CN113343789A - 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 - Google Patents
一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 Download PDFInfo
- Publication number
- CN113343789A CN113343789A CN202110552997.1A CN202110552997A CN113343789A CN 113343789 A CN113343789 A CN 113343789A CN 202110552997 A CN202110552997 A CN 202110552997A CN 113343789 A CN113343789 A CN 113343789A
- Authority
- CN
- China
- Prior art keywords
- edge
- convolution
- network
- semantic segmentation
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 97
- 238000003708 edge detection Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims description 37
- 230000004913 activation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000002195 synergetic effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 230000000903 blocking effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于局部细节增强与边缘约束的高分辨遥感影像土地覆盖分类方法，引入了局部特征增强模块、语义分割任务与边缘检测任务的多任务学习模式、边缘注意力模块来恢复以及增强语义分割网络中的局部细节信息，解决传统土地覆盖分类方法中边缘不准确、不规则问题。局部特征增强模块基于自注意力机制，将语义分割网络编码器中的局部特征进行增强，并重新引入解码器中，恢复因下采样而损失的局部信息。语义分割任务与边缘检测任务的多任务学习模式基于语义分割任务与边缘检测任务的协同作用，使用多尺度的边缘注意力模块从边缘检测子网络中提取边缘信息，并注入语义分割子网络的解码器中，进一步增强语义分割子网络中特征的边缘信息。
Description
技术领域
本发明属于高分辨率遥感影像土地覆盖分类领域，是通过语义分割网络自适应进行土地覆盖分类的方法。
背景技术
土地覆盖分类是依据遥感图像上的特征，识别图上各个像素所属的地物类别，进而获取整幅遥感图像的土地覆盖图的过程。土地覆盖图提供了基础地理信息数据支持，在许多重大应用中土地覆盖随时间变化的知识是必不可少的，例如城市区域规划，自然灾害监测，环境脆弱性评估等。随着卫星传感器技术的不断发展以及无人机航摄技术的成熟，高分辨率遥感影像凭借其纹理特征丰富的优势成为土地覆盖分类的主要数据源之一。
传统的土地覆盖分类通常需要获取大量人工先验知识，根据设计的各类地物的光谱特征进行提取，例如使用常见的归一化差分植被指数(Normalized DifferenceVegetation Index,NDVI)来对特定土地覆盖类型进行提取。由于遥感影像成像除了传感器自身的成像系统的影响以外,还受到诸如温度、大气、光照、气候条件等环境因子的影响，导致人工设计的特征难以适用于所有情况。近年来，随着深度学习技术的发展，图像分类、目标检测和语义分割等计算机视觉任务都有了相当多的应用。深度学习方法通过大量的样本和标注数据自适应地学习特征，无需进行特征的人工设计，避免了人工设计特征泛化能力弱的缺点。(参考文献：Zhu X X,Tuia D,Mou L,et al.Deep learning in remotesensing:Acomprehensive review and list of resources,IEEE Geoscience andRemote Sensing Magazine,2017.)
目前，在高分辨率遥感影像土地覆盖分类领域中，常使用计算机视觉中的语义分割方法。语义分割是指将图像的每一个像素都标注为一个语义类别。目前主流的语义分割方法是基于编码器-解码器的语义分割方法。基于编码器-解码器的语义分割方法沿用了图像分类方法中强大的特征提取器以提取深层次的语义特征，即对特征图进行降采样以捕获长距离的上下文关系。然而，与图像级的图像分类任务不同，语义分割是像素级的密集预测任务，需要将降采样之后的特征图恢复至原始输入图像尺寸。降采样带来的局部细节损失无法在升采样中完全恢复，在结果上通常表现为忽略小物体以及使得边缘模糊、不规则等。高分辨率遥感影像地物纹理信息丰富，包含大量的小地物以及物体边缘，该问题使得高分辨率遥感影像语义分割结果边缘不准确、不规则的问题较为明显，成为了制约高分辨率遥感影像语义分割精度的关键问题之一。因此，本发明的研究方法主要针对基于编码器-解码器的语义分割方法边缘不准确、不规则问题展开，旨在提升高分辨率遥感影像土地覆盖分类的边缘精度。
从语义分割网络结构设计上改善深度学习语义分割方法的边缘问题大约可以分为两条思路：一是从下采样的过程着手，减少下采样的次数。由于下采样中损失的局部细节信息无法完全恢复，一些方法会使用空洞卷积来代替下采样层。空洞卷积的优势在于在不需要降低分辨率的前提下扩大感受野，但是，空洞卷积是一种稀疏运算，连续使用空洞卷积会产生格网伪影。还有一类从下采样的过程着手的方法是使用空间金字塔池化来获取多尺度特征并进行多尺度特征融合，得到不同尺度感受野下的特征。然而这种方法计算量大，也不适合连续使用。二是从上采样的过程入手。这类方法使用对称的编码-解码结构，逐步恢复分辨率并重新引入编码器中的部分信息，来达到改善语义分割边缘问题的效果。目前，大多数研究基于自然影像，基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法的研究较少。
