性大小值，计算方式为标签特征面积参数与地理信息中所对应地理面积值之比，标签特征面积参数为根据不同标签特征预先配置的面积参数，例如，河流的面积参数为x，与b山区地理位置的面积值y之比为x/y，并预先根据遥感影像数据中标签特征存在于地理信息中的经验面积配置预设可能性参数阈值，以进行地理范围目标的确定，存在可能性参数的数值范围在0-1之间，本发明实施例不做具体限定。
在本发明实施例中，为了进一步限定及说明，所述方法还包括：结合已标记的所述遥感影像数据、以及不同分类标签之间的组合关系对所述图像语义分割深度学习模型进行更新处理。
为了提高图像语义分割深度学习模型的标记分类准确性，从而提高遥感影像数据识别的准确性，以优化所述图像语义分割深度学习模型的处理精度，结合已标记的遥感影像数据、不同分类标签之间的组合关系对图像语义分割深度学习模型进行更新处理。其中，所述组合关系为根据不同分类标签的类别个数的奇数、偶数关系进行组合处理的映射内容，即若分类标签的类别个数为奇数，则任意获取3个分类标记的遥感影像数据作为训练样本数据在当前执行端中进行一次更新训练；若分类标签的类别个数为偶数，则任意获取2个分类标记的遥感影像数据作为训练样本数据在当前执行端中进行一次更新训练，从而优化图像语义分割深度学习模型的预测准确性。
在本发明实施例中，为了进一步限定及说明，所述根据所述标记特征对分类处理得到的遥感影像数据进行标记之后，所述方法还包括：获取已标记的所述遥感影像数据，并按照标签分类优选算法确定作为识别训练样本的数据组，以根据不同的数据组对已标记的所述遥感影像数据进行迭代识别，所述标签分类优选算法用于选取不同个数的已标记的所述遥感影像数据作为每一次迭代识别的数据组。
为了使标识不同标签的遥感影像数据在进行遥感影像处理的训练样本中，优化作为样本训练的训练精度，按照标签分类优选算法选取出不同个数的数据组作为每一次训练的样本数据。例如，分类标记标签的遥感影像数据包括5个标记分类，分别为a、b、c、d、e，基于标记分类优选算法可以得到3个数据组，即{a、b、c}，{b、c、d}，{c、d、e}，其中，每组中被分类标记的遥感影像数据为随机选取，仅仅是指基于标记分类优选算法确定5个标记中如何以最优的样本训练方式进行组合训练，即选取最优的组合来进行模型迭代，训练得到精度较高的遥感影像处理模型。其中，识别训练样本的数据组用于作为遥感影像识别模型的样本数据集，以基于标签后的遥感影像数据进行识别，遥感影像识别模型包括但不限于神经网络模型、支持向量机模型等，本发明实施例不做具体限定。本发明实施例中，标签分类优选算法为
Q为标签分类优选数据组个数，M为标记分类个数，N为1分钟内采集遥感影像数据的采样个数，N∈(1，5)，M∈(5，10)。
本发明实施例提供了一种遥感影像数据的处理方法，与现有技术相比，本发明实施例通过确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像，按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的，大大减少人力物力资源，降低标记的错误率，提高对遥感影像数据的标准准确性，从而提高对遥感影像数据的识别精度。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种遥感影像数据的处理装置，如图2所示，该装置包括：
确定模块21，用于确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；
采集模块22，用于启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像；
筛选模块23，用于按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；
标记模块24，用于基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的。
进一步地，所述装置还包括：加载模块，
加载模块，用于加载已完成训练的图像语义分割深度学习模型确定为待改进的图像语分割深度学习模型，其中，已完成训练的图像语义分割深度学习模型为基于服务端中采集与所述遥感影像数据具有关联关系的样本数据集进行训练得到的；
所述处理模块，还用于将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练。
进一步地，所述处理模块包括：
引入单元，用于将超阈值参数引入所述图像语分割深度学习模型的概率分布中，所述概率分布为均匀分布；
确定单元，用于基于引入所述超阈值参数的概率分布更新损失函数，并基于更新后的损失函数确定所述图像语分割深度学习模型的预测概率分布，以完成所述图像语分割深度学习模型的模型训练。
进一步地，所述确定模块，还用于根据所述遥感影像数据的像素特征以及预设超阈值映射关系确定待引入的超阈值参数，所述预设超阈值映射关系用于表征不同像素特征与不同超阈值参数之间的对应关系，所述像素特征包括像素大小、像素分辨率、像素颜色参数中至少一个。
进一步地，所述确定模块包括：
判断单元，用于调取预设巡航路线中的地理信息，并根据所述地理信息判断所述标签特征的存在可能性参数是否大于预设可能性参数阈值，所述存在可能性参数用于表示采集所述地理范围目标内的遥感影像数据中存在所述标签特征的可能性大小值；
确定单元，用于若所述存在可能性参数大于所述预设可能性参数阈值，则确定所述地理信息为地理范围目标。
进一步地，所述装置还包括：
更新模块，用于结合已标记的所述遥感影像数据、以及不同分类标签之间的组合关系对所述图像语义分割深度学习模型进行更新处理，以优化所述图像语义分割深度学习模型的处理精度，所述组合关系为根据不同分类标签的类别个数的奇数、偶数关系进行组合处理的映射内容。
进一步地，所述确定模块，还用于获取已标记的所述遥感影像数据，并按照标签分类优选算法确定作为识别训练样本的数据组，所述标签分类优选算法用于选取不同个数的已标记的所述遥感影像数据作为每一次迭代识别的数据组。
本发明实施例提供了一种遥感影像数据的处理装置，与现有技术相比，本发明实施例通过确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像，按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的，大大减少人力物力资源，降低标记的错误率，提高对遥感影像数据的标准准确性，从而提高对遥感影像数据的识别精度。
根据本发明一个实施例提供了一种存储介质，所述存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的遥感影像数据的处理方法。
图3示出了根据本发明一个实施例提供的一种计算机设备的结构示意图，本发明具体实施例并不对计算机设备的具体实现做限定。
如图3所示，该计算机设备可以包括：处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中：处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器302，用于执行程序310，具体可以执行上述遥感影像数据的处理方法实施例中的相关步骤。
