CN113486840B - 一种基于复合网络修正的建筑物快速提取方法 - Google Patents

一种基于复合网络修正的建筑物快速提取方法 Download PDF

Info

Publication number
CN113486840B
CN113486840B CN202110829254.4A CN202110829254A CN113486840B CN 113486840 B CN113486840 B CN 113486840B CN 202110829254 A CN202110829254 A CN 202110829254A CN 113486840 B CN113486840 B CN 113486840B
Authority
CN
China
Prior art keywords
layer
feature
network
fusion
image
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
CN202110829254.4A
Other languages
English (en)
Other versions
CN113486840A (zh
Inventor
吴博
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.)
Wuchang University of Technology
Original Assignee
Wuchang University of 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 Wuchang University of Technology filed Critical Wuchang University of Technology
Priority to CN202110829254.4A priority Critical patent/CN113486840B/zh
Publication of CN113486840A publication Critical patent/CN113486840A/zh
Application granted granted Critical
Publication of CN113486840B publication Critical patent/CN113486840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于复合网络修正的建筑物快速提取方法，包括以下部分：获取遥感影像数字图像，构建深度复合神经网络模型；特征提取网络对遥感影像进行特征提取，将提取的特征传送给特征融合网络进行特征融合；特征融合网络对提取的图像不同尺度特征信息进行融合，将融合特征传送给参数修正网络进行修正；参数修正网络根据提取特征的误差进行参数修正，然后通过嵌入接口将修正后的能量参数e嵌入特征提取网络的状态层进行能量优化，并将能量优化后的特征向量以及各特征向量的主方向发送特征恢复网络，特征恢复网络恢复建筑物被遮盖的部分后再次进行特征提取、融合和修正。