发明内容
针对现有技术中的问题，本发明提出一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，引入了局部特征增强模块、语义分割任务与边缘检测任务的多任务学习模式、边缘注意力模块来恢复以及增强语义分割网络中的局部细节信息，提升高分辨率遥感影像土地覆盖分类精度。本发明所采用的技术方案共包含以下步骤：
步骤1，采用滑动窗口的方法对高分辨率遥感影像土地覆盖数据集中的图像及语义分割标签进行一定步长及尺寸的裁剪，同时使用数据增强方法，获取语义子分割网络训练的样本集；
步骤2，对裁剪好的标签数据使用Laplacian算子，获取边缘检测标签，裁剪好的图像块、语义分割标签、边缘检测标签即组成语义分割任务与边缘检测任务的多任务学习数据集；
步骤3，基于步骤2所得训练样本集，对基于局部细节增强与边缘约束的U-Net网络模型进行训练；
步骤3中所述基于局部细节增强与边缘约束的U-Net网络模型包括语义分割子网络与边缘检测子网络；
步骤4，对测试数据使用带重叠的分块策略，将每个影像块输入至步骤3中训练好的模型进行预测；
步骤5，基于步骤4得到的预测影像块结果，仅采用其未重叠部分的预测结果进行拼接，最后使用多类别的形态学滤波的后处理方法得到最终的土地覆盖分类结果。
进一步的，步骤3中所述基于局部细节增强与边缘约束的U-Net网络模型的输入为裁剪好的图像块，输入到语义分割子网络与边缘检测子网络中，其中语义分割子网络包含n个卷积组，每个卷积组包含两个卷积层，每个卷积层后紧接着一个批量归一化层和Relu激活函数层；第1至第n/2个卷积组属于编码器，它们之间均由下采样层连接；第n/2+1至第n个卷积组属于解码器，它们之间均由上采样层连接；(1，n)，(2，n-1)……(n/2，n/2+1)卷积组之间使用局部特征增强模块引入局部细节信息；边缘检测子网络包含m个卷积组，每个卷积组包含两个卷积层，每个卷积层后紧接着一个批量归一化层和Relu激活函数层，第1至第m/2个卷积组属于编码器，它们之间均由下采样层连接；第m/2+1至第m个卷积组属于解码器，它们之间均由上采样层连接；语义分割子网络的第n/2+1至第n卷积组与边缘检测子网络的第m/2+1至第m个卷积组之间使用边缘注意力模块引入边缘信息；其中m和n均为偶数，n-m＝2。
进一步的，所述局部特征增强模块的构建如下，
其输入为fe与fd，fe表示语义分割子网络编码器中的原始特征，fd表示解码器中的原始特征；fe依次经过1×1单卷积核卷积，Sigmoid激活函数生成空间权重图，将此空间权重图与fe进行元素乘法得到的结果再与fe进行元素加法，得到f′e；将f′e与fd进行特征图连接操作，得到f′d；f′d依次经过全局平均池化、1×1多卷积核卷积、Sigmoid激活函数得到通道权重图，将此空间权重图与f′d进行元素乘法得到的结果再与f′d进行元素加法，得到f″d；
f′d＝Con(f′e,fd)
其中，f′e表示语义分割子网络编码器中增强后的编码器特征；f′d，f″d分别表示解码器中一次增强后的解码器特征和二次增强后的解码器特征；Sig，Con，Gap分别表示Sigmoid激活函数，特征图连接操作以及全局平均池化操作；h，g分别表示1×1单卷积核卷积与1×1多卷积核卷积；
分别代表元素乘法与元素加法；局部细节增强模块首先使用空间自注意力结构增强编码器特征中的空间细节，再使用跳跃连接将增强后的编码器特征引入解码器，最终使用通道自注意力结构对跳跃连接之后的解码器特征进行通道上的加权，兼顾空间细节信息与深层语义信息。
进一步的，边缘注意力模块的输入为fSSN与fEDN，其中，fSSN为语义分割子网络解码器中的特征图，fEDN为边缘检测子网络解码器中对应分辨率的特征图，fEDN依次经过1×1单卷积核卷积，Sigmoid激活函数生成空间权重图，将此空间权重图与fSSN进行元素乘法得到f′SSN，f′SSN依次经过全局平均池化、1×1多卷积核卷积、Sigmoid激活函数得到通道权重图，将此空间权重图与f′SSN进行元素乘法得到的结果再与fSSN进行元素加法，得到f″SSN；
其中h，g分别表示1×1单卷积核卷积与1×1多卷积核卷积，Sig和Gap分别表示Sigmoid激活函数和全局平均池化操作，
分别代表元素乘法与元素加法；fEDN包含丰富的边缘特征，被用于增强中的边缘信息，以在语义分割分支中生成边缘增强的特征f′SSN。
进一步的，步骤3的具体实现包括以下子步骤；
步骤3.1，单独训练边缘检测子网络并进行验证，针对边缘检测任务设置所使用的加权二值交叉熵损失中的最佳正负样本平衡参数；
在边缘检测任务中，大部分像素属于非边缘类别，只有少部分像素属于边缘类别，是一个类别极不平衡的任务，为了进行正负样本的平衡，引入了加权二值交叉熵作为边缘检测子网络的损失函数；
L边缘检测＝-(αylogy′+(1-α)(1-y)log(1-y′)) (1)
其中，y是训练边缘检测数据集的标签，根据是否为边缘被标记为1或0，y′是边缘检测网络的推理结果，是该像素属于边缘的概率，取值范围为[0,1]，α为正负样本平衡参数；
步骤3.2，使用部分数据训练整个网络模型并进行验证，针对边缘检测任务和语义分割任务，设置最优的任务损失权重参数；
在整个学习网络的损失中引入了任务损失权重参数β；
L＝L语义分割+βL边缘检测 (2)
其中，语义分割任务的损失使用多类别交叉熵损失，边缘检测任务的损失使用上述的加权二值交叉熵损失，正负样本平衡参数α与任务损失权重参数β的确定方式由步骤3.1和步骤3.2中的实验来确定；