具体地，程序310可以包括程序代码，该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器306，用于存放程序310。存储器306可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行以下操作：
确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；
启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像；
按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；
基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种遥感影像数据的处理方法，其特征在于，包括：
确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；
启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像；
按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；
基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述确定待标记的标签特征之前，所述方法还包括：
加载已完成训练的图像语义分割深度学习模型确定为待改进的图像语分割深度学习模型，其中，已完成训练的图像语义分割深度学习模型为基于服务端中采集与所述遥感影像数据具有关联关系的样本数据集进行训练得到的；
将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练。
3.根据权利要求2所述的方法，其特征在于，所述将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练包括：
将超阈值参数引入所述图像语分割深度学习模型的概率分布中；
基于引入所述超阈值参数的概率分布更新损失函数，并基于更新后的损失函数确定所述图像语分割深度学习模型的预测概率分布，以完成所述图像语分割深度学习模型的模型训练。
4.根据权利要求2所述的方法，其特征在于，所述将已确定的超阈值参数引入所述待改进的图像语分割深度学习模型进行模型训练之前，所述方法还包括：
根据所述遥感影像数据的像素特征以及预设超阈值映射关系确定待引入的超阈值参数，所述预设超阈值映射关系用于表征不同像素特征与不同超阈值参数之间的对应关系，所述像素特征包括像素大小、像素分辨率、像素颜色参数中至少一个。
5.根据权利要求1所述的方法，其特征在于，所述根据所述标签特征解析预设巡航路线中的地理范围目标包括：
调取预设巡航路线中的地理信息，并根据所述地理信息判断所述标签特征的存在可能性参数是否大于预设可能性参数阈值，所述存在可能性参数用于表示采集所述地理范围目标内的遥感影像数据中存在所述标签特征的可能性大小值；
若所述存在可能性参数大于所述预设可能性参数阈值，则确定所述地理信息为地理范围目标。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
结合已标记的所述遥感影像数据、以及不同分类标签之间的组合关系对所述图像语义分割深度学习模型进行更新处理，所述组合关系为根据不同分类标签的类别个数的奇数、偶数关系进行组合处理的映射内容。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述标记特征对分类处理得到的遥感影像数据进行标记之后，所述方法还包括：
获取已标记的所述遥感影像数据，并按照标签分类优选算法确定作为识别训练样本的数据组，以根据不同的数据组对已标记的所述遥感影像数据进行迭代识别，所述标签分类优选算法用于选取不同个数的已标记的所述遥感影像数据作为每一次迭代识别的数据组。
8.一种遥感影像数据的处理装置，其特征在于，包括：
确定模块，用于确定待标记的标签特征，并根据所述标签特征解析预设巡航路线中的地理范围目标；
采集模块，用于启动无人机巡航至所述地理范围目标处时，采集遥感影像数据以及地理图像；
筛选模块，用于按照所述遥感影像数据的属性特征将所述遥感影像数据覆盖处理至所述地理图像上，并根据覆盖处理后的所述地理图像的相似度筛选所述遥感影像数据；
标记模块，用于基于改进的图像语义分割深度学习模型对筛选后的遥感影像数据进行分类处理，并根据所述标记特征对分类处理得到的遥感影像数据进行标记，得到匹配所述标签特征的遥感影像数据，所述图像语义分割深度学习模型为基于引入超阈值参数进行模型训练得到的。
9.一种存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的遥感影像数据的处理方法对应的操作。
10.一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的遥感影像数据的处理方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694111.7A CN113298042B (zh) | 2021-06-22 | 2021-06-22 | 遥感影像数据的处理方法及装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110694111.7A CN113298042B (zh) | 2021-06-22 | 2021-06-22 | 遥感影像数据的处理方法及装置、存储介质、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113298042A true CN113298042A (zh) | 2021-08-24 |
| CN113298042B CN113298042B (zh) | 2024-02-02 |
Family
ID=77329135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110694111.7A Active CN113298042B (zh) | 2021-06-22 | 2021-06-22 | 遥感影像数据的处理方法及装置、存储介质、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298042B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505139A (zh) * | 2021-09-10 | 2021-10-15 | 成都国星宇航科技有限公司 | 基于单服务的遥感影像自动化更新及历史回溯方法及装置 |