Description

一种基于复合网络修正的建筑物快速提取方法
技术领域
本申请涉及计算机领域，特别是涉及一种基于复合网络修正的建筑物快速提取方法。
背景技术
遥感影像是人类获取空间信息的主要来源之一，地物数据的提取一直是遥感信息提取和目标识别的重要内容。随着城市建设的快速发展，建筑物已成为地理数据中最易更新的地物目标之一，其更新工作量巨大，因此，实现遥感影像上建筑物的自动快速提取十分必要。
对于建筑物提取的方法有很多，例如周军其、李志娟提出的“空间关系辅助的面向对象建筑物提取”，该方法以影像对象为处理单元，利用其丰富的光谱、形状以及隐含在影像中的深层空间语义关系等信息进行分类，然后结合空间关系特征对分类结果进行优化，并使用均值滤波对类别边缘进行修正，能较完整地提取出建筑物对象，且空间关系辅助能进一步提高建筑物提取的精度。但该方法没有考虑特征点之间的干扰性，没有解决建筑物被植被或其他物体遮挡的情况，降低了提取的准确率，且通过空间辅助增加了计算复杂性，降低了建筑物提取速度。
鉴于此，需要提供一种基于复合网络修正的建筑物快速提取方法，能够解决上述问题。
发明内容
本申请所要解决的技术问题是：由于现有从图像中提取建筑物的方法没有考虑特征点之间的干扰性，进而无法解决建筑物被植被或其他物体遮挡的情况，降低了提取的准确率，且提取速度有待提高，因此，提供一种基于复合网络修正的建筑物快速提取方法。
本发明的技术方案如下：
一种基于复合网络修正的建筑物快速提取方法，包括以下步骤：
A.获取遥感影像数字图像，构建深度复合神经网络模型；
B.特征提取网络对遥感影像进行特征提取，将提取的特征传送给特征融合网络进行特征融合；
C.特征融合网络对提取的图像不同尺度特征信息进行融合，将融合特征传送给参数修正网络进行修正；
D.参数修正网络根据提取特征的误差进行参数修正，然后通过嵌入接口将修正后的能量参数e嵌入特征提取网络的状态层进行能量优化，并将能量优化后的特征向量以及各特征向量的主方向发送特征恢复网络，特征恢复网络恢复建筑物被遮盖的部分后再次进行特征提取、融合和修正。
本发明的有益效果是：
(1)特征提取网络能够在图像中提取具有尺度不变性的特征点，且根据特征相位进行监测，抵抗图像间的辐射差异，抑制干扰特征，提高特征提取的精准度。
(2)特征融合网络对不同尺度空间中具有相同步长的特征进行融合，然后通过下采样处理进行降维，提高了特征融合度，使融合后的特征具备通用性，且避免网络过拟合问题，提高网络的容错性。
(3)参数修正网络根据特征提取误差的能量差异得到能量参数，利用能量参数对特征提取网络进行修正，加快网络提取速度，且提取精度相比传统方法有明显的提高。
附图说明
图1本发明所述的深度复合神经网络子网络连接图；
图2本发明所述的特征提取网络结构图；
图3本发明所述的参数修正网络结构图。
具体实施方式
以下将结合本实施例中的附图来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
本发明所述一种基于复合网络修正的建筑物快速提取方法包括以下步骤：
A.获取遥感影像数字图像，构建深度复合神经网络模型；
获取遥感影像数字图像，所述遥感影像包括多个建筑物。为了生成符合神经网络输入的样本集，减小样本自身质量，需要对遥感影像进行校正、标准化等预处理，所述预处理方法均采用现有技术。针对遥感影像中的建筑物特征提取，构建深度复合神经网络模型，通过深度复合神经网络模型提取建筑物特征并自主修正能量参数，达到快速从遥感影像中提取建筑物的效果。
构建深度复合神经网络模型，如图1所示，利用模型提取遥感影像中的建筑物的位置和轮廓信息。所述复合神经网络由四个子网络组成，分别为：特征提取网络、特征恢复网络、特征融合网络和参数修正网络。
B.特征提取网络对遥感影像进行特征提取，将提取的特征传送给特征融合网络进行特征融合；
所述特征提取网络主要用于对遥感影像进行特征提取，包括输入层、高斯映射层、差分层、状态层和输出层，如图2所示。将遥感影像I(x，y)输入到输入层，I(x，y)表示坐标为(x，y)处的像素点灰度值。输入层不对图像做任何处理，直接将图像I(x，y)传送给高斯映射层。
所述高斯映射层连接有J个映射通道，每个映射通道中的尺度参数不同，即高斯核函数不同，通过映射通道将遥感影像映射到不同核函数的高斯尺度空间，得到图像在不同尺度下的空间表示序列。所述高斯尺度空间为：
Figure BDA0003173870830000031
其中，
Figure BDA0003173870830000032
表示第j个高斯核函数的方差，j＝{1，2，...，J}，
Figure BDA0003173870830000033
表示高斯核函数，x为像素点的横坐标，y为像素点的纵坐标，*表示卷积运算。高斯映射层将空间表示序列
Figure BDA0003173870830000034
映射到差分层。
所述差分层由相邻两层高斯尺度空间的影像之差得到，即差分值
Figure BDA0003173870830000035
将图像中的每个像素点分别与以当前像素点为圆心、r为半径的圆内所有像素点的差分值进行比较，将比较结果中差分值最大的点作为候选的特征点，以像素点i为例，候选特征向量表示为：
Figure BDA0003173870830000036
Figure BDA0003173870830000037
其中，
Figure BDA0003173870830000041
为第j个高斯尺度空间中图像的候选特征向量，
Figure BDA0003173870830000042
为
Figure BDA0003173870830000043
的最大值，
Figure BDA0003173870830000044
表示第j个高斯尺度空间中图像像素点i的差分值，ic表示
Figure BDA0003173870830000045
范围内的任意一个像素点，ic≠i，
Figure BDA0003173870830000046
表示第j个高斯尺度空间中图像像素点ic的差分值。遍历图像中的所有像素点，从而得到候选特征向量集
Figure BDA0003173870830000047
n表示图像共有n个像素点。去除候选特征向量中差分值对比度最低且位于边缘上的点，得到具有尺度不变性的特征点。差分层将得到的特征向量
Figure BDA0003173870830000048
发送给状态层。
所述状态层根据特征向量相位构造相位状态符，包括相位特征值和相位特征方向。以特征向量
Figure BDA0003173870830000049
为中心取固定大小的区域，所述区域大小根据实际情况确定，计算区域内特征向量