步骤3.3，使用所有训练数据进行训练整个网络模型。
进一步的，步骤4中重叠度为影像块长宽的一半。
进一步的，步骤4中使用增强策略用于增强预测斑块结果，增强策略包括使用旋转以及多尺度测试技术对每个影像块的预测结果进行增强。
本发明基于编码器-解码器的语义分割方法结果边缘不准确、不规则问题的原因——局部细节的损失，引入了局部特征增强模块、语义分割任务与边缘检测任务的多任务学习模式、边缘注意力模块来恢复以及增强语义分割网络中的局部细节信息。局部特征增强模块基于自注意力机制，将语义分割网络编码器中的局部特征进行增强，并重新引入解码器中，恢复因下采样而损失的局部信息。语义分割任务与边缘检测任务的多任务学习模式基于语义分割任务与边缘检测任务的协同作用，使用多尺度的边缘注意力模块从边缘检测子网络中提取边缘信息，并注入语义分割子网络的解码器中，进一步增强语义分割子网络中特征的边缘信息。本发明的有益效果是：本发明避免了传统的土地分类方法中人工设计特征的繁琐步骤，实现了“端对端”的操作；避免了基于编码器-解码器的语义分割方法导致的土地分类结果边缘不规则、不准确问题；通过对测试数据使用带重叠的分块策略与TTA策略进一步提高土地覆盖分类精度。
附图说明
图1为本发明实施例的基于局部细节增强与边缘约束的高分辨率遥感影像土匪利用分类方法的网络结构；
图2为本发明实施例的局部细节增强模块以及边缘注意力模块的网络结构；
图3为本发明实施例的测试时影像块拼接策略示意图，斜线部分为第二行第二列分块所取的预测范围；
图4为本发明实施例的训练阶段流程图。
图5为本发明实施例的测试阶段流程图。
图6为本发明实施例与现有方法的分类结果对比图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
参见图1和图2，本发明实施例提供的一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，包括以下步骤：
步骤1，采用滑动窗口的方法对高分辨率遥感影像土地覆盖数据集中的图像及语义分割标签进行一定步长及尺寸的裁剪，同时使用随机翻转、随机旋转的数据增强方法，获取语义分割子网络训练的样本集；
步骤2，对裁剪好的标签数据使用Laplacian算子，获取边缘检测标签，裁剪好的图像、语义分割标签、边缘检测标签即组成语义分割任务与边缘检测任务的多任务学习数据集。
步骤3，基于步骤2所得训练样本集，对基于局部细节增强与边缘约束的U-Net网络模型进行训练；
该模型由基于U-Net网络模型改进，并由语义分割子网络与边缘检测子网络组成。其中语义分割子网络使用局部特征增强模块对原始U-Net进行了改进以保留浅层特征的局部信息；此外，通过边缘注意力模块将边缘检测子网络中的边缘特征引入语义分割子网络，以增强语义分割子网络结果中物体边缘的准确性。该模型的输入为高分辨率遥感影像块，输入到语义分割子网络与边缘检测子网络中。其中语义分割子网络包含10个卷积组，每个卷积组包含两个卷积层，每个卷积层后紧接着一个批量归一化层和Relu激活函数层。第1至第5个卷积组属于编码器，其通道数分别为32，64，128，256，512，它们之间均由下采样层连接；第6至第10个卷积组属于解码器，其通道数分别为512，256，128，64，32，它们之间均由上采样层连接。(1，10)，(2，9)，(3，8)，(4，7)，(5，6)卷积组之间使用局部特征增强模块引入局部细节信息。边缘检测子网络包含8个卷积组，每个卷积组包含两个卷积层，每个卷积层后紧接着一个批量归一化层和Relu激活函数层。第1至第4个卷积组属于编码器，其通道数分别为32，64，128，256，它们之间均由下采样层连接；第5至第8个卷积组属于解码器，其通道数分别为256，128，64，32，它们之间均由上采样层连接。语义分割子网络的第6至第10卷积组与边缘检测子网络的第5至第8个卷积组之间使用边缘注意力模块引入边缘信息。
步骤4，对测试数据使用带重叠的分块策略(重叠度为小斑块长宽的一半)，将每块数据输入至步骤3所得的模型进行预测，并使用测试时增强(TTA)策略增强预测斑块结果；
考虑到高分辨率遥感影像尺寸较大，计算机的计算机资源存在瓶颈，本发明采用了高效的分块策略获取最终全分辨率的分割预测结果。TTA策略主要包括使用旋转以及多尺度测试技术对每个影像块的预测结果进行增强。
步骤5，基于步骤4得到的每个预测斑块，由于分块时具有一定的重叠度，仅使用其中间部分(长与宽为预测斑块的一半)的预测结果可拼接为整幅影像的预测结果，最后使用多类别的形态学滤波的后处理方法得到最终的土地覆盖分类结果。
由于每块图像的边缘附近缺乏充足的上下文信息，因此这些位置的分类精度较低，容易导致相邻斑块影像的预测结果不一致而引起的边界效应问题。分块与拼接的示意图如图3所示，通过步骤4带重叠的分块策略与步骤5的拼接方式，丢弃边缘附近的分割结果来缓解这一问题，同时避免采用对软分割结果重叠部分进行求和的方法带来的计算量。
步骤3采用基于局部细节增强与边缘约束的语义分割网络模型进行训练，包括以下子步骤：
步骤3.1，单独训练边缘检测子网络并进行验证，针对边缘检测任务设置所使用的加权二值交叉熵损失中的最佳正负样本平衡参数；
步骤3.2，使用部分数据训练整个网络并进行验证，针对多任务学习设置最优的任务权重平衡参数；
步骤3.3，使用所有训练数据进行训练整个网络。
本发明的网络模型包括语义分割子网络边缘检测子网络。在边缘检测任务中，大部分像素属于非边缘类别，只有少部分像素属于边缘类别，是一个类别极不平衡的任务。为了进行正负样本的平衡，本发明引入了加权二值交叉熵作为边缘检测子网络的损失函数。
L边缘检测＝-(αylogy′+(1-α)(1-y)log(1-y′)) (1)
其中，y是训练边缘检测数据集的标签，根据是否为边缘被标记为1或0。y′是边缘检测网络的推理结果，是该像素属于边缘的概率，取值范围为[0,1]。正负样本平衡参数α的引入是加权二值交叉熵损失函数与二值交叉熵损失函数的主要区别。它对正负样本对总损失的贡献进行了平衡，避免了网络更倾向于学习背景的问题，使得网络更有效地学习边缘信息。
本发明旨在利用语义分割任务与边缘检测任务的协同作用来改善语义分割结果的边缘问题。由于边缘检测任务只是作为一个辅助任务，为了平衡两个任务对整个网络损失的贡献，在整个多任务学习网络的损失中引入了任务损失权重参数β。
L＝L语义分割+βL边缘检测 (2)
其中，语义分割任务的损失使用多类别交叉熵损失，边缘检测任务的损失使用上述的加权二值交叉熵损失。正负样本平衡参数α与任务损失权重参数β的确定方式由步骤3中的一系列实验来确定。
局部细节增强模块是对原始U-Net网络中所使用的跳跃连接的进一步改进。然而，直接的跳跃连接在引入局部信息的同时，也会引入渐层特征中较弱的语义信息，导致部分误分类的现象。与原始U-Net网络中所使用的跳跃连接不同，局部细节增强模块通过使用空间自注意力机制进一步增强自身的局部细节信息，同时在跳跃连接后使用通道自注意力机制对编码器与解码器中的特征进行自适应的加权，使得网络更好地处理高低级别语义信息与局部细节信息之间的关系，在不削弱特征语义信息的前提下更好地引入局部细节信息，提高高分辨率遥感影像土地覆盖分类精度。其具体结构如图2所示。fe，f′e分别表示语义分割子网络编码器中的原始特征，增强后的编码器特征；fd，f′d，f″d分别表示解码器中的原始特征，一次增强后的解码器特征和二次增强后的解码器特征。Sig，Con，Gap分别表示Sigmoid激活函数，特征图连接操作以及全局平均池化操作。h，g分别表示1×1单卷积核卷积与1×1多卷积核卷积。
分别代表元素乘法与元素加法。局部细节增强模块首先使用空间自注意力结构增强编码器特征中的空间细节，再使用跳跃连接将增强后的编码器特征引入解码器，最终使用通道自注意力结构对跳跃连接之后的解码器特征进行通道上的加权，兼顾空间细节信息与深层语义信息。局部细节增强模块的输入为fe与fd。fe依次经过1×1单卷积核卷积，Sigmoid激活函数生成空间权重图，将此空间权重图与fe进行元素乘法得到的结果再与fe进行元素加法，得到f′e。将f′e与fd进行特征图连接操作，得到f′d。f′d依次经过全局平均池化、1×1多卷积核卷积、Sigmoid激活函数得到通道权重图，将此空间权重图与f′d进行元素乘法得到的结果再与f′d进行元素加法，得到f″d。
f′d＝Con(f′e,fd)
本发明的另一出发点是利用语义分割任务与边缘检测任务的协同作用来改善语义分割结果的边缘问题。多任务学习中简单地将两个任务中的特征进行连接可能会降低特征的特异性，这可能会使得物体内部的分割出现错误。边缘注意力模块对这一点进行了改进，利用注意力机制，从边缘检测分支提取关键边缘信息，从而对语义分割网络解码器中的边缘特征进行多尺度增强，其具体结构如图2所示。边缘注意力模块通过对边缘检测子网络中的特征使用1×1卷积产生空间权重图，进而对语义分割子网络中的特征进行空间上的加权，以增强边缘信息；此后通过一个通道自注意力结构对语义分割子网络中的特征进行进一步的增强。
令语义分割子网络解码器中的特征图为fSSN，边缘检测子网络解码器中对应分辨率的特征图为fEDN。fEDN包含丰富的边缘特征，被用于增强中的边缘信息，以在语义分割分支中生成边缘增强的特征fS′SN。具体操作是对fEDN使用单通道的1×1卷积与sigmoid激活函数的组合生成单通道的空间注意力图，该空间注意力图是由fEDN的边缘特征产生的各像素的空间权值，包含丰富的边缘信息。将fSSN与由fEDN生成的边缘注意力图进行像素级的乘法，对语义分割分支的特征图进行边缘特征增强得到fS′SN。此外，利用自通道注意力模块对fS′SN进行进一步的通道加权，对特征进行筛选。由于注意力图都是使用sigmoid激活函数压缩至[0,1]，为避免像素级的乘法过分抑制特征图中的值，最后使用像素级加法重新加入fSSN，于是整个边缘注意力模块相当于学习了一个用于增强边缘特征的从fSSN到f″SSN的残差，该残差即为从边缘检测子网络引入的边缘信息。边缘注意力模块的输入为fSSN与fEDN。fEDN依次经过1×1单卷积核卷积，Sigmoid激活函数生成空间权重图，将此空间权重图与fSSN进行元素乘法得到f′SSN。f′SSN依次经过全局平均池化、1×1多卷积核卷积、Sigmoid激活函数得到通道权重图，将此空间权重图与f′SSN进行元素乘法得到的结果再与fSSN进行元素加法，得到f″SSN。
下面一个具体的实施例进行说明：
步骤1，通过裁剪以及数据增强制作语义分割数据集；
本发明实施例的数据裁剪与增强具体实现包括以下子步骤：
步骤1.1，将整幅的高分辨率遥感影像及其对应的语义分割标签使用一定的尺寸(实施例采用512*512像素)及步长(实施例采用400像素)，即得到固定尺寸的数据；
步骤1.2，对上述裁剪好的数据使用随机翻转与随机旋转的数据增强方式将数据扩充至8倍；
步骤2，获取边缘检测标签以制作边缘检测数据集；
本发明实施例的多任务学习数据集生成具体实现包括以下子步骤：
步骤2.1，对裁剪及数据增强后的语义分割标签数据使用Laplacian算子，获取边缘检测标签，其中1为边缘，0为非边缘；
步骤2.2，将裁剪好的图像、语义分割标签、边缘检测标签即组成语义分割任务与边缘检测任务的多任务学习数据集；
步骤3，步骤3采用基于局部细节增强与边缘约束的语义分割网络模型进行训练，使用步骤2所得的语义分割任务与边缘检测任务的多任务学习数据集，得到训练后的土地覆盖分类模型；
本发明实施例的网络训练具体实现包括以下子步骤：
步骤3.1，单独训练边缘检测子网络并进行验证，针对边缘检测任务设置所使用的加权二值交叉熵损失中的最佳正负样本平衡参数α；
步骤3.2，使用部分数据训练整个多任务学习网络并进行验证，针对多任务学习设置最优的任务权重平衡参数β；
步骤3.3，使用所有训练数据对整个网络进行训练。
训练集被输入到网络中，基于梯度下降和反向传播算法进行迭代训练及优化；当迭代次数＝T1时，验证样本集来验证被训练集训练的模型，得到验证精度；当迭代次数＝T2，保存模型(T2＝nT1)；
具体实施时，T1和T2的取值也是可由用户预设的网络参数，即可每轮执行T1次迭代，在执行n轮后保存模型。设置网络超参数，具体实施时可采用经验值，如正负样本平衡参数α设置为0.4，任务权重平衡参数β设置为为0.2等，基于随机梯度下降和反向传播算法，对整个网络进行迭代训练，直到通过验证精度判断模型收敛，保存最优土地覆盖分类模型。具体实施时，可根据验证精度曲线和验证损失曲线上升及下降情况进行判断，曲线达到平稳时即收敛；
随机梯度下降和反向传播算法为现有技术，本发明不予赘述；
步骤4，基于步骤3训练好的高分辨率遥感影像土地覆盖分类模型进行测试，可以对输入高分遥感影像进行“分块——测试时数据增强——输入网络测试——拼接——精度评定”，高分辨率遥感影像土地覆盖分类；
本发明实施例的基于训练好的语义分割任务与边缘检测任务的多任务学习模型，对目标高分遥感影像进行土地覆盖分类。参见图5，其具体实现过程如下：
步骤4.1，选择一批与训练样本数据不重合的高分辨率遥感影像，设置分块尺寸(实施例中为1024*1024像素)与分块步长(实施例中为512像素)，此时分割块之间具有一定重叠度，可以通过丢弃每个块边缘附近的预测结果，避免影像边缘预测结果精度较低的影响；
步骤4.2，将分割块输入到测试时数据增强模块，然后输入到步骤4训练好的模型中，进行土地覆盖分类，输出结果；
步骤4.3，对步骤4.2所得分割块的土地覆盖分类预测图进行拼接，依据图3示例的仅采用每个分割快中间部分的预测结果进行拼接，得到最终的高分辨率遥感影像土地覆盖分类预测结果；
步骤4.4，对步骤4.3所得全景影像植被提取结果进行多类别形态学后处理，包括填补空洞、滤除小斑块等。
上述形态学后处理为现有技术，本发明不予赘述；
步骤4.5，进行精度指标计算。
土地覆盖分类的可视化结果转换为彩色标签(白色：不透水表面；蓝色：建筑；青色：低矮植被；绿色：树木；黄色：车辆；红色：杂物及背景)。根据土地覆盖地理真实标签与图堵盖分类结果，可以计算土地覆盖分类精度指标。其中精度指标包括每个类别的F1分数、mF1以及OA。通过计算这些指标检验本发明土地覆盖分类的精度，验证本发明提出的方法的有效性。
具体实施时，可采用计算机软件技术实现以上流程的自动运行。
采用本发明提供的以上流程，最终可得到BAM-UNet-sc结果——经过上述的方法提取出的土地覆盖分类结果图，通过土地覆盖分类结果图以及精度评价对比可确认本发明的有效性。
图6中Image是高分辨率航拍遥感影像，使用近红外波段、红光波段和绿光波段进行波段组合显示组合；Label为人工标注的土地覆盖类型，视作地面真值；U-Net为基准线方法；UNet-CBAM为使用自注意力机制U-Net结果；PSPNet为目前主流语义分割方法结果；UNet-sc为本发明中仅使用局部细节增强模块的结果；BAM-UNet-sc为本发明基于局部细节增强与边缘约束的结果。土地覆盖分类的可视化结果转换为彩色标签(白色：不透水表面；蓝色：建筑；青色：低矮植被；绿色：树木；黄色：车辆；红色：杂物及背景)
对应提取精度评价如下表。对比基准线方法，本发明基于局部细节增强与边缘约束的结果BAM-UNet-sc在评价指标上均有较为明显的提升，特别是在边缘较为明确的人造地物类别上提升显著，如车辆、建筑等类别。与其它主流语义分割方法相比，BAM-UNet-sc在边缘较为明确的人造地物类别上同样具有优势，并且在综合评价指标上也优于其他方法。这说明了本发明基于局部细节增强与边缘约束的方法对高分辨率遥感影像土地覆盖分类的有效性。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于，包括以下步骤：
步骤1，采用滑动窗口的方法对高分辨率遥感影像土地覆盖数据集中的图像及语义分割标签进行一定步长及尺寸的裁剪，同时使用数据增强方法，获取语义分割子网络训练的样本集；
步骤2，对裁剪好的标签数据使用Laplacian算子，获取边缘检测标签，裁剪好的图像块、语义分割标签、边缘检测标签即组成子语义分割任务与边缘检测任务的多任务学习数据集；
步骤3，基于步骤2所得训练样本集，对基于局部细节增强与边缘约束的U-Net网络模型进行训练；
步骤3中所述基于局部细节增强与边缘约束的U-Net网络模型包括语义分割子网络与边缘检测子网络；
步骤4，对测试数据使用带重叠的分块策略，将每个影像块输入至步骤3中训练好的模型进行预测；
步骤5，基于步骤4得到的预测影像块结果，仅采用其未重叠部分的预测结果进行拼接，最后使用多类别的形态学滤波的后处理方法得到最终的土地覆盖分类结果。
2.根据权利要求1所述基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于：步骤3中所述基于局部细节增强与边缘约束的U-Net网络模型的输入为裁剪好的图像块，输入到语义分割子网络与边缘检测子网络中，其中语义分割子网络包含n个卷积组，每个卷积组包含两个卷积层，每个卷积层后紧接着一个批量归一化层和Relu激活函数层；第1至第n/2个卷积组属于编码器，它们之间均由下采样层连接；第n/2+1至第n个卷积组属于解码器，它们之间均由上采样层连接；(1，n)，(2，n-1)……(n/2，n/2+1)卷积组之间使用局部特征增强模块引入局部细节信息；边缘检测子网络包含m个卷积组，每个卷积组包含两个卷积层，每个卷积层后紧接着一个批量归一化层和Relu激活函数层，第1至第m/2个卷积组属于编码器，它们之间均由下采样层连接；第m/2+1至第m个卷积组属于解码器，它们之间均由上采样层连接；语义分割子网络的第n/2+1至第n卷积组与边缘检测子网络的第m/2+1至第m个卷积组之间使用边缘注意力模块引入边缘信息；其中m和n均为偶数，n-m＝2。
3.根据权利要求2所述基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于：所述局部特征增强模块的构建如下，
其输入为fe与fd，fe表示语义分割子网络编码器中的原始特征，fd表示解码器中的原始特征；fe依次经过1×1单卷积核卷积，Sigmoid激活函数生成空间权重图，将此空间权重图与fe进行元素乘法得到的结果再与fe进行元素加法，得到f′e；将f′e与fd进行特征图连接操作，得到f′d；f′d依次经过全局平均池化、1×1多卷积核卷积、Sigmoid激活函数得到通道权重图，将此空间权重图与f′d进行元素乘法得到的结果再与f′d进行元素加法，得到f″d；
f′d＝Con(f′e,fd)
其中，f′e表示语义分割子网络编码器中增强后的编码器特征；f′d，f″d分别表示解码器中一次增强后的解码器特征和二次增强后的解码器特征；Sig，Con，Gap分别表示Sigmoid激活函数，特征图连接操作以及全局平均池化操作；h，g分别表示1×1单卷积核卷积与1×1多卷积核卷积；
分别代表元素乘法与元素加法；局部增强模块首先使用空间自注意力结构增强编码器特征中的空间细节，再使用跳跃连接将增强后的编码器特征引入解码器，最终使用通道自注意力结构对跳跃连接之后的解码器特征进行通道上的加权，兼顾空间细节信息与深层语义信息。
4.根据权利要求2所述基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于：边缘注意力模块的输入为fSSN与fEDN，其中，fSSN为语义分割子网络解码器中的特征图，fEDN为边缘检测子网络解码器中对应分辨率的特征图，fEDN依次经过1×1单卷积核卷积，Sigmoid激活函数生成空间权重图，将此空间权重图与fSSN进行元素乘法得到f′SSN，f′SSN依次经过全局平均池化、1×1多卷积核卷积、Sigmoid激活函数得到通道权重图，将此空间权重图与f′SSN进行元素乘法得到的结果再与fSSN进行元素加法，得到f″SSN；
其中h，g分别表示1×1单卷积核卷积与1×1多卷积核卷积，Sig和Gap分别表示Sigmoid激活函数和全局平均池化操作，
分别代表元素乘法与元素加法；fEDN包含丰富的边缘特征，被用于增强中的边缘信息，以在语义分割分支中生成边缘增强的特征f′SSN。
5.根据权利要求2所述基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于：步骤3的具体实现包括以下子步骤；
步骤3.1，单独训练边缘检测子网络并进行验证，针对边缘检测任务设置所使用的加权二值交叉熵损失中的最佳正负样本平衡参数；
在边缘检测任务中，大部分像素属于非边缘类别，只有少部分像素属于边缘类别，是一个类别极不平衡的任务，为了进行正负样本的平衡，引入了加权二值交叉熵作为边缘检测子网络的损失函数；
L边缘检测＝-(αy log y′+(1-α)(1-y)log(1-y′)) (1)
其中，y是训练边缘检测数据集的标签，根据是否为边缘被标记为1或0，y′是边缘检测网络的推理结果，是该像素属于边缘的概率，取值范围为[0,1]，α为正负样本平衡参数；
步骤3.2，使用部分数据训练整个网络模型并进行验证，针对边缘检测任务和语义分割任务，设置最优的任务损失权重参数；
在整个学习网络的损失中引入了任务损失权重参数β；
L＝L语义分割+βL边缘检测 (2)
其中，语义分割任务的损失使用多类别交叉熵损失，边缘检测任务的损失使用上述的加权二值交叉熵损失，正负样本平衡参数α与任务损失权重参数β的确定方式由步骤3.1和步骤3.2中的实验来确定；
步骤3.3，使用所有训练数据进行训练整个网络模型。
6.根据权利要求1所述基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于：步骤4中重叠度为影像块长宽的一半。
7.根据权利要求1所述基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法，其特征在于：步骤4中使用增强策略用于增强预测斑块结果，增强策略包括使用旋转以及多尺度测试技术对每个影像块的预测结果进行增强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110552997.1A CN113343789A (zh) | 2021-05-20 | 2021-05-20 | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110552997.1A CN113343789A (zh) | 2021-05-20 | 2021-05-20 | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113343789A true CN113343789A (zh) | 2021-09-03 |
Family
ID=77470182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110552997.1A Pending CN113343789A (zh) | 2021-05-20 | 2021-05-20 | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343789A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114332535A (zh) * | 2021-12-30 | 2022-04-12 | 宁波大学 | 基于高分辨率的互补注意力UNet分类器的sMRI图像分类方法 |
| CN114387523A (zh) * | 2022-03-23 | 2022-04-22 | 成都理工大学 | 基于dcnn边界引导的遥感图像建筑物提取方法 |
| CN114463340A (zh) * | 2022-01-10 | 2022-05-10 | 武汉大学 | 一种边缘信息引导的敏捷型遥感图像语义分割方法 |
| CN114494821A (zh) * | 2021-12-16 | 2022-05-13 | 广西壮族自治区自然资源遥感院 | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 |
| CN114596502A (zh) * | 2022-03-03 | 2022-06-07 | 合肥工业大学 | 基于边缘增强的高分辨率遥感影像的耕地信息提取方法 |
| CN114612479A (zh) * | 2022-02-09 | 2022-06-10 | 苏州大学 | 一种基于全局与局部特征重建网络的医学图像分割方法 |
| CN114694031A (zh) * | 2022-04-24 | 2022-07-01 | 电子科技大学 | 一种基于多任务注意力机制的遥感图像典型地物提取方法 |
| CN114937199A (zh) * | 2022-07-22 | 2022-08-23 | 山东省凯麟环保设备股份有限公司 | 一种基于判别性特征增强的垃圾分类方法与系统 |
| CN115527123A (zh) * | 2022-10-21 | 2022-12-27 | 河北省科学院地理科学研究所 | 一种基于多源特征融合的土地覆被遥感监测方法 |
| CN115797297A (zh) * | 2022-12-05 | 2023-03-14 | 哈尔滨工业大学 | 震后建筑结构健康诊断多任务学习方法 |
| CN116823864A (zh) * | 2023-08-25 | 2023-09-29 | 锋睿领创(珠海)科技有限公司 | 基于平衡损失函数的数据处理方法、装置、设备及介质 |
| CN116895023A (zh) * | 2023-09-11 | 2023-10-17 | 中国石油大学(华东) | 一种基于多任务学习的中尺度涡识别方法及系统 |
| CN117392157A (zh) * | 2023-12-13 | 2024-01-12 | 长春理工大学 | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 |
| CN117893561A (zh) * | 2024-03-14 | 2024-04-16 | 大连理工大学 | 一种基于局部对比度计算方法的红外细小目标检测算法 |
| CN117893561B (zh) * | 2024-03-14 | 2024-06-07 | 大连理工大学 | 一种基于局部对比度计算方法的红外细小目标检测算法 |
-
2021
- 2021-05-20 CN CN202110552997.1A patent/CN113343789A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| ZHIXIAN NONG ET AL: "《Boundary-Aware Dual-Stream Network for VHR Remote Sensing Images Semantic Segmentation》", 《IEEE JOURNAL OF SELECTED ROPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494821A (zh) * | 2021-12-16 | 2022-05-13 | 广西壮族自治区自然资源遥感院 | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 |
| CN114332535A (zh) * | 2021-12-30 | 2022-04-12 | 宁波大学 | 基于高分辨率的互补注意力UNet分类器的sMRI图像分类方法 |
| CN114463340A (zh) * | 2022-01-10 | 2022-05-10 | 武汉大学 | 一种边缘信息引导的敏捷型遥感图像语义分割方法 |
| CN114463340B (zh) * | 2022-01-10 | 2024-04-26 | 武汉大学 | 一种边缘信息引导的敏捷型遥感图像语义分割方法 |
| CN114612479A (zh) * | 2022-02-09 | 2022-06-10 | 苏州大学 | 一种基于全局与局部特征重建网络的医学图像分割方法 |
| CN114596502A (zh) * | 2022-03-03 | 2022-06-07 | 合肥工业大学 | 基于边缘增强的高分辨率遥感影像的耕地信息提取方法 |
| CN114596502B (zh) * | 2022-03-03 | 2023-04-07 | 合肥工业大学 | 基于边缘增强的高分辨率遥感影像的耕地信息提取方法 |
| CN114387523A (zh) * | 2022-03-23 | 2022-04-22 | 成都理工大学 | 基于dcnn边界引导的遥感图像建筑物提取方法 |
| CN114694031A (zh) * | 2022-04-24 | 2022-07-01 | 电子科技大学 | 一种基于多任务注意力机制的遥感图像典型地物提取方法 |
| CN114694031B (zh) * | 2022-04-24 | 2023-05-02 | 电子科技大学 | 一种基于多任务注意力机制的遥感图像典型地物提取方法 |
| CN114937199B (zh) * | 2022-07-22 | 2022-10-25 | 山东省凯麟环保设备股份有限公司 | 一种基于判别性特征增强的垃圾分类方法与系统 |
| CN114937199A (zh) * | 2022-07-22 | 2022-08-23 | 山东省凯麟环保设备股份有限公司 | 一种基于判别性特征增强的垃圾分类方法与系统 |
| CN115527123A (zh) * | 2022-10-21 | 2022-12-27 | 河北省科学院地理科学研究所 | 一种基于多源特征融合的土地覆被遥感监测方法 |
| CN115797297A (zh) * | 2022-12-05 | 2023-03-14 | 哈尔滨工业大学 | 震后建筑结构健康诊断多任务学习方法 |
| CN116823864B (zh) * | 2023-08-25 | 2024-01-05 | 锋睿领创(珠海)科技有限公司 | 基于平衡损失函数的数据处理方法、装置、设备及介质 |
| CN116823864A (zh) * | 2023-08-25 | 2023-09-29 | 锋睿领创(珠海)科技有限公司 | 基于平衡损失函数的数据处理方法、装置、设备及介质 |
| CN116895023A (zh) * | 2023-09-11 | 2023-10-17 | 中国石油大学(华东) | 一种基于多任务学习的中尺度涡识别方法及系统 |
| CN116895023B (zh) * | 2023-09-11 | 2024-02-09 | 中国石油大学(华东) | 一种基于多任务学习的中尺度涡识别方法及系统 |
| CN117392157A (zh) * | 2023-12-13 | 2024-01-12 | 长春理工大学 | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 |
| CN117392157B (zh) * | 2023-12-13 | 2024-03-19 | 长春理工大学 | 一种边缘感知的保护性耕作秸秆覆盖率检测方法 |
| CN117893561A (zh) * | 2024-03-14 | 2024-04-16 | 大连理工大学 | 一种基于局部对比度计算方法的红外细小目标检测算法 |
| CN117893561B (zh) * | 2024-03-14 | 2024-06-07 | 大连理工大学 | 一种基于局部对比度计算方法的红外细小目标检测算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113343789A (zh) | 一种基于局部细节增强与边缘约束的高分辨率遥感影像土地覆盖分类方法 | |
| US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
| US11151403B2 (en) | Method and apparatus for segmenting sky area, and convolutional neural network | |
| CN113298818B (zh) | 基于注意力机制与多尺度特征的遥感图像建筑物分割方法 | |
| CN107368787B (zh) | 一种面向深度智驾应用的交通标志识别方法 | |
| CN111986099B (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 | |
| CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
| CN110009010B (zh) | 基于兴趣区域重检测的宽幅光学遥感目标检测方法 | |
| CN109934154B (zh) | 一种遥感影像变化检测方法及检测装置 | |
| CN113609889B (zh) | 基于敏感特征聚焦感知的高分辨遥感影像植被提取方法 | |
| CN110503613B (zh) | 基于级联空洞卷积神经网络的面向单幅图像去雨方法 | |
| CN110310241B (zh) | 一种融合深度区域分割的多大气光值交通图像去雾方法 | |
| CN108647568B (zh) | 基于全卷积神经网络的草地退化自动提取方法 | |
| CN114494821B (zh) | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 | |
| CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
| Oehmcke et al. | Creating cloud-free satellite imagery from image time series with deep learning | |
| Maggiolo et al. | Improving maps from CNNs trained with sparse, scribbled ground truths using fully connected CRFs | |
| CN113762396A (zh) | 一种二维图像语义分割方法 | |
| CN116977311A (zh) | 一种洪涝灾害区域检测方法、系统、电子设备及存储介质 | |
| CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
| CN111079807A (zh) | 一种地物分类方法及装置 | |
| CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
| CN116883650A (zh) | 一种基于注意力和局部拼接的图像级弱监督语义分割方法 | |
| CN116503755A (zh) | 一种基于云平台和深度学习的岸线遥感自动识别分析方法 | |
| CN115035429A (zh) | 一种基于复合主干网络和多预测头的航拍目标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |
|
| RJ01 | Rejection of invention patent application after publication |