| CN115984084A (zh) * | 2022-12-19 | 2023-04-18 | 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)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130077891A1 (en) * | 2011-09-26 | 2013-03-28 | Northrop Grumman Systems Corporation | Automated Image Registration With Varied Amounts of a Priori Information Using a Minimum Entropy Method |
| CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
| CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
| CN111860204A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于语义分割技术的多时相遥感影像变化检测方法和介质 |
-
2021
- 2021-06-22 CN CN202110694111.7A patent/CN113298042B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130077891A1 (en) * | 2011-09-26 | 2013-03-28 | Northrop Grumman Systems Corporation | Automated Image Registration With Varied Amounts of a Priori Information Using a Minimum Entropy Method |
| CN104484682A (zh) * | 2014-12-31 | 2015-04-01 | 中国科学院遥感与数字地球研究所 | 一种基于主动深度学习的遥感图像分类方法 |
| CN109255334A (zh) * | 2018-09-27 | 2019-01-22 | 中国电子科技集团公司第五十四研究所 | 基于深度学习语义分割网络的遥感影像地物分类方法 |
| CN111860204A (zh) * | 2020-06-29 | 2020-10-30 | 成都数之联科技有限公司 | 基于语义分割技术的多时相遥感影像变化检测方法和介质 |
Non-Patent Citations (2)
| Title |
|---|
| 马国锐 等: "多尺度特征融合的建筑物及损毁语义分割", 测绘工程, no. 04 * |
| 黄冬梅 等: "基于DBNMI模型的海洋遥感影像自动标注方法", 中国科学技术大学学报, no. 07 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505139A (zh) * | 2021-09-10 | 2021-10-15 | 成都国星宇航科技有限公司 | 基于单服务的遥感影像自动化更新及历史回溯方法及装置 |
| CN113505139B (zh) * | 2021-09-10 | 2021-12-07 | 成都国星宇航科技有限公司 | 基于单服务的遥感影像自动化更新及历史回溯方法及装置 |
| CN115984084A (zh) * | 2022-12-19 | 2023-04-18 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113298042B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598241B (zh) | 基于Faster R-CNN的卫星图像海上舰船识别方法 | |
| CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
| CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
| CN108830870A (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
| CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
| CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
| US10685443B2 (en) | Cloud detection using images | |
| CN111931581A (zh) | 一种基于卷积神经网络农业害虫识别方法、终端及可读存储介质 | |
| CN114067118B (zh) | 一种航空摄影测量数据的处理方法 | |
| CN115082790A (zh) | 一种基于连续学习的遥感图像场景分类方法 | |
| CN110096979A (zh) | 模型的构建方法、人群密度估计方法、装置、设备和介质 | |
| Unsalan et al. | Classifying land development in high-resolution satellite imagery using hybrid structural-multispectral features | |
| CN113343858A (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
| CN107463944B (zh) | 一种利用多时相高分辨率sar图像的道路信息提取方法 | |
| CN117011614A (zh) | 基于深度学习的野山参艼芦体检测和品质等级分类方法及系统 | |
| CN115115863A (zh) | 水面多尺度目标检测方法、装置及系统和存储介质 | |
| CN113011528B (zh) | 一种基于上下文和级联结构的遥感图像小目标检测方法 | |
| CN111666953B (zh) | 一种基于语义分割的潮汐带测绘方法及设备 | |
| CN117710833A (zh) | 基于云计算的测绘地理信息数据采集方法及相关装置 | |
| CN112381730B (zh) | 一种遥感影像数据扩增方法 | |
| CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
| CN113343819B (zh) | 一种高效的无人机载sar图像目标分割方法 | |
| CN115909072A (zh) | 一种基于改进YOLOv4算法的弹着点水柱检测方法 | |
| CN112580504B (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
| CN115457384A (zh) | 空心村庄中建筑的识别方法、装置、电子设备及存储介质 |
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 |