CN113902792B - 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 - Google Patents

基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 Download PDF

Info

Publication number
CN113902792B
CN113902792B CN202111304220.XA CN202111304220A CN113902792B CN 113902792 B CN113902792 B CN 113902792B CN 202111304220 A CN202111304220 A CN 202111304220A CN 113902792 B CN113902792 B CN 113902792B
Authority
CN
China
Prior art keywords
building
shadow
model
height
retinanet
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
CN202111304220.XA
Other languages
English (en)
Other versions
CN113902792A (zh
Inventor
赵宇恒
特日根
张贺峰
谢金龙
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.)
Chang Guang Satellite Technology Co Ltd
Original Assignee
Chang Guang Satellite Technology Co Ltd
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 Chang Guang Satellite Technology Co Ltd filed Critical Chang Guang Satellite Technology Co Ltd
Priority to CN202111304220.XA priority Critical patent/CN113902792B/zh
Publication of CN113902792A publication Critical patent/CN113902792A/zh
Application granted granted Critical
Publication of CN113902792B publication Critical patent/CN113902792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提出基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备，所述方法包括：步骤1：制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；步骤2：对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast‑NMS优化Prediction Head部分；步骤3：使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；步骤4：使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；步骤5：使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。本发明可以准确的识别建筑物高度，为城市研究提供方法和技术支撑。

Description

基于改进RetinaNet网络的建筑物高度检测方法、系统和电子 设备
技术领域
本发明属于光学遥感图像处理技术领域，特别是涉及基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备。
背景技术
建筑物高度信息是城市规划、城市信息研究的一个重要参数，随着城市化进程的迅速发展，获取城市建筑物高度信息对城市规划和发展战略的制定有着重要意义。现阶段在建筑物高度预测研究领域，大部分方法采用激光点云数据或影像立体像对进行建筑物高度的反演，这些方法虽然能够精准的测算出建筑物高度，但其数据源的获取以及对建筑物高度预测过程需要较高成本。目前遥感技术飞速发展，大量的高回访、高分辨率、大幅宽的遥感影像成为城市建筑物高度研究的主要数据依靠，特别是高空间分辨率卫星影像和航空影像凭借其包含更丰富地物特征信息的优势，使得精细化识别建筑物特征成为可能。
建筑物阴影是城市研究中最常见的要素之一。利用城市建筑物阴影特征计算建筑物高度是基于单幅影像进行建筑物高度预测的一种重要方法。目前很多学者基于建筑物阴影信息在建筑物高度预测算法研究领域中取得了大量的研究成果。
何国金等人基于阴影的光谱特征，利用TM(Thematic Mapper)影像中的多光谱波段与高空间分辨率的SPOT卫星全色波段进行融合，使融合后的影像同时具有多光谱信息和高分辨率信息，然后利用光谱特征提取建筑物阴影，进而提取到建筑物的高度信息。然而这种方在提取阴影信息过程中需要人工参与设定阈值以区分阴影、水体和植被，因此鲁棒性较低存在一定的局限性。
付小毛等人利用图像处理软件对建筑物物阴影进行提取，实现建筑物高度的预测，虽然该方法能够准确地提取出建筑物的阴影信息，但是仍然需要依靠大量复杂的人工操作，该方法时效性低，更新频率低，无法适应当前的监测需求。
付乾坤等人提出基于形态学图像处理算法提取建筑物的阴影信息进而实现城市建筑物高度的估算，虽然这种方法减少了人工参与提升了自动检测的速度但是受运算量的限制，仍然无法应对大数据环境下的快速实时监测，并且形态学算法的鲁棒性较低容易受影像拍摄参数及城市环境影响。
随着深度学习技术的不断进步，基于神经网络的目标检测和分割算法愈发成熟，这些算法凭借其快速的检测能力、精准的识别结果、较强的泛化能力被广泛应用到城市研究中。本发明基于高空间分辨率遥感技术和深度学习技术，顾及到城市研究中对建筑物高度的诉求，设计并发明了一种基于改进RetinaNet模型检测建筑物阴影并计算建筑物高度的方法。该方法能够实现快速准确的对建筑物高度的预测，为城市发展相关的政策制定和研究方向提供数据参考以及方法支撑。
发明内容
本发明目的是为了解决现有技术中的问题，提出了基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备。本发明利用建筑物阴影、太阳高度角及建筑物高度三者的几何关系计算建筑物高度。本发明可以准确的识别建筑物高度，为城市研究提供方法和技术支撑。
本发明根据以下方案实现，本发明提出基于改进RetinaNet网络的建筑物高度检测方法，所述方法包括：
步骤1：制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；
步骤2：对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast-NMS优化Prediction Head部分；
步骤3：使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；
步骤4：使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；
步骤5：使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。
进一步地，所述步骤1具体为：
步骤1.1：选定用于训练建筑物高度检测模型的遥感影像，所述遥感影像来源于吉林一号宽幅01星拍摄的遥感数据；
步骤1.2：对用于制作数据集的原始遥感影像进行裁剪，将裁剪尺寸设定为363*263像素，对于切割后大小不足363×263像素的尺寸的部分，使用0值进行填充；
步骤1.3：划分训练集和验证集，裁剪后得到图像共计4751张，按照训练集与验证集3：1的比例进行验证集与训练集划分，最终得到训练集包含裁剪后的图像3565张，验证集包含裁剪后的图像1186张。
进一步地，所述步骤2具体为：
步骤2.1：对RetinaNet模型中原始的FPN层进行下采样操作，增加下采样层；
步骤2.2：在RetinaNet模型的类别预测阶段，使用OHEM函数替换FOCAL LOSS损失函数；
步骤2.3：在RetinaNet模型的边界框预测阶段加入快速非极大值抑制算法Fast-NMS，提升候选框筛选速度。
进一步地，在训练过程中，超参数设置为：初始学习速率learning_rate＝0.001，批尺寸batch_size＝4，训练代数epochs＝100000，分割类别n_classes＝2。
进一步地，所述步骤4具体为：
步骤4.1：将用于测试的遥感影像进行裁剪，将裁剪尺寸设定为363*263像素，对于切割后大小不足363×263像素的尺寸的部分，使用0值进行填充；
步骤4.2：将裁剪后的图像输入到训练好的RetinaNet模型中，对遥感影像中建筑物阴影进行提取；
步骤4.3：利用阴影检测结果中边界框的对角点的像素坐标，计算阴影的像素长度，再根据图像中每个像元对应的实际距离将阴影的像素长度转化为实际长度。
进一步地，所述步骤5具体为：
步骤5.1：当太阳和卫星在建筑物同侧时，根据太阳高度角、卫星高度角，建筑物阴影以及建筑物高度三者的几何关系构建建筑物高度计算公式；建筑物高度计算公式如公式(1)所示，其中L2表示遥感影像中检测到的建筑物阴影长度，a表示太阳高度角，b表示卫星高度角，H表示建筑物高度；
步骤5.2：将步骤4.3得到的阴影长度带入到建筑物高度计算公式中计算出对应建筑物高度。
本发明还提出基于改进RetinaNet网络的建筑物高度检测系统，所述系统包括：
数据集制作模块：用于制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；
模型改进模块：用于对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast-NMS优化Prediction Head部分；
训练模块：用于使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；
阴影检测模块：用于使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；
高度检测模块：用于使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。
本发明还提出一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于改进RetinaNet网络的建筑物高度检测方法。
本发明的有益效果：
(1)本发明使用改进的RetinaNet网络，使其更适合于阴影边缘的检测；
(2)本发明解决了传统阴影提取算法效率低、鲁棒性低、人工介入等不足，实现了阴影的智能化检测；
(3)本发明解决基于单幅遥感影像预测建筑物高度时时效性低，结果精度差等问题。
附图说明
图1为本发明所述基于改进RetinaNet网络的建筑物高度检测方法的流程图；
图2为改进的FPN网络结构图；
图3为卫星、太阳、建筑物位置关系图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1-3，本发明提出基于改进RetinaNet网络的建筑物高度检测方法，所述方法包括：
步骤1：制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；
所述步骤1具体为：
步骤1.1：选定用于训练建筑物高度检测模型的遥感影像，所述遥感影像来源于吉林一号宽幅01星拍摄的遥感数据；
步骤1.2：对用于制作数据集的原始遥感影像进行裁剪，将裁剪尺寸设定为363*263像素，对于切割后大小不足363×263像素的尺寸的部分，使用0值进行填充；
步骤1.3：划分训练集和验证集，裁剪后得到图像共计4751张，按照训练集与验证集3：1的比例进行验证集与训练集划分，最终得到训练集包含裁剪后的图像3565张，验证集包含裁剪后的图像1186张。
步骤2：对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast-NMS优化Prediction Head部分；
所述步骤2具体为：
步骤2.1：对RetinaNet模型中原始的FPN层进行下采样操作，增加下采样层；
步骤2.2：在RetinaNet模型的类别预测阶段，使用OHEM函数替换FOCAL LOSS损失函数；
步骤2.3：在RetinaNet模型的边界框预测阶段加入快速非极大值抑制算法Fast-NMS，提升候选框筛选速度。
步骤3：使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；
程序将在CPU为Intel Core i7-9700，GPU为NVIDIA GeForce RTX 2060(ComputeCapability＝7.5,1920CUDACores)，内存为16GB，操作系统为Ubuntu 18.04的机器上运行，使用Python版本为3.6，Pytorch版本1.8.0。
在训练过程中，超参数设置为：初始学习速率learning_rate＝0.001，批尺寸batch_size＝4，训练代数epochs＝100000，分割类别n_classes＝2。
步骤4：使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；
所述步骤4具体为：
步骤4.1：将用于测试的遥感影像进行裁剪，将裁剪尺寸设定为363*263像素，对于切割后大小不足363×263像素的尺寸的部分，使用0值进行填充；
步骤4.2：将裁剪后的图像输入到训练好的RetinaNet模型中，对遥感影像中建筑物阴影进行提取；
步骤4.3：利用阴影检测结果中边界框的对角点的像素坐标，计算阴影的像素长度，再根据图像中每个像元对应的实际距离将阴影的像素长度转化为实际长度。
步骤5：使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。
所述步骤5具体为：
步骤5.1：当太阳和卫星在建筑物同侧时，根据太阳高度角、卫星高度角，建筑物阴影以及建筑物高度三者的几何关系构建建筑物高度计算公式；太阳高度、建筑物阴影以及建筑物高度三者的几何关系如图3所示，建筑物高度计算公式如公式(1)所示，其中L2表示遥感影像中检测到的建筑物阴影长度，a表示太阳高度角，b表示卫星高度角，H表示建筑物高度；
步骤5.2：将步骤4.3得到的阴影长度带入到建筑物高度计算公式中计算出对应建筑物高度。
本发明还提出基于改进RetinaNet网络的建筑物高度检测系统，所述系统包括：
数据集制作模块：用于制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；
模型改进模块：用于对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast-NMS优化Prediction Head部分；
训练模块：用于使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；
阴影检测模块：用于使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；
高度检测模块：用于使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。
本发明还提出一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的基于改进RetinaNet网络的建筑物高度检测方法。
以上对本发明所提出的基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.基于改进RetinaNet网络的建筑物高度检测方法，其特征在于：所述方法包括：
步骤1：制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；
步骤2：对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast-NMS优化Prediction Head部分；
所述步骤2具体为：
步骤2.1：对RetinaNet模型中原始的FPN层进行下采样操作，增加下采样层；
步骤2.2：在RetinaNet模型的类别预测阶段，使用OHEM函数替换FOCAL LOSS损失函数；
步骤2.3：在RetinaNet模型的边界框预测阶段加入快速非极大值抑制算法Fast-NMS，提升候选框筛选速度；
步骤3：使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；
步骤4：使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；
步骤5：使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。
2.根据权利要求1所述的方法，其特征在于：所述步骤1具体为：
步骤1.1：选定用于训练建筑物高度检测模型的遥感影像，所述遥感影像来源于吉林一号宽幅01星拍摄的遥感数据；
步骤1.2：对用于制作数据集的原始遥感影像进行裁剪，将裁剪尺寸设定为363*263像素，对于切割后大小不足363×263像素的尺寸的部分，使用0值进行填充；
步骤1.3：划分训练集和验证集，裁剪后得到图像共计4751张，按照训练集与验证集3：1的比例进行验证集与训练集划分，最终得到训练集包含裁剪后的图像3565张，验证集包含裁剪后的图像1186张。
3.根据权利要求2所述的方法，其特征在于：在训练过程中，超参数设置为：初始学习速率learning_rate＝0.001，批尺寸batch_size＝4，训练代数epochs＝100000，分割类别n_classes＝2。
4.根据权利要求3所述的方法，其特征在于：所述步骤4具体为：
步骤4.1：将用于测试的遥感影像进行裁剪，将裁剪尺寸设定为363*263像素，对于切割后大小不足363×263像素的尺寸的部分，使用0值进行填充；
步骤4.2：将裁剪后的图像输入到训练好的RetinaNet模型中，对遥感影像中建筑物阴影进行提取；
步骤4.3：利用阴影检测结果中边界框的对角点的像素坐标，计算阴影的像素长度，再根据图像中每个像元对应的实际距离将阴影的像素长度转化为实际长度。
5.根据权利要求4所述的方法，其特征在于：所述步骤5具体为：
步骤5.1：当太阳和卫星在建筑物同侧时，根据太阳高度角、卫星高度角，建筑物阴影以及建筑物高度三者的几何关系构建建筑物高度计算公式；建筑物高度计算公式如公式(1)所示，其中L2表示遥感影像中检测到的建筑物阴影长度，a表示太阳高度角，b表示卫星高度角，H表示建筑物高度；
步骤5.2：将步骤4.3得到的阴影长度带入到建筑物高度计算公式中计算出对应建筑物高度。
6.基于改进RetinaNet网络的建筑物高度检测系统，其特征在于：所述系统包括：
数据集制作模块：用于制作基于高分辨率光学遥感影像的建筑物阴影检测数据集；
模型改进模块：用于对RetinaNet模型进行改进，在FPN层增加两层下采样层，利用OHEM损失函数和Fast-NMS优化Prediction Head部分；
所述模型改进模块具体为：
对RetinaNet模型中原始的FPN层进行下采样操作，增加下采样层；
在RetinaNet模型的类别预测阶段，使用OHEM函数替换FOCAL LOSS损失函数；
在RetinaNet模型的边界框预测阶段加入快速非极大值抑制算法Fast-NMS，提升候选框筛选速度；
训练模块：用于使用建筑物阴影检测数据集对改进后的RetinaNet模型进行训练；
阴影检测模块：用于使用训练后的模型对测试数据进行阴影检测，并计算阴影长度；
高度检测模块：用于使用建筑物高度计算公式根据检测到的建筑物阴影信息计算建筑物高度。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-5任一项所述的基于改进RetinaNet网络的建筑物高度检测方法。
CN202111304220.XA 2021-11-05 2021-11-05 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 Active CN113902792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111304220.XA CN113902792B (zh) 2021-11-05 2021-11-05 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111304220.XA CN113902792B (zh) 2021-11-05 2021-11-05 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备

Publications (2)

Publication Number Publication Date
CN113902792A CN113902792A (zh) 2022-01-07
CN113902792B true CN113902792B (zh) 2024-06-11

Family

ID=79193419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111304220.XA Active CN113902792B (zh) 2021-11-05 2021-11-05 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备

Country Status (1)

Country Link
CN (1) CN113902792B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100536B (zh) * 2022-06-01 2023-03-28 中科星睿科技(北京)有限公司 建筑物识别方法、装置、电子设备和计算机可读介质
CN116503464B (zh) * 2023-06-25 2023-10-03 武汉理工大学三亚科教创新园 基于遥感图像的农田建筑物高度预测方法
CN118279751B (zh) * 2024-05-31 2024-09-06 华东师范大学 基于Sentinel-2影像和Unet模型的海上风机装机容量计算方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111209887A (zh) * 2020-01-15 2020-05-29 西安电子科技大学 针对小目标检测的ssd模型优化方法
CN111222478A (zh) * 2020-01-11 2020-06-02 深圳奥腾光通系统有限公司 一种工地安全防护检测方法和系统
CN113011288A (zh) * 2021-03-02 2021-06-22 中北大学 一种基于Mask RCNN算法的遥感建筑物检测方法
CN113159063A (zh) * 2021-03-30 2021-07-23 电子科技大学 一种基于改进的RetinaNet小目标检测方法
CN113205018A (zh) * 2021-04-22 2021-08-03 武汉大学 一种基于多尺度残差网络模型的高分影像建筑物提取方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108830896A (zh) * 2018-01-23 2018-11-16 北斗导航位置服务（北京）有限公司 一种基于全卷积网络和建筑阴影几何模型的遥感影像水体斑块提取方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222478A (zh) * 2020-01-11 2020-06-02 深圳奥腾光通系统有限公司 一种工地安全防护检测方法和系统
CN111209887A (zh) * 2020-01-15 2020-05-29 西安电子科技大学 针对小目标检测的ssd模型优化方法
CN113011288A (zh) * 2021-03-02 2021-06-22 中北大学 一种基于Mask RCNN算法的遥感建筑物检测方法
CN113159063A (zh) * 2021-03-30 2021-07-23 电子科技大学 一种基于改进的RetinaNet小目标检测方法
CN113205018A (zh) * 2021-04-22 2021-08-03 武汉大学 一种基于多尺度残差网络模型的高分影像建筑物提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Tsung-Yi Lin ; Priya Goyal ; Ross Girshick ; Kaiming He ; Piotr Dollár. Publisher: IEEE Cite This PDF.《 2017 IEEE International Conference on Computer Vision (ICCV)》.2017,第2999-3007页. *
基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究;朱岩彬;徐启恒;杨俊涛;莫海林;;地理信息世界;20200425(第02期);全文 *

Also Published As

Publication number Publication date
CN113902792A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN113902792B (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN112766274B (zh) 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
CN114758252B (zh) 基于图像的分布式光伏屋顶资源分割与提取方法及系统
CN111914795A (zh) 一种航拍图像中旋转目标检测方法
CN103605953A (zh) 基于滑窗搜索的车辆兴趣目标检测方法
CN113284124A (zh) 一种基于无人机视觉的光伏面板缺陷检测方法
CN115205264A (zh) 一种基于改进YOLOv4的高分辨率遥感船舶检测方法
CN110837839B (zh) 一种高精度无人机正射影像制作及数据采集方法
CN108229524A (zh) 一种基于遥感图像的烟囱和冷凝塔检测方法
CN115661032A (zh) 一种适用于复杂背景的路面病害智能检测方法
Huang et al. Correlation and local feature based cloud motion estimation
CN113033390A (zh) 一种基于深度学习的大坝遥感智能检测方法
CN113902793B (zh) 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备
CN110910349A (zh) 一种基于航拍视觉的风电机组状态获取方法
CN117691592A (zh) 光伏出力预测方法、装置、电子设备及存储介质
Li et al. Building recognition based on improved faster R-CNN in high point monitoring image
CN113838056B (zh) 一种电力设备联合检测识别方法、系统、设备及存储介质
Li et al. Depth image restoration method based on improved FMM algorithm
Wang et al. Research on surface defect detection of disc harrow based on YOLOv5
Wang et al. Research on appearance defect detection of power equipment based on improved faster-rcnn
Yang et al. Research on real-time detection of road vehicle targets based on YOLOV4 improved algorithm
Qiao et al. Research on the Rapid Extraction Method of Overhead Line Laser Point Cloud Based on Fusion Segmentation
Qiao et al. An InceptionNet-based object detection algorithm for wind turbine inspection robot
Li et al. Research on the extremely small target identification in aerial remote sensing images with negative example enhancement
Dai Image acquisition technology for unmanned aerial vehicles based on YOLO-Illustrated by the case of wind turbine blade inspection

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
CB02 Change of applicant information

Country or region after: China

Address after: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province

Applicant after: Changguang Satellite Technology Co.,Ltd.

Address before: No. 1299, Mingxi Road, Beihu science and Technology Development Zone, Changchun City, Jilin Province

Applicant before: CHANG GUANG SATELLITE TECHNOLOGY Co.,Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant