CN113705346A - 一种遥感影像地物分类泛化性提升方法及装置 - Google Patents

一种遥感影像地物分类泛化性提升方法及装置 Download PDF

Info

Publication number
CN113705346A
CN113705346A CN202110831764.5A CN202110831764A CN113705346A CN 113705346 A CN113705346 A CN 113705346A CN 202110831764 A CN202110831764 A CN 202110831764A CN 113705346 A CN113705346 A CN 113705346A
Authority
CN
China
Prior art keywords
feature map
attention
channel
classification
texture features
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
Application number
CN202110831764.5A
Other languages
English (en)
Other versions
CN113705346B (zh
Inventor
路威
童新海
陈乾
王珩
赵兵
张清华
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202110831764.5A priority Critical patent/CN113705346B/zh
Publication of CN113705346A publication Critical patent/CN113705346A/zh
Application granted granted Critical
Publication of CN113705346B publication Critical patent/CN113705346B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明公开了一种遥感影像地物分类泛化性提升方法，包括：获取特征图；选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；输入到卷积神经网络进行降维卷积操作，并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；进行加和操作并输出，得到最终的注意力特征图，本发明能够有效地利用人工提取的纹理特征强化网络分类，抵抗时相和地域的干扰，提升深度学习网络在遥感影像分类上的泛化性，改善在小样本条件下地物分类的精度。

Description

一种遥感影像地物分类泛化性提升方法及装置
技术领域
本发明涉及一种遥感影像地物分类泛化性提升方法及装置，属于摄影测量与遥感技术领域。
背景技术
目前，基于深度学习的遥感影像地物分类技术均是在语义分割网络的基础上进行改进，通过加入相应的结构来提高网络分类能力，而相关的深度特征均由语义分割网络学习得到。
由于深度学习网络本身是个自我参数调整的过程，因此，网络的分类能力很大程度上取决于样本。当样本数量和类型有限时，网络的分类泛化性将会大大受限。往往某个区域或者某个时相的遥感影像作为样本训练得到的网络模型，换到另外的区域和时相进行测试时，将很难得到理想的分类结果，甚至会完全失效。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种遥感影像地物分类泛化性提升方法及装置，能够有效地利用人工提取的纹理特征强化网络分类，抵抗时相和地域的干扰，提升深度学习网络在遥感影像分类上的泛化性，改善在小样本条件下地物分类的精度。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种遥感影像地物分类泛化性提升方法，包括：
获取特征图；
选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，
所述卷积神经网络中加入纹理特征进行辅助分类；
将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
进一步的，所述方法还包括：
所述纹理特征从Haralick纹理特征中选取，选取时，
Haralick纹理特征经过两次筛选和一次融合后，获得最终的纹理特征。
进一步的，Haralick纹理特征经过两次筛选和一次融合，包括：
第一次筛选，获得方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征；
第二次筛选，确定采用方差、均质度和角二阶矩对应的纹理特征；
第一次融合，将方差、均质度和角二阶矩对应的纹理特征与绿色光谱通道中的红绿蓝三种光谱特征进行融合，获得最终的纹理特征。
进一步的，第一次融合时，将方差、均质度和角二阶矩对应的纹理特征进行2％线性灰度拉伸，之后进行归一化处理后，与光谱特征进行融合。
第二方面，本发明提供一种遥感影像地物分类泛化性提升装置，包括：
获取单元，用于获取特征图；
网络选择单元，用于选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
并行处理单元，用于使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
卷积单元，用于将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作；
信息整合单元，用于将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
加和操作单元，用于将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
进一步的，所述装置还包括：
纹理特征选取单元，用于选取纹理特征，其中，
所述纹理特征从Haralick纹理特征中选取，选取时，
Haralick纹理特征经过两次筛选和一次融合后，获得最终的纹理特征。
进一步的，所述辅助分类单元还包括：
第一筛选单元，用于对Haralick纹理特征初步筛选，获得方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征；
第二筛选单元，用于对初步筛选获得的纹理特征进一步进行筛选，确定采用方差、均质度和角二阶矩对应的纹理特征；
融合单元，用于将方差、均质度和角二阶矩对应的纹理特征与绿色光谱通道中的红绿蓝三种光谱特征进行融合，获得最终的纹理特征。
进一步的，所述融合单元还包括：
拉伸处理单元，用于将方差、均质度和角二阶矩对应的纹理特征进行2％线性灰度拉伸，之后进行归一化处理后，与光谱特征进行融合。
第三方面，本发明提供一种遥感影像地物分类泛化性提升装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面，本发明提供计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明通过选择一个优秀的语义分割网络，既可以提高网络训练效率，还可以提高方法的实用性，通过在所述卷积神经网络中加入纹理特征进行辅助分类，能够有效地利用人工提取的纹理特征强化网络分类，抵抗时相和地域的干扰，提升深度学习网络在遥感影像分类上的泛化性，改善在小样本条件下地物分类的精度。
附图说明
图1是本发明实施例提供的方法流程图；
图2是本发明实施例提供的语义分割网络结构示意图；
图3是本发明实施例提供的位置注意模块结构示意图；
图4是本发明实施例提供的通道注意模块结构示意图；
图5是本发明实施例提供的位置注意模块、通道注意模块并行特征处理示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1所示，本实施例提供了一种遥感影像地物分类泛化性提升方法，包括：
获取特征图；
选择语义分割网络，该网络通过结合不同级的语义信息，并采用双注意力机制，在参数量、计算复杂度和分类精度上都达到了较为理想的效果，该网络结构如图2所示；
其中，所述语义分割网络包括位置注意力模块和通道注意力模块；两种模块均是通过转置相乘的手段，提高特征的关联性。通过可视化消融实验发现，位置注意力模块通过像素注意力相关性处理，成功提取了地物的边缘轮廓，使得地物分类结果更加清晰；而通道注意力模块主要是对地物类别信息进行了强化，各个通道间的信息相互关联，语义更加明确。位置注意力模块和通道注意力模块的网络结构如图3和图4所示；
使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，
所述卷积神经网络中加入纹理特征进行辅助分类；
将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图，如图5所示；
为了提高卷积神经网络的分类能力和泛化性，需要人为加入纹理特征进行辅助分类。Haralick特征是基于邻接矩阵得到的纹理特征，由Haralick在1979年提出。常用的Haralick纹理特征共计14种，这其中的每种特征都可以体现各地物的某种特有属性。
为了平衡光谱及纹理特征之间的权重，需要在14种纹理特征中进行初筛选，经过初步分析，方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征图与标签图相似性较高，故可作为备选特征。其中，方差是图像中的像素值离散程度的度量；均质度是图像局部灰度均匀性的度量；对比度是反映图像中局部灰度变化的度量；非相似性与对比度类似，然而是线性增加，局部的对比度越高，非相似度也越高；角二阶矩是图像灰度分布均匀性的度量。对应的计算公式如式1～式5，其中i，j代表像元所在位置的行列数，p(i,j)为对应像素值，quantk为特征计算窗口尺寸，Mean为窗口内像素的均值。
方差：
Figure BDA0003175722010000061
均质度：
Figure BDA0003175722010000062
对比度：
Figure BDA0003175722010000063
非相似性：
Figure BDA0003175722010000071
角二阶矩：
Figure BDA0003175722010000072