Figure BDA00031738708300000410
的相位相似度：
Figure BDA00031738708300000411
其中，
Figure BDA00031738708300000412
表示特征向量
Figure BDA00031738708300000413
与其他特征向量的相位相似度，S表示以特征向量
Figure BDA00031738708300000414
为中心取固定大小的区域面积，μ为平衡因子，用于调整相位平衡，
Figure BDA00031738708300000415
为第a个特征向量，
Figure BDA00031738708300000416
表示特征向量
Figure BDA00031738708300000417
与特征向量
Figure BDA00031738708300000418
相位方向夹角。设定相似度阈值，将特征向量的相位相似度大于相似度阈值的特征向量归为同一类，赋予相同的特征值。状态层将得到的特征向量传送给输出层。
所述输出层对特征向量进行归一化处理，加速网络收敛速度，提升训练的稳定性。所述归一化处理采用现有技术，本发明在此不做过多阐述。输出层将归一化处理后的特征向量d′传送给特征融合网络进行特征融合。
所述特征提取网络模型的有益效果为：特征提取网络能够在图像中提取具有尺度不变性的特征点，且根据特征相位进行监测，抵抗图像间的辐射差异，抑制干扰特征，提高特征提取的精准度。
C.特征融合网络对提取的图像不同尺度特征信息进行融合，将融合特征传送给参数修正网络进行修正；
所述特征融合网络对特征提取网络提取的图像不同尺度特征信息进行融合。特征融合网络包括输入层、第一融合层、第一下采样层、第二融合层、第二下采样层…第m融合层、第m下采样层和输出层。
Figure BDA0003173870830000051
所述特征融合网络的输入为：
Figure BDA0003173870830000052
输入层将输入的特征信息发送给第一融合层。
所述第一融合层将第j个尺度空间中的特征向量与第
Figure BDA0003173870830000056
个尺度空间中的特征向量进行融合，所述融合方法为：
Figure BDA0003173870830000053
融合后尺度空间数量由J减少到
Figure BDA0003173870830000054
(或
Figure BDA0003173870830000055
)，第一融合层将融合后的信息z1发送给第一下采样层。
所述第一下采样层对融合信息z1进行下采样处理，所处下采样处理方法为现有技术，本发明在此不做过多阐述。第一下采样层将融合后的特征进行降维，压缩数据和参数的数量，减小过拟合，同时提高网络的容错性。第一下采样层将处理后的特征向量发送给第二融合层。
所述第二融合层按照第一融合层的融合方法继续对不同尺度空间的特征信息进行融合，然后传送给第二下采样层。依次迭代，直至最终所有尺度空间的特征信息均融合为一个尺度空间，由输出层将融合后的特征z传送给参数修正网络。
所述特征融合网络模型的有益效果为：特征融合网络对不同尺度空间中具有相同步长的特征进行融合，然后通过下采样处理进行降维，提高了特征融合度，使融合后的特征具备通用性，且避免网络过拟合问题，提高网络的容错性。
D.参数修正网络根据提取特征的误差进行参数修正，然后通过嵌入接口将修正后的能量参数e嵌入特征提取网络的状态层进行能量优化，并将能量优化后的特征向量以及各特征向量的主方向发送特征恢复网络，特征恢复网络恢复建筑物被遮盖的部分后再次进行特征提取、融合和修正。
所述参数修正网络根据建筑物特征参照库核对融合后的特征向量中属于建筑物特征的比例，根据输出结果对整个深度复合神经网络进行训练，直至达到预设的准确率。参数修正网络包括输入层、核对层、生成层和输出层，如图3所示。
所述输入层的输入为z＝{z1，z2，..，zi，...，zn}，输入层将特征向量发送给核对层进行核对。
所述核对层核对输入特征中属于建筑物特征的占有率，核对方法为：
Figure BDA0003173870830000061
核对层将占有率发送给生成层。
所述生成层计算提取特征与建筑物特征参照库中期望特征Z的能量差异，得到能量参数：
Figure BDA0003173870830000062
其中，e为能量参数，
Figure BDA0003173870830000063
为提取特征的梯度因子。生成层将能量参数传送给输出层。
所述输出层通过嵌入接口嵌入到特征提取网络，利用能量参数对特征提取网络进行修正，提高准确度。
能量参数e对特征向量
Figure BDA0003173870830000071
进行能量优化处理：
Figure BDA0003173870830000072
其中，
Figure BDA0003173870830000073
为特征向量
Figure BDA0003173870830000074
的能量值。根据能量优化结果选取能量值较高的特征向量位于特征向量
Figure BDA0003173870830000075
的方向作为特征向量
Figure BDA0003173870830000076
的主方向。状态层将能量优化后的特征向量以及各特征向量的主方向发送给输出层，输出层进行归一化处理后将特征向量及其主方向发送给特征恢复网络。
所述特征恢复网络用于恢复建筑物被遮盖的部分，包括输入层、生长填充层、判断层和输出层。
所述输入层接收特征提取网络发送的从遥感影像中提取并处理后的特征向量，将特征向量发送给生长层。
所述生长层随机选取一个特征点，通过卷积和上采样方法沿特征向量主方向进行填充，直至到达最近特征向量为止。所述卷积和上采样方法均为现有技术，生长填充层将填充后的图像发送给判断层。
所述判断层用于计算填充区域中建筑物像素的数量占整个区域像素数量的比例，设立比例阈值，若比例小于比例阈值，则填充生成的区域是正确填充的建筑物区域，否则舍弃。所述判断层将填充后的图像发送给输出层。
所述输出层将填充后的图像发送给特征提取网络的输入层。
所述特征提取网络按照步骤所述的方法对恢复后的图像再次进行特征提取，将提取后的特征向量发送给特征融合网络，再由参数修正网络进行修正，最终得到完整的建筑物特征信息。
所述参数修正网络模型的有益效果为：参数修正网络根据特征提取误差的能量差异得到能量参数，利用能量参数对特征提取网络进行修正，加快网络提取速度，且提取精度相比传统方法有明显的提高。
综上所述，便完成了本发明所述的一种基于复合网络修正的建筑物快速提取方法。
以上所述仅为本发明的较佳实施例，并不用于限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (4)

1.一种基于复合网络修正的建筑物快速提取方法，其特征在于，所述方法包括以下步骤：
A.获取遥感影像数字图像，构建深度复合神经网络模型；
B.特征提取网络对遥感影像进行特征提取，将提取的特征传送给特征融合网络进行特征融合；
C.特征融合网络对提取的图像不同尺度特征信息进行融合，将融合特征传送给参数修正网络进行修正；
D.参数修正网络根据提取特征的误差进行参数修正，然后通过嵌入接口将修正后的能量参数e嵌入特征提取网络的状态层进行能量优化，并将能量优化后的特征向量以及各特征向量的主方向发送特征恢复网络，特征恢复网络恢复建筑物被遮盖的部分后再次进行特征提取、融合和修正。
2.根据权利要求1所述的一种基于复合网络修正的建筑物快速提取方法，其特征在于:
所述特征提取网络包括输入层、高斯映射层、差分层、状态层和输出层，将遥感影像I(x，y)输入到输入层，I(x，y)表示坐标为(x，y)处的像素点灰度值；输入层不对图像做任何处理，直接将图像I(x，y)传送给高斯映射层；
所述高斯映射层连接有J个映射通道，每个映射通道中的尺度参数不同，即高斯核函数不同，通过映射通道将遥感影像映射到不同核函数的高斯尺度空间，得到图像在不同尺度下的空间表示序列；所述高斯尺度空间为：
Figure FDA0003752472270000011
其中，
Figure FDA0003752472270000012
表示第j个高斯核函数的方差，j＝{1，2，...，J}，
Figure FDA0003752472270000013
表示高斯核函数，x为像素点的横坐标，y为像素点的纵坐标，*表示卷积运算；高斯映射层将空间表示序列
Figure FDA0003752472270000014
映射到差分层；
所述差分层由相邻两层高斯尺度空间的影像之差得到，即差分值
Figure FDA0003752472270000021
将图像中的每个像素点分别与以当前像素点为圆心、r为半径的圆内所有像素点的差分值进行比较，将比较结果中差分值最大的点作为候选的特征点，以像素点i为例，候选特征向量表示为：
Figure FDA0003752472270000022
Figure FDA0003752472270000023
其中，
Figure FDA0003752472270000024
为第j个高斯尺度空间中图像的候选特征向量，
Figure FDA0003752472270000025
为
Figure FDA0003752472270000026
的最大值，
Figure FDA0003752472270000027
表示第j个高斯尺度空间中图像像素点i的差分值，ic表示
Figure FDA0003752472270000028
范围内的任意一个像素点，ic≠i，
Figure FDA0003752472270000029
表示第j个高斯尺度空间中图像像素点ic的差分值；遍历图像中的所有像素点，从而得到候选特征向量集
Figure FDA00037524722700000210
n表示图像共有n个像素点；去除候选特征向量中差分值对比度最低且位于边缘上的点，得到具有尺度不变性的特征点；差分层将得到的特征向量
Figure FDA00037524722700000211
发送给状态层；
所述状态层根据特征向量相位构造相位状态符，包括相位特征值和相位特征方向；以特征向量
Figure FDA00037524722700000212
为中心取固定大小的区域，所述区域大小根据实际情况确定，计算区域内特征向量
Figure FDA00037524722700000213
的相位相似度：
Figure FDA00037524722700000214
其中，
Figure FDA00037524722700000215
表示特征向量
Figure FDA00037524722700000216
与其他特征向量的相位相似度，S表示以特征向量
Figure FDA00037524722700000217
为中心取固定大小的区域面积，μ为平衡因子，用于调整相位平衡，
Figure FDA00037524722700000218
为第a个特征向量，
Figure FDA00037524722700000219
表示特征向量
Figure FDA00037524722700000220
与特征向量
Figure FDA00037524722700000221
相位方向夹角；设定相似度阈值，将特征向量的相位相似度大于相似度阈值的特征向量归为同一类，赋予相同的特征值；状态层将得到的特征向量传送给输出层；
所述输出层对特征向量进行归一化处理，加速网络收敛速度，提升训练的稳定性；输出层将归一化处理后的特征向量d′传送给特征融合网络进行特征融合。
3.根据权利要求2所述的一种基于复合网络修正的建筑物快速提取方法，其特征在于:
所述特征融合网络对特征提取网络提取的图像不同尺度特征信息进行融合；特征融合网络包括输入层、第一融合层、第一下采样层、第二融合层、第二下采样层…第m融合层、第m下采样层和输出层；
Figure FDA0003752472270000031
所述特征融合网络的输入为：
Figure FDA0003752472270000032
输入层将输入的特征信息发送给第一融合层；
所述第一融合层将第j个尺度空间中的特征向量与第
Figure FDA0003752472270000033
个尺度空间中的特征向量进行融合，所述融合方法为：
Figure FDA0003752472270000034
融合后尺度空间数量由J减少到
Figure FDA0003752472270000041
或
Figure FDA0003752472270000042
第一融合层将融合后的信息z1发送给第一下采样层；
所述第一下采样层对融合信息z1进行下采样处理；第一下采样层将融合后的特征进行降维，压缩数据和参数的数量，减小过拟合，同时提高网络的容错性；第一下采样层将处理后的特征向量发送给第二融合层；
所述第二融合层按照第一融合层的融合方法继续对不同尺度空间的特征信息进行融合，然后传送给第二下采样层；依次迭代，直至最终所有尺度空间的特征信息均融合为一个尺度空间，由输出层将融合后的特征z传送给参数修正网络。
4.根据权利要求3所述的一种基于复合网络修正的建筑物快速提取方法，其特征在于:
所述参数修正网络根据建筑物特征参照库核对融合后的特征向量中属于建筑物特征的比例，根据输出结果对整个深度复合神经网络进行训练，直至达到预设的准确率；参数修正网络包括输入层、核对层、生成层和输出层；
所述输入层的输入为z＝{z1，z2，...，zi，...，zn}，输入层将特征向量发送给核对层进行核对；
所述核对层核对输入特征中属于建筑物特征的占有率，核对方法为：
Figure FDA0003752472270000043
核对层将占有率发送给生成层；
所述生成层计算提取特征与建筑物特征参照库中期望特征Z的能量差异，得到能量参数：
Figure FDA0003752472270000044
其中，e为能量参数，
Figure FDA0003752472270000045
为提取特征的梯度因子；生成层将能量参数传送给输出层；
所述输出层通过嵌入接口嵌入到特征提取网络，利用能量参数对特征提取网络进行修正，提高准确度；
能量参数e对特征向量
Figure FDA0003752472270000046
进行能量优化处理：
Figure FDA0003752472270000051
其中，
Figure FDA0003752472270000052
为特征向量
Figure FDA0003752472270000053
的能量值；根据能量优化结果选取能量值较高的特征向量位于特征向量
Figure FDA0003752472270000054
的方向作为特征向量
Figure FDA0003752472270000055
的主方向；状态层将能量优化后的特征向量以及各特征向量的主方向发送给输出层，输出层进行归一化处理后将特征向量及其主方向发送给特征恢复网络；
所述特征恢复网络用于恢复建筑物被遮盖的部分，包括输入层、生长填充层、判断层和输出层；
所述输入层接收特征提取网络发送的从遥感影像中提取并处理后的特征向量，将特征向量发送给生长层；
所述生长层随机选取一个特征点，通过卷积和上采样方法沿特征向量主方向进行填充，直至到达最近特征向量为止；所述卷积和上采样方法均为现有技术，生长填充层将填充后的图像发送给判断层；
所述判断层用于计算填充区域中建筑物像素的数量占整个区域像素数量的比例，设立比例阈值，若比例小于比例阈值，则填充生成的区域是正确填充的建筑物区域，否则舍弃；所述判断层将填充后的图像发送给输出层；
所述输出层将填充后的图像发送给特征提取网络的输入层；
所述特征提取网络按照步骤所述的方法对恢复后的图像再次进行特征提取，将提取后的特征向量发送给特征融合网络，再由参数修正网络进行修正，最终得到完整的建筑物特征信息。
CN202110829254.4A 2021-07-21 2021-07-21 一种基于复合网络修正的建筑物快速提取方法 Active CN113486840B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110829254.4A CN113486840B (zh) 2021-07-21 2021-07-21 一种基于复合网络修正的建筑物快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110829254.4A CN113486840B (zh) 2021-07-21 2021-07-21 一种基于复合网络修正的建筑物快速提取方法

Publications (2)

Publication Number Publication Date
CN113486840A CN113486840A (zh) 2021-10-08
CN113486840B true CN113486840B (zh) 2022-08-30

Family

ID=77942931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110829254.4A Active CN113486840B (zh) 2021-07-21 2021-07-21 一种基于复合网络修正的建筑物快速提取方法

Country Status (1)

Country Link
CN (1) CN113486840B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764039B (zh) * 2018-04-24 2020-12-01 中国科学院遥感与数字地球研究所 神经网络、遥感影像的建筑物提取方法、介质及计算设备
CN110390267B (zh) * 2019-06-25 2021-06-01 东南大学 一种基于高分遥感影像的山地景观建筑提取方法和设备
CN111553303B (zh) * 2020-05-07 2024-03-29 武汉大势智慧科技有限公司 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN112132006B (zh) * 2020-09-21 2022-08-26 西南交通大学 一种面向耕地保护的林地和建筑物智能提取方法
CN112287807B (zh) * 2020-10-27 2022-06-07 武汉大学 一种基于多分支金字塔神经网络的遥感影像道路提取方法
CN112837320B (zh) * 2021-01-29 2023-10-27 华中科技大学 一种基于并行空洞卷积的遥感影像语义分割方法

Also Published As

Publication number Publication date
CN113486840A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN109493317B (zh) 基于级联卷积神经网络的3d多椎骨分割方法
CN110378196B (zh) 一种结合激光点云数据的道路视觉检测方法
CN110060273B (zh) 基于深度神经网络的遥感影像滑坡测图方法
CN111899172A (zh) 一种面向遥感应用场景的车辆目标检测方法
US8041081B2 (en) Method, apparatus, and program for human figure region extraction
CN108241871A (zh) 基于多特征的激光点云与影像融合数据分类方法
CN106910202B (zh) 一种遥感图像地物的图像分割方法及系统
CN113033520A (zh) 一种基于深度学习的树木线虫病害木识别方法及系统
CN111428758A (zh) 一种改进的基于无监督表征学习的遥感图像场景分类方法
CN115937552B (zh) 一种基于融合手工特征与深度特征的图像匹配方法
CN117475145B (zh) 融合多重注意力机制的多尺度遥感影像语义分割方法及系统
CN113920080A (zh) 一种基于生成对抗网络的电网故障定位方法
CN113838064A (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN115205692A (zh) 基于生成对抗网络的典型地物要素智能识别与提取方法
CN117496158A (zh) 半监督场景融合改进mbi的对比学习与语义分割方法
CN117274690A (zh) 一种基于多模态的弱监督目标定位方法
CN112070800A (zh) 一种基于三维点云极化地图表征的智能车定位方法及系统
Hu et al. Detection of Tea Leaf Blight in Low-Resolution UAV Remote Sensing Images
CN113486840B (zh) 一种基于复合网络修正的建筑物快速提取方法
CN117197449A (zh) 一种基于rgb-d语义分割的slam构建方法及系统
CN114821074B (zh) 机载liDAR点云语义分割方法、电子设备及存储介质
CN105005962A (zh) 基于分层筛选策略的岛礁遥感影像配准方法
CN114937211A (zh) 基于不变对象的遥感影像变化检测方法
CN115729250A (zh) 一种无人机的飞行控制方法、装置、设备及存储介质
CN113673345A (zh) 人脸识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant