CN113869262A - 一种基于Unet模型的目标区域用地信息的预测方法和装置 - Google Patents
一种基于Unet模型的目标区域用地信息的预测方法和装置 Download PDFInfo
- Publication number
- CN113869262A CN113869262A CN202111182338.XA CN202111182338A CN113869262A CN 113869262 A CN113869262 A CN 113869262A CN 202111182338 A CN202111182338 A CN 202111182338A CN 113869262 A CN113869262 A CN 113869262A
- Authority
- CN
- China
- Prior art keywords
- image data
- preset
- remote sensing
- satellite remote
- target area
- 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
Images
Classifications
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于Unet模型的目标区域用地信息的预测方法、装置、计算机设备和存储介质，所述方法包括：将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，采用本申请实施例提供的预测方法，由于采用了预设格式的卫星遥感影像数据，并对该卫星遥感影像数据进行预处理，使得预处理后的卫星遥感影像数据不仅携带有对应的空间信息，还携带有在优化后的Unet模型中的通道信息，且该通道的数量为预设数量，预设数量比现有的三个通道的数量要多，因此，采用该预测方法能够获得的预测结果更加精准，输出的目标区域用地图像更加符合实际的目标区域用地情况。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种基于Unet模型的目标区域用地信息的预测方法和装置。
背景技术
自然保护地人类活动指在自然保护地内发生的、影响自然保护地保护对象和生态环境状况的各类开发建设及生产、生活活动，包括矿产资源开发、工业开发、能源开发、旅游开发、交通开发、养殖开发和其它活动等。其中本文中的农业用地包括有水田、旱地、养殖场等。
在自然保护地人类活动遥感监测领域，行业应用方面主要依靠人工解译。传统的以光谱分析特征为基础的监督分类和非监督分类在自然保护区识别人类活动中应用比较广泛，但基于监督分类和非监督分类的传统分类方法的分类精度在很大程度上取决于影像质量和时相选取。随着深度学习技术的迅速发展，引入计算机视觉领域的最新技术来解决遥感领域的难题逐渐成为可能，目前深度学习方法主要应用于遥感影像建筑提取等方面，专门针对自然保护地人类活动的研究则较少。
现有的目标区域用地信息的预测方法的预测准确率不高，是待解决的技术问题。
发明内容
本申请实施例提供了一种基于Unet模型的目标区域用地信息的预测方法、装置、计算机设备和存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于Unet模型的目标区域用地信息的预测方法，所述方法包括：
获取目标区域、且具有预设格式的卫星遥感影像数据；
基于第一预设方式对所述卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；
将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；
将所述预处理后的卫星遥感影像数据输入至所述优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，所述预处理后的卫星遥感影像数据中携带有对应的空间信息和在所述优化后的Unet模型中的通道信息，所述预处理的卫星遥感影像数据在所述优化后的Unet模型中具有预设数量、且能够表征所述目标区域的用地信息的通道。
在一种实施方式中，所述基于第一预设方式对所述卫星遥感影像数据进行预处理包括：
根据目标区域的数字高程模型地形数据和预设校正方式，对所述卫星遥感影像数据中的任意一个影像数据进行几何校正处理；和/或，
对所述卫星遥感影像数据中的任意一个影像数据进行辐射定标处理，以将所述卫星遥感影像数据中的任意一个影像数据的亮度灰度值转换为对应的辐射亮度值；和/或，
对所述卫星遥感影像数据中的任意一个影像数据进行大气校正处理，以获得地物反射率数据；和/或，
对所述卫星遥感影像数据进行镶嵌及裁剪处理，以获得所述目标区域内的预设区域范围内的卫星遥感影像数据。
在一种实施方式中，在所述将训练集中的训练样本均输入至Unet模型中进行迭代训练之前，所述方法还包括：
根据第二预设方式构建基于Unet模型的数据集，所述数据集包括由多个训练样本构成的所述训练集、由多个验证样本构成的验证集和由多个测试样本构成的测试集。
在一种实施方式中，所述根据第二预设方式构建基于Unet模型的数据集包括：
通过预设工具对所述预处理后的卫星遥感影像数据进行矢量化处理，并标注出所述目标区域内待识别的目标对象区域范围；
基于地理数据格式操作库，对所述预处理后的卫星遥感影像数据中的任意一个影像数据按照预设顺序切割方式进行切割处理，得到对应的多张第一预设尺寸的影像数据，所述任意一个影像数据和对应的多张预设尺寸的影像数据均携带有对应的第一空间信息；
通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理，得到对应的增强后的卫星遥感影像数据；
按照预设比例，将所述增强后的卫星遥感影像数据配置为所述训练集、所述验证集和所述测试集。
在一种实施方式中，所述通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理包括：
按照预设翻转方向，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行翻转处理；和/或，
按照预设旋转角度，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行旋转处理；和/或，
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行模糊处理；和/或，
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行添加高斯滤波处理。
在一种实施方式中，所述将训练集中的训练样本均输入至Unet模型中进行迭代训练包括：
构建基于卷积神经网络的所述Unet模型，所述Unet模型具有四个通道，所述四个通道分别为红光波段的第一通道、绿光波段的第二通道、蓝光波段的第三通道和近红外波段的第四通道；
对所述Unet模型的多个模型参数进行初始化处理，多个模型参数包括Unet卷积神经网络的分类数、训练次数和学习率；
通过交叉熵损失函数计算损失率，通过反向传播计算多个模型参数中的任意一个参数的梯度，以及通过预设算法动态更新对应的网络参数。
在一种实施方式中，所述将所述预处理后的卫星遥感影像数据输入至所述优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括所述目标区域用地图像的预测结果包括：
按照预设图像切割方式，对所述预处理后的卫星遥感影像数据中的任意一个影像数据进行图像切割处理，得到对应的多张第二预设尺寸的影像数据，所述多张第二预设尺寸的影像数据均携带有对应的第二空间信息；
将对应的多张第二预设尺寸的影像数据依次输入至所述优化后的Unet模型中，对所述目标区域的所述用地信息进行预测，预测得到对应的多张第三预设尺寸的图像，所述多张第三预设尺寸的图像均具有对应的第三空间信息；
基于预设拼接方式，对所述多张第三预设尺寸的图像进行图像拼接，得到拼接后的目标区域用地图像，输出包括所述目标区域用地图像的所述预测结果。
第二方面，本申请实施例提供了一种基于Unet模型的目标区域用地信息的预测装置，所述装置包括：
获取模块，用于获取目标区域、且具有预设格式的卫星遥感影像数据；
预处理模块，用于基于第一预设方式对所述获取模块获取的所述卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；
训练模块，用于将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；
预测模块，用于将所述预处理模块得到的所述预处理后的卫星遥感影像数据输入至所述优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，所述预处理后的卫星遥感影像数据中携带有对应的空间信息和在所述优化后的Unet模型中的通道信息，所述预处理的卫星遥感影像数据在所述优化后的Unet模型中具有预设数量、且能够表征所述目标区域的用地信息的通道。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述的方法步骤。
第四方面，本申请实施例提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，获取目标区域、且具有预设格式的卫星遥感影像数据；基于第一预设方式对卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；以及将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。采用本申请实施例，由于采用了预设格式的卫星遥感影像数据，并对该卫星遥感影像数据进行预处理，使得预处理后的卫星遥感影像数据不仅携带有对应的空间信息，还携带有在优化后的Unet模型中的通道信息，且该通道的数量为预设数量，预设数量比现有的三个通道的数量要多，因此，采用该预测方法能够获得的预测结果更加精准，输出的目标区域用地图像更加符合实际的目标区域用地情况。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于Unet模型的目标区域用地信息的预测方法的流程示意图；
图2是本申请实施例具体应用场景中的数据填充示意图；
图3是本申请实施例具体应用场景中的基于Unet模型的目标区域用地信息的预测方法的流程示意图；
图4是本申请实施例提供的一种基于Unet模型的目标区域用地信息的预测装置的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面结合附图详细说明本公开的可选实施例。
请参见图1，为本申请实施例提供了一种基于Unet模型的目标区域用地信息的预测方法的流程示意图。如图1所示，本申请实施例的基于Unet模型的目标区域用地信息的预测方法可以包括以下步骤：
S101，获取目标区域、且具有预设格式的卫星遥感影像数据。
在本申请实施例中，目标区域可以包括目标自然保护区域和目标农业用地区域，也可以为其它待预测的目标区域，在此对目标区域的类型不做具体限制。
S102，基于第一预设方式对卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据。
在一种可能的实现方式中，基于第一预设方式对卫星遥感影像数据进行预处理包括以下步骤：
根据目标区域的数字高程模型地形数据和预设校正方式，对卫星遥感影像数据中的任意一个影像数据进行几何校正处理。
在本申请实施例中，采用gcps校正方式并结合DEM地形数据，完成几何校正和正射校正，修正数据的几何畸变。
gcps校正方式又叫地面控制点校正，利用gdal.warp工具进行几何校正，设置如下：
gdal.warp(out_raster_file_args,sub_ds,tps＝True)，将tps设置为True即可进行几何校正；
gdal.warp(out_raster_file_args,sub_ds,transformerOptions＝‘DEM存放路径’)，DEM为数字高程模型，对地面地形的数字化模拟，(就是一个文件：GMTED2km.tif)，设置好transformerOptions参数的路径即可进行正射校正。
在一种可能的实现方式中，基于第一预设方式对卫星遥感影像数据进行预处理包括以下步骤：
对卫星遥感影像数据中的任意一个影像数据进行辐射定标处理，以将卫星遥感影像数据中的任意一个影像数据的亮度灰度值转换为对应的辐射亮度值。
在本申请实施例中，将卫星遥感影像数据中的任意一个影像数据的亮度灰度值转换为对应的辐射亮度值所采用的辐射定标公式如下：
L＝Gain×DN+Bias
其中，L为辐射亮度，DN为像素值，Gain和Bias分别为定标系数增益和偏移量，具体可查看高分数据官网。
在一种可能的实现方式中，基于第一预设方式对卫星遥感影像数据进行预处理包括以下步骤：
对卫星遥感影像数据中的任意一个影像数据进行大气校正处理，以获得地物反射率数据；这样，能够消除大气和光照等因素对地物反射的影响，获取地物真实反射率数据。
在一种可能的实现方式中，基于第一预设方式对卫星遥感影像数据进行预处理包括以下步骤：
对卫星遥感影像数据进行镶嵌及裁剪处理，以获得目标区域内的预设区域范围内的卫星遥感影像数据。
在本申请实施例中，根据自然保护地的矢量边界对输入的遥感数据进行镶嵌和裁剪，获得区域范围内的遥感影像数据。
S103，将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型。
在本申请实施例中，进行预测所使用的Unet模型相较于已有的神经网络模型如VGG、ResNet、DeepLab等具有参数量小，算法结构简单的优点，从而简化了该预测方法。
在一种可能的实现方式中，将训练集中的训练样本均输入至Unet模型中进行迭代训练包括以下步骤：
构建基于卷积神经网络的Unet模型，Unet模型具有四个通道，四个通道分别为红光波段的第一通道、绿光波段的第二通道、蓝光波段的第三通道和近红外波段的第四通道；
在某一具体应用场景中，本公开实施例提供的预测方法可以采用Unet模型的网络。
在本申请实施例中，构建基于卷积神经网络的多层Unet模型的过程具体如下所述：
首先是第一层卷积操作，输入数据的尺寸为【2，4，1024，1024】，其中，2为批处理数量，后面的三个数为影像的尺寸。卷积核大小为3×3，填充为1，步长为1，输出尺寸为【2，64，1024，1024】；
第二层为池化层，采用最大池化法对数据进行降维，压缩数据和参数的数量，减小过拟合。输出尺寸为【2，64，512，512】；
如此循环至第九层，数据输出尺寸为【2，512，64，64】，以上部分为下采样部分。
然后，第十层为反卷积层，包括上采样和特征融合，输入数据的尺寸为【2，512，64，64】，卷积核大小为3×3，填充为1，步长为1，输出尺寸为【2，256，128，128】；
如此循环至第十二层，数据输出尺寸为【2，64，1024，1024】；
第十三层为输出层，得出最终分类结果，输出尺寸为【2，2，1024，1024】，其中，第二个2为分类数，一类是背景值，一类是农业用地值。
对Unet模型的多个模型参数进行初始化处理，多个模型参数包括Unet卷积神经网络的分类数、训练次数和学习率；
在某一具体应用场景下，对Unet模型的多个模型参数进行初始化处理，设置Unet卷积神经网络的分类数，训练次数，学习率等参数具体如下所述：
#分类数设置为2，第一类是农业用地，第二类是非农业用地，即背景值。
n_classes＝2
#训练次数设置为100
epochs＝100
#学习率设置为0.003
learning-rate＝0.003。
通过交叉熵损失函数计算损失率，通过反向传播计算多个模型参数中的任意一个参数的梯度，以及通过预设算法动态更新对应的网络参数。
在本申请实施例中，预设算法可以采用SGD算法动态更新网络参数。
交叉熵损失函数常用于分类问题中，用来判定实际的输出与期望的输出的接近程度，形式如下：
其中，yi为实际概率，si为计算得出的预测概率值。
反向传播梯度，SGD为随机梯度下降：
交叉熵损失为：
其中，c对s的梯度向量为：
随机梯度下降是一种优化方法，在做梯度下降的时候，沿着梯度的反方向进行权重的更新，可以有效的找到全局的最优解。
上述实现方式如下：
#调用交叉熵损失函数
criterion＝nn.CrossEntropyLoss()
#调用SGD优化函数
optimizer＝optim.SGD()。
在一种可能的实现方式中，在将训练集中的训练样本均输入至Unet模型中进行迭代训练之前，本公开实施例提供的预测方法还包括以下步骤：
根据第二预设方式构建基于Unet模型的数据集，数据集包括由多个训练样本构成的训练集、由多个验证样本构成的验证集和由多个测试样本构成的测试集。
在一种可能的实现方式中，根据第二预设方式构建基于Unet模型的数据集包括以下步骤：
通过预设工具对预处理后的卫星遥感影像数据进行矢量化处理，并标注出目标区域内待识别的目标对象区域范围；
在本申请实施例中，首先利用ArcGIS工具打开一幅遥感影像，然后创建一个新的shpfile文件，将shpfile文件设为可编辑状态，利用鼠标在打开的遥感影像上进行勾勒，描绘出自然保护地农业用地的范围，双击鼠标左键即可完成一个标签的制作，依次勾勒出遥感影像上所有的农业用地范围。这一过程就是矢量化。
基于地理数据格式操作库，对预处理后的卫星遥感影像数据中的任意一个影像数据按照预设顺序切割方式进行切割处理，得到对应的多张第一预设尺寸的影像数据，任意一个影像数据和对应的多张预设尺寸的影像数据均携带有对应的第一空间信息；
在本申请实施例中，对第一预设尺寸并不做具体限制。
针对按照顺序切割方式进行切割处理过程做如下说明：
1、按照1024×1024的大小对遥感影像进行切割，切割完的数据维度为：4×1024×1024，采用的高分2号卫星数据具有4个通道；
2、遥感影像的尺寸不能保证能被1024整除，所以在切割之前需要对数据做填充操作。例如：若遥感影像尺寸为：4×35601×17241(通道数×列数×行数)，为使其可被1024整除，将列数扩充至35840，前后各扩充119和120，将行数扩充至17408，上下各扩充83和84，由此共计切割出595张小尺寸影像图，详见图2。
3、切割过程中需要使用GDAL(地理数据格式操作库)，以此获取整幅影像和切割后每张小图的仿射矩阵，从而保留遥感影像的空间信息。
计算公式如下：
new_x＝geotrans0+1024*resX
new_y＝geotrans3+1024*(-resY)
上述公式中，new_x和new_y为每次切割后新的XY坐标，geotrans0和geotrans3为切割之前的XY坐标，resX和resY为影像X方向和Y方向上的分辨率。
通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理，得到对应的增强后的卫星遥感影像数据；
按照预设比例，将增强后的卫星遥感影像数据配置为训练集、验证集和测试集。
在一种可能的实现方式中，通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理包括以下步骤：
按照预设翻转方向，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行翻转处理。
在本申请实施例中，可以按照左右、上下方向，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行翻转处理。
在一种可能的实现方式中，通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理包括以下步骤：
按照预设旋转角度，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行旋转处理。
在本申请实施例中，可以按照90度、180度、270度随机对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行翻转处理。
在一种可能的实现方式中，通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理包括以下步骤：
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行模糊处理。
在一种可能的实现方式中，通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理包括以下步骤：
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行添加高斯滤波处理。
上述对影像数据进行模糊处理，以及对影像数据进行添加高斯滤波处理均为常规方法，在此不再赘述。
S104，将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。
在实际应用中，可以根据本公开实施例提供的预测方法对不同目标区域内的自然保护区和农业用地进行预测，具体预测出哪些区域为自然保护区，哪些区域为农业用地；这样，能够大大地提高目标对象区域范围的识别率。
在本申请实施例中，目标对象可以为自然保护区，目标对象也可以为农业用地，在此，对目标对象的类型不做具体限制。
在一种可能的实现方式中，将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果包括以下步骤：
按照预设图像切割方式，对预处理后的卫星遥感影像数据中的任意一个影像数据进行图像切割处理，得到对应的多张第二预设尺寸的影像数据，多张第二预设尺寸的影像数据均携带有对应的第二空间信息；
在本申请实施例中，对第二预设尺寸不做具体限制。通过对遥感影像进行切割，使用小图进行训练可避免计算机内存不足及预测速度慢的问题。Unet模型属于语义分割，即对图像中的每一个像素进行分类，把每一个像素点的类别对应的像素值绘制成矩阵，使用激活函数softmax将矩阵中的像素值转换为对应标签的概率。
将对应的多张第二预设尺寸的影像数据依次输入至优化后的Unet模型中，对目标区域的用地信息进行预测，预测得到对应的多张第三预设尺寸的图像，多张第三预设尺寸的图像均具有对应的第三空间信息；
在本申请实施例中，对第三预设尺寸不做具体限制。
基于预设拼接方式，对多张第三预设尺寸的图像进行图像拼接，得到拼接后的目标区域用地图像，输出包括目标区域用地图像的预测结果。
在本申请实施例中，对预测得到的小图进行拼接，由于在对遥感影像进行切割时保留有影像的空间信息，即位置信息，因此，拼接可使用GDAL方法进行拼接，得到整幅遥感影像提取出的自然保护地农业用地预测图。
在本申请实施例中，GDAL是一个操作各种栅格地理数据格式的库。包括读取、写入、转换、处理各种栅格数据格式。利用gdal.warp进行拼接，设置如下：
Gdal.warp(out_raster_file,in_raster_files,format＝"GTiff")，out_raster_file为输出路径，in_raster_files为待拼接的所有文件。
在本申请实施例中，在切割过程中使用上述GDAL，以此获取整幅影像和切割后每张小图的仿射矩阵，从而保留遥感影像的空间信息。
在一种可能的实现方式中，为了更好地提高输出的预测结果中的目标区域用地图像的识别率和精准度，还可以基于与目标区域关联的用地关联信息，对预处理后的卫星遥感影像数据进行数据剔除处理，剔除掉关联度较小的数据。
本公开实施例提供的预测方法还包括以下步骤：
获取与目标区域关联的用地关联信息，用地关联信息包括待识别用地的面积信息和待识别用地的用地类型信息；
根据用地关联信息，对预处理后的卫星遥感影像数据进行无关数据剔除处理。
在本申请实施例中，由于采用的卫星遥感影像数据的预设格式可以为GeoTIFF格式，对卫星遥感影像数据构成的数据集进行训练、验证和测试均为GeoTIFF格式，预测结果中包括的数据也是GeoTIFF格式的数据，因此，可以结合待识别用地的面积信息和待识别用地的用地类型信息等辅助信息进行数据剔除操作，从而提高整体的识别率，最终得到并输出包括目标区域用地图像的更加精准的预测结果。
在本申请实施例中，TIFF(Tag Image File Format)图像文件是图形图像处理中常用的格式之一，GeoTIFF作为TIFF的一种扩展，在TIFF的基础上定义了一些GeoTag(地理标签)来对各种坐标系统、椭球基准、投影信息等进行定义和存储，使图像数据和地理数据存储在同一图像文件中。GeoTIFF格式是在存储图像数据的基础上，加入了地理位置信息。
采用GeoTIFF格式进行训练的优点是：一般的图像格式是PNG或JPG，这种格式只能存储三个通道的数据，但GeoTIFF格式的数据可以存储大于3个通道的数据，本公开实施例提供的预测方法中GeoTIFF格式的图像存储了四个通道的数据，为红、绿、蓝、近红外。4通道相较于3通道能够存储有更多的图像信息，模型进行训练时能充分提取特征信息，有助于提高模型训练的精度。
预测的结果也保存为GeoTIFF的原因：高分辨率遥感影像数据一般都很大，动辄几个G，所以在做预测时不能直接放进模型中，需要进行裁切，裁切成4×1024×1024的小方块，一个一个的放入模型中进行预测，预测的结果也保存为GeoTIFF格式，这样，预测的结果就有了地理位置信息，便于使用GDAL工具进行拼接。
如图3所示，是本申请实施例具体应用场景中的基于Unet模型的目标区域用地信息的预测方法的流程示意图。
基于如图3所示的各个步骤与前述步骤相同或相似，在此不再赘述，参见前述。
在本申请实施例中，获取目标区域、且具有预设格式的卫星遥感影像数据，目标区域包括目标自然保护区域和目标农业用地区域；基于第一预设方式对卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；以及将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。采用本申请实施例提供的预测方法，由于采用了预设格式的卫星遥感影像数据，并对该卫星遥感影像数据进行预处理，使得预处理后的卫星遥感影像数据不仅携带有对应的空间信息，还携带有在优化后的Unet模型中的通道信息，且该通道的数量为预设数量，预设数量比现有的三个通道的数量要多，因此，采用该预测方法能够获得的预测结果更加精准，输出的目标区域用地图像更加符合实际的目标区域用地情况。
下述为本发明基于Unet模型的目标区域用地信息的预测装置实施例，可以用于执行本发明基于Unet模型的目标区域用地信息的预测方法实施例。对于本发明基于Unet模型的目标区域用地信息的预测装置实施例中未披露的细节，请参照本发明基于Unet模型的目标区域用地信息的预测方法实施例。
请参见图4，其示出了本发明一个示例性实施例提供的基于Unet模型的目标区域用地信息的预测装置的结构示意图。该基于Unet模型的目标区域用地信息的预测装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该基于Unet模型的目标区域用地信息的预测装置包括获取模块10、预处理模块20、训练模块30和预测模块40。
具体而言，获取模块10，用于获取目标区域、且具有预设格式的卫星遥感影像数据；
预处理模块20，用于基于第一预设方式对获取模块10获取的卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；
训练模块30，用于将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；
预测模块40，用于将预处理模块20得到的预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。
可选的，预处理模块20具体用于：
根据目标区域的数字高程模型地形数据和预设校正方式，对卫星遥感影像数据中的任意一个影像数据进行几何校正处理；和/或，
对卫星遥感影像数据中的任意一个影像数据进行辐射定标处理，以将卫星遥感影像数据中的任意一个影像数据的亮度灰度值转换为对应的辐射亮度值；和/或，
对卫星遥感影像数据中的任意一个影像数据进行大气校正处理，以获得地物反射率数据；和/或，
对卫星遥感影像数据进行镶嵌及裁剪处理，以获得目标区域内的预设区域范围内的卫星遥感影像数据。
可选的，装置还包括：
构建模块(在图4中未示出)，用于在训练模块30将训练集中的训练样本均输入至Unet模型中进行迭代训练之前，根据第二预设方式构建基于Unet模型的数据集，数据集包括由多个训练样本构成的训练集、由多个验证样本构成的验证集和由多个测试样本构成的测试集。
可选的，构建模块具体用于：
通过预设工具对预处理后的卫星遥感影像数据进行矢量化处理，并标注出目标区域内待识别的目标对象区域范围；
基于地理数据格式操作库，对预处理后的卫星遥感影像数据中的任意一个影像数据按照预设顺序切割方式进行切割处理，得到对应的多张第一预设尺寸的影像数据，任意一个影像数据和对应的多张预设尺寸的影像数据均携带有对应的第一空间信息；
通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理，得到对应的增强后的卫星遥感影像数据；
按照预设比例，将增强后的卫星遥感影像数据配置为训练集、验证集和测试集。
可选的，构建模块具体用于：
按照预设翻转方向，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行翻转处理；和/或，
按照预设旋转角度，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行旋转处理；和/或，
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行模糊处理；和/或，
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行添加高斯滤波处理。
可选的，训练模块30具体用于：
构建基于卷积神经网络的Unet模型，Unet模型具有四个通道，四个通道分别为红光波段的第一通道、绿光波段的第二通道、蓝光波段的第三通道和近红外波段的第四通道；
对Unet模型的多个模型参数进行初始化处理，多个模型参数包括Unet卷积神经网络的分类数、训练次数和学习率；
通过交叉熵损失函数计算损失率，通过反向传播计算多个模型参数中的任意一个参数的梯度，以及通过预设算法动态更新对应的网络参数。
可选的，预测模块40具体用于：
按照预设图像切割方式，对预处理后的卫星遥感影像数据中的任意一个影像数据进行图像切割处理，得到对应的多张第二预设尺寸的影像数据，多张第二预设尺寸的影像数据均携带有对应的第二空间信息；
将对应的多张第二预设尺寸的影像数据依次输入至优化后的Unet模型中，对目标区域的用地信息进行预测，预测得到对应的多张第三预设尺寸的图像，多张第三预设尺寸的图像均具有对应的第三空间信息；
基于预设拼接方式，对多张第三预设尺寸的图像进行图像拼接，得到拼接后的目标区域用地图像，输出包括目标区域用地图像的预测结果。
需要说明的是，上述实施例提供的基于Unet模型的目标区域用地信息的预测装置在执行基于Unet模型的目标区域用地信息的预测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于Unet模型的目标区域用地信息的预测装置与基于Unet模型的目标区域用地信息的预测方法实施例属于同一构思，其体现实现过程详见基于Unet模型的目标区域用地信息的预测方法实施例，这里不再赘述。
在本申请实施例中，获取模块用于获取目标区域、且具有预设格式的卫星遥感影像数据，目标区域包括目标自然保护区域和目标农业用地区域；预处理模块用于基于第一预设方式对获取模块获取的卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；训练模块用于将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；以及预测模块用于将预处理模块得到的预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。采用本申请实施例，由于采用了预设格式的卫星遥感影像数据，并对该卫星遥感影像数据进行预处理，使得预处理后的卫星遥感影像数据不仅携带有对应的空间信息，还携带有在优化后的Unet模型中的通道信息，且该通道的数量为预设数量，预设数量比现有的三个通道的数量要多，因此，采用该预测方法能够获得的预测结果更加精准，输出的目标区域用地图像更加符合实际的目标区域用地情况。
在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取目标区域、且具有预设格式的卫星遥感影像数据；基于第一预设方式对卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；以及将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取目标区域、且具有预设格式的卫星遥感影像数据；基于第一预设方式对卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；以及将预处理后的卫星遥感影像数据输入至优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，预处理后的卫星遥感影像数据中携带有对应的空间信息和在优化后的Unet模型中的通道信息，预处理的卫星遥感影像数据在优化后的Unet模型中具有预设数量、且能够表征目标区域的用地信息的通道。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于Unet模型的目标区域用地信息的预测方法，其特征在于，所述方法包括：
获取目标区域、且具有预设格式的卫星遥感影像数据；
基于第一预设方式对所述卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；
将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；
将所述预处理后的卫星遥感影像数据输入至所述优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，所述预处理后的卫星遥感影像数据中携带有对应的空间信息和在所述优化后的Unet模型中的通道信息，所述预处理的卫星遥感影像数据在所述优化后的Unet模型中具有预设数量、且能够表征所述目标区域的用地信息的通道。
2.根据权利要求1所述的方法，其特征在于，所述基于第一预设方式对所述卫星遥感影像数据进行预处理包括：
根据目标区域的数字高程模型地形数据和预设校正方式，对所述卫星遥感影像数据中的任意一个影像数据进行几何校正处理；和/或，
对所述卫星遥感影像数据中的任意一个影像数据进行辐射定标处理，以将所述卫星遥感影像数据中的任意一个影像数据的亮度灰度值转换为对应的辐射亮度值；和/或，
对所述卫星遥感影像数据中的任意一个影像数据进行大气校正处理，以获得地物反射率数据；和/或，
对所述卫星遥感影像数据进行镶嵌及裁剪处理，以获得所述目标区域内的预设区域范围内的卫星遥感影像数据。
3.根据权利要求1所述的方法，其特征在于，在所述将训练集中的训练样本均输入至Unet模型中进行迭代训练之前，所述方法还包括：
根据第二预设方式构建基于Unet模型的数据集，所述数据集包括由多个训练样本构成的所述训练集、由多个验证样本构成的验证集和由多个测试样本构成的测试集。
4.根据权利要求3所述的方法，其特征在于，所述根据第二预设方式构建基于Unet模型的数据集包括：
通过预设工具对所述预处理后的卫星遥感影像数据进行矢量化处理，并标注出所述目标区域内待识别的目标对象区域范围；
基于地理数据格式操作库，对所述预处理后的卫星遥感影像数据中的任意一个影像数据按照预设顺序切割方式进行切割处理，得到对应的多张第一预设尺寸的影像数据，所述任意一个影像数据和对应的多张预设尺寸的影像数据均携带有对应的第一空间信息；
通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理，得到对应的增强后的卫星遥感影像数据；
按照预设比例，将所述增强后的卫星遥感影像数据配置为所述训练集、所述验证集和所述测试集。
5.根据权利要求4所述的方法，其特征在于，所述通过预设数据增强方式对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行数据增强处理包括：
按照预设翻转方向，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行翻转处理；和/或，
按照预设旋转角度，对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行旋转处理；和/或，
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行模糊处理；和/或，
对基于任意一个影像数据所对应的多张预设尺寸的影像数据进行添加高斯滤波处理。
6.根据权利要求1所述的方法，其特征在于，所述将训练集中的训练样本均输入至Unet模型中进行迭代训练包括：
构建基于卷积神经网络的所述Unet模型，所述Unet模型具有四个通道，所述四个通道分别为红光波段的第一通道、绿光波段的第二通道、蓝光波段的第三通道和近红外波段的第四通道；
对所述Unet模型的多个模型参数进行初始化处理，多个模型参数包括Unet卷积神经网络的分类数、训练次数和学习率；
通过交叉熵损失函数计算损失率，通过反向传播计算多个模型参数中的任意一个参数的梯度，以及通过预设算法动态更新对应的网络参数。
7.根据权利要求1所述的方法，其特征在于，所述将所述预处理后的卫星遥感影像数据输入至所述优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括所述目标区域用地图像的预测结果包括：
按照预设图像切割方式，对所述预处理后的卫星遥感影像数据中的任意一个影像数据进行图像切割处理，得到对应的多张第二预设尺寸的影像数据，所述多张第二预设尺寸的影像数据均携带有对应的第二空间信息；
将对应的多张第二预设尺寸的影像数据依次输入至所述优化后的Unet模型中，对所述目标区域的所述用地信息进行预测，预测得到对应的多张第三预设尺寸的图像，所述多张第三预设尺寸的图像均具有对应的第三空间信息；
基于预设拼接方式，对所述多张第三预设尺寸的图像进行图像拼接，得到拼接后的目标区域用地图像，输出包括所述目标区域用地图像的所述预测结果。
8.一种基于Unet模型的目标区域用地信息的预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标区域、且具有预设格式的卫星遥感影像数据；
预处理模块，用于基于第一预设方式对所述获取模块获取的所述卫星遥感影像数据进行预处理，得到预处理后的卫星遥感影像数据；
训练模块，用于将训练集中的训练样本均输入至Unet模型中进行迭代训练，直至测试集的损失函数达到恒定值为止，输出优化后的Unet模型；
预测模块，用于将所述预处理模块得到的所述预处理后的卫星遥感影像数据输入至所述优化后的Unet模型中，对目标区域的用地信息进行预测，输出包括目标区域用地图像的预测结果，所述预处理后的卫星遥感影像数据中携带有对应的空间信息和在所述优化后的Unet模型中的通道信息，所述预处理的卫星遥感影像数据在所述优化后的Unet模型中具有预设数量、且能够表征所述目标区域的用地信息的通道。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述预测方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182338.XA CN113869262A (zh) | 2021-10-11 | 2021-10-11 | 一种基于Unet模型的目标区域用地信息的预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111182338.XA CN113869262A (zh) | 2021-10-11 | 2021-10-11 | 一种基于Unet模型的目标区域用地信息的预测方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113869262A true CN113869262A (zh) | 2021-12-31 |
Family
ID=78998930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111182338.XA Pending CN113869262A (zh) | 2021-10-11 | 2021-10-11 | 一种基于Unet模型的目标区域用地信息的预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113869262A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117312780A (zh) * | 2023-11-29 | 2023-12-29 | 广东蘑菇物联科技有限公司 | 一种空压站数据增强方法、装置、存储介质及计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
| CN112101309A (zh) * | 2020-11-12 | 2020-12-18 | 北京道达天际科技有限公司 | 基于深度学习分割网络的地物目标识别方法和装置 |
| CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
| CN113255607A (zh) * | 2021-06-30 | 2021-08-13 | 北京道达天际科技有限公司 | 基于多模型融合的遥感房屋检测方法及装置 |
| CN113486975A (zh) * | 2021-07-23 | 2021-10-08 | 深圳前海微众银行股份有限公司 | 遥感图像的地物分类方法、装置、设备及存储介质 |
-
2021
- 2021-10-11 CN CN202111182338.XA patent/CN113869262A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886106A (zh) * | 2019-01-15 | 2019-06-14 | 浙江大学 | 一种基于深度学习的遥感图像建筑物变化检测方法 |
| CN112464745A (zh) * | 2020-11-09 | 2021-03-09 | 中国科学院计算机网络信息中心 | 一种基于语义分割的地物识别与分类方法和装置 |
| CN112101309A (zh) * | 2020-11-12 | 2020-12-18 | 北京道达天际科技有限公司 | 基于深度学习分割网络的地物目标识别方法和装置 |
| CN113255607A (zh) * | 2021-06-30 | 2021-08-13 | 北京道达天际科技有限公司 | 基于多模型融合的遥感房屋检测方法及装置 |
| CN113486975A (zh) * | 2021-07-23 | 2021-10-08 | 深圳前海微众银行股份有限公司 | 遥感图像的地物分类方法、装置、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117312780A (zh) * | 2023-11-29 | 2023-12-29 | 广东蘑菇物联科技有限公司 | 一种空压站数据增强方法、装置、存储介质及计算机设备 |
| CN117312780B (zh) * | 2023-11-29 | 2024-03-08 | 广东蘑菇物联科技有限公司 | 一种空压站数据增强方法、装置、存储介质及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796037B (zh) | 基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法 | |
| Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
| CN111507271B (zh) | 一种机载光电视频目标智能化检测与识别方法 | |
| CN109886066B (zh) | 基于多尺度和多层特征融合的快速目标检测方法 | |
| CN111062885B (zh) | 基于多阶段迁移学习的标志检测模型训练及标志检测方法 | |
| CN113076871B (zh) | 一种基于目标遮挡补偿的鱼群自动检测方法 | |
| CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| CN112651438A (zh) | 多类别图像的分类方法、装置、终端设备和存储介质 | |
| CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
| CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
| CN111291826B (zh) | 基于相关性融合网络的多源遥感图像的逐像素分类方法 | |
| CN113869262A (zh) | 一种基于Unet模型的目标区域用地信息的预测方法和装置 | |
| CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
| CN115147731A (zh) | 一种基于全空间编码注意力模块的sar图像目标检测方法 | |
| CN116258976A (zh) | 一种分层次Transformer的高分辨率遥感图像语义分割方法及系统 | |
| CN110728197A (zh) | 基于深度学习的单木级树种识别方法 | |
| CN111444923A (zh) | 自然场景下图像语义分割方法和装置 | |
| CN113298032A (zh) | 基于深度学习的无人机视角图像的车辆目标检测方法 | |
| CN114494821A (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 | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN114037640A (zh) | 图像生成方法及装置 | |
| CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
| Huang et al. | Attention-guided label refinement network for semantic segmentation of very high resolution aerial orthoimages | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN113705538A (zh) | 基于深度学习的高分遥感影像道路变化检测装置及方法 |
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: 20211231 |
|
| RJ01 | Rejection of invention patent application after publication |