为了后期纹理特征与光谱特征的有效融合，需要从初步筛选的纹理特征中进一步选出3组特征。通过大量实验的分析和验证，发现单独使用绿色光谱通道的方差、均质度和角二阶矩可以达到最佳的分类效果。因此，在经过大量实验验证之后，确定采用绿色光谱通道的方差、均质度和角二阶矩三种纹理特征与红绿蓝三种光谱进行结合，以提高神经网络分类的泛化性。
本技术采用通道叠加的方法，将纹理特征与光谱特征进行融合。由于纹理特征与光谱特征的数值差异较大，因此对纹理特征进行2％线性灰度拉伸来剔除异常值，之后统一进行归一化处理。通过在某个时相和地域的遥感影像数据集上进行训练，在另外的数据集上进行预测。分别测试其在多时相和多地域遥感影像数据集的分类精度，进一步验证融合纹理特征的方法对于提高遥感影像地物分类的泛化性是有效的。
实施例2
本实施例提供一种遥感影像地物分类泛化性提升装置，包括：
获取单元，用于获取特征图；
网络选择单元，用于选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
并行处理单元，用于使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
卷积单元，用于将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作；
信息整合单元，用于将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
加和操作单元，用于将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
进一步的，所述装置还包括：
纹理特征选取单元，用于选取纹理特征，其中，
所述纹理特征从Haralick纹理特征中选取，选取时，
Haralick纹理特征经过两次筛选和一次融合后，获得最终的纹理特征。
进一步的，所述辅助分类单元还包括：
第一筛选单元，用于对Haralick纹理特征初步筛选，获得方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征；
第二筛选单元，用于对初步筛选获得的纹理特征进一步进行筛选，确定采用方差、均质度和角二阶矩对应的纹理特征；
融合单元，用于将方差、均质度和角二阶矩对应的纹理特征与绿色光谱通道中的红绿蓝三种光谱特征进行融合，获得最终的纹理特征。
进一步的，所述融合单元还包括：
拉伸处理单元，用于将方差、均质度和角二阶矩对应的纹理特征进行2％线性灰度拉伸，之后进行归一化处理后，与光谱特征进行融合。
实施例3
本实施例提供一种遥感影像地物分类泛化性提升装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据下述任一项所述方法的步骤：
获取特征图；
选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，
所述卷积神经网络中加入纹理特征进行辅助分类；
将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
实施例4
本实施例提供计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述任一项所述方法的步骤：
获取特征图；
选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，
所述卷积神经网络中加入纹理特征进行辅助分类；
将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种遥感影像地物分类泛化性提升方法，其特征是，包括：
获取特征图；
选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，
所述卷积神经网络中加入纹理特征进行辅助分类；
将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
2.根据权利要求1所述的遥感影像地物分类泛化性提升方法，其特征是，所述纹理特征从Haralick纹理特征中选取，选取时，
Haralick纹理特征经过两次筛选和一次融合后，获得最终的纹理特征。
3.根据权利要求2所述的遥感影像地物分类泛化性提升方法，其特征是，Haralick纹理特征经过两次筛选和一次融合，包括：
第一次筛选，获得方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征；
第二次筛选，确定采用方差、均质度和角二阶矩对应的纹理特征；
第一次融合，将方差、均质度和角二阶矩对应的纹理特征与绿色光谱通道中的红绿蓝三种光谱特征进行融合，获得最终的纹理特征。
4.根据权利要求3所述的遥感影像地物分类泛化性提升方法，其特征是，第一次融合时，将方差、均质度和角二阶矩对应的纹理特征进行2％线性灰度拉伸，之后进行归一化处理后，与光谱特征进行融合。
5.一种遥感影像地物分类泛化性提升装置，其特征是，包括：
获取单元，用于获取特征图；
网络选择单元，用于选择语义分割网络，其中，所述语义分割网络包括位置注意力模块和通道注意力模块；
并行处理单元，用于使用位置注意力模块和通道注意力模块并行操作对特征图进行处理，获得空间注意力特征图和通道注意力特征图；
卷积单元，用于将空间注意力特征图和通道注意力特征图输入到卷积神经网络进行降维卷积操作，其中，
所述卷积神经网络中加入纹理特征进行辅助分类；
信息整合单元，用于将降维后的空间注意力特征图和通道注意力特征图并行输入到位置注意力模块、通道注意力模块和卷积神经网络中进行注意力机制处理和信息整合；
加和操作单元，用于将整合后得到的空间注意力特征图和通道注意力特征图进行加和操作并输出，得到最终的注意力特征图。
6.根据权利要求5所述的遥感影像地物分类泛化性提升装置，其特征是，所述装置还包括：
纹理特征选取单元，用于选取纹理特征，其中，
所述纹理特征从Haralick纹理特征中选取，选取时，
Haralick纹理特征经过两次筛选和一次融合后，获得最终的纹理特征。
7.根据权利要求6所述的遥感影像地物分类泛化性提升装置，其特征是，所述辅助分类单元还包括：
第一筛选单元，用于对Haralick纹理特征初步筛选，获得方差、均质度、对比度、非相似性和角二阶矩对应的纹理特征；
第二筛选单元，用于对初步筛选获得的纹理特征进一步进行筛选，确定采用方差、均质度和角二阶矩对应的纹理特征；
融合单元，用于将方差、均质度和角二阶矩对应的纹理特征与绿色光谱通道中的红绿蓝三种光谱特征进行融合，获得最终的纹理特征。
8.根据权利要求7所述的遥感影像地物分类泛化性提升装置，其特征是，所述融合单元还包括：
拉伸处理单元，用于将方差、均质度和角二阶矩对应的纹理特征进行2％线性灰度拉伸，之后进行归一化处理后，与光谱特征进行融合。
9.一种遥感影像地物分类泛化性提升装置，其特征是，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～4任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现权利要求1～4任一项所述方法的步骤。
CN202110831764.5A 2021-07-22 2021-07-22 一种遥感影像地物分类泛化性提升方法及装置 Active CN113705346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110831764.5A CN113705346B (zh) 2021-07-22 2021-07-22 一种遥感影像地物分类泛化性提升方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110831764.5A CN113705346B (zh) 2021-07-22 2021-07-22 一种遥感影像地物分类泛化性提升方法及装置

Publications (2)

Publication Number Publication Date
CN113705346A true CN113705346A (zh) 2021-11-26
CN113705346B CN113705346B (zh) 2023-09-19

Family

ID=78650384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110831764.5A Active CN113705346B (zh) 2021-07-22 2021-07-22 一种遥感影像地物分类泛化性提升方法及装置

Country Status (1)

Country Link
CN (1) CN113705346B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033998A (zh) * 2018-07-04 2018-12-18 北京航空航天大学 基于注意力机制卷积神经网络的遥感影像地物标注方法
CN111696118A (zh) * 2020-05-25 2020-09-22 东南大学 动态场景下基于语义分割与图像修复的视觉回环检测方法
CN112163498A (zh) * 2020-09-23 2021-01-01 华中科技大学 前景引导和纹理聚焦的行人重识别模型建立方法及其应用
CN112686903A (zh) * 2020-12-07 2021-04-20 嘉兴职业技术学院 一种改进的高分辨率遥感图像语义分割模型
WO2021104125A1 (zh) * 2019-11-26 2021-06-03 京东数科海益信息科技有限公司 禽蛋异常的识别方法、装置及系统、存储介质、电子装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033998A (zh) * 2018-07-04 2018-12-18 北京航空航天大学 基于注意力机制卷积神经网络的遥感影像地物标注方法
WO2021104125A1 (zh) * 2019-11-26 2021-06-03 京东数科海益信息科技有限公司 禽蛋异常的识别方法、装置及系统、存储介质、电子装置
CN111696118A (zh) * 2020-05-25 2020-09-22 东南大学 动态场景下基于语义分割与图像修复的视觉回环检测方法
CN112163498A (zh) * 2020-09-23 2021-01-01 华中科技大学 前景引导和纹理聚焦的行人重识别模型建立方法及其应用
CN112686903A (zh) * 2020-12-07 2021-04-20 嘉兴职业技术学院 一种改进的高分辨率遥感图像语义分割模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘文祥;舒远仲;唐小敏;刘金梅;: "采用双注意力机制Deeplabv3+算法的遥感影像语义分割", 热带地理, vol. 40, no. 02, pages 303 - 313 *
李道纪: "基于深度学习的高分辨率光学遥感影像典型地物智能分类技术研究", 战略支援部队信息工程大学, vol. 2021, no. 08 *

Also Published As

Publication number Publication date
CN113705346B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN108647681B (zh) 一种带有文本方向校正的英文文本检测方法
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN102663391B (zh) 一种图像的多特征提取与融合方法及系统
CN109711288A (zh) 基于特征金字塔和距离约束fcn的遥感船舶检测方法
CN113205051B (zh) 基于高空间分辨率遥感影像的储油罐提取方法
CN109583483A (zh) 一种基于卷积神经网络的目标检测方法和系统
CN111563408B (zh) 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法
CN106548169A (zh) 基于深度神经网络的模糊文字增强方法及装置
CN113256494B (zh) 一种文本图像超分辨率方法
CN109509188A (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN111046838A (zh) 一种湿地遥感信息的识别方法及装置
CN109670408A (zh) 一种基于对象的遥感图像水体提取方法
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN117197085A (zh) 基于改进YOLOv8网络的公路快检图像路面病害检测方法
CN117422970A (zh) 基于YOLOv8改进的缺陷PCB检测方法
CN116519710A (zh) 一种用于复合绝缘子表面污秽状态的检测方法及系统
CN113705346A (zh) 一种遥感影像地物分类泛化性提升方法及装置
CN105654070A (zh) 一种低分辨率人脸识别方法
CN115953371A (zh) 一种绝缘子缺陷检测方法、装置、设备和存储介质
CN116051966A (zh) 基于深度学习网络的笔石图像识别方法及其模型训练方法
CN109740618B (zh) 基于fhog特征的试卷分数自动统计方法和装置
CN112926602A (zh) 一种基于可视化算法的岩石岩性分析方法、装置及设备
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法

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
GR01 Patent grant
GR01 Patent grant