CN113920311A - 一种基于边缘辅助信息的遥感图像分割方法及系统 - Google Patents
一种基于边缘辅助信息的遥感图像分割方法及系统 Download PDFInfo
- Publication number
- CN113920311A CN113920311A CN202111094364.7A CN202111094364A CN113920311A CN 113920311 A CN113920311 A CN 113920311A CN 202111094364 A CN202111094364 A CN 202111094364A CN 113920311 A CN113920311 A CN 113920311A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- feature map
- edge
- image segmentation
- 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
- G06F18/25—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
- 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
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
本发明属于遥感图像分割技术领域,提供了一种基于边缘辅助信息的遥感图像分割方法及系统,首先获取遥感图像,并经过图像预处理后得到多个局部图像;然后采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图;提升了对遥感图像中边缘的分割效果,提高了遥感图像分割的精度。
Description
技术领域
本发明属于遥感图像分割技术领域,尤其涉及一种基于边缘辅助信息的遥感图像分割方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近年来,随着航天技术的成熟以及无人机技术的商业化,高分辨率遥感图像的大规模采集已经实现。高分辨率遥感图像包含更丰富的空间地物几何信息、纹理信息以及色彩信息等,对高分辨率遥感图像的智能解译在环境监测、城建规划、资源利用等诸多领域有着重要意义,对其所蕴含信息最直接的解析便是判断每一像素点所属的物体,即赋予每个像素点一个类别,这与图像语义分割的目的不谋而合。
随着深度学习的发展,特别是随着全卷积神经网络FCN的提出,图像语义分割任务取得了里程碑式的进步,Unet、SegNet、PSPNet、Deeplab系列等算法在自然场景图像分割任务中一步步取得非常高的精度。这些算法应用到高分辨率遥感图像时,能保证一定的分割效果,但由于遥感图像存在类内差异大、类间差异小的问题,例如同属建筑类,不同建筑之间的大小、色彩以及纹理都会存在差异,而道路和建筑两类之间又存在相似性,因此使得针对自然场景设计的图像分割算法在提取遥感图像地物目标时出现类别误分类、边缘不准确的现象,难以直接应用。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于边缘辅助信息的遥感图像分割方法及系统,通过卷积神经网络提取遥感图像的多尺度信息,在多尺度信息的基础上解耦出边缘信息,利用边缘信息以及主体特征图,构建出最终含有精细化边缘信息的特征图,以此特征图进行最后的分割预测。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于边缘辅助信息的遥感图像分割方法,其包括:
获取遥感图像,并经过图像预处理后得到多个局部图像;
采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;
其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图。
进一步的,所述得到边缘特征与主体特征,具体步骤包括:
将多个深层特征图经过线性插值上采样到浅层特征图的尺寸后,进行拼接,得到初级特征图;
拼接初级特征图与浅层特征图,获得融合特征图;
基于融合特征图和浅层特征图,通过差值的形式解耦出边缘特征图;
基于边缘特征图和融合特征图,通过差值的形式解耦出主体特征图。
进一步的,其特征在于,所述遥感图像分割模型的损失函数由分割损失函数和辅助损失函数构成;
所述辅助损失函数利用边缘标签作为监督信息,以二值交叉熵为损失函数;
所述分割损失函数利用类别标签作为监督信息,以交叉熵为损失函数。
进一步的,所述遥感图像分割模型还包括预测器,所述预测器将最终特征图映射到与遥感图像类别数相同的维度中。
进一步的,所述局部图像是利用滑动窗口的方法对遥感图像进行切割得到,具体的:以设定的窗口尺寸和移动步长在遥感图像上移动滑动窗口,得到多个局部图像,对于不足以切割的部分,回退滑动窗口使其满足窗口尺寸。
进一步的,所述遥感图像分割模型在训练过程中使用的训练集包括图像块及其对应的边缘标签和类别标签;其中,训练集中的图像块需要进行数据增强操作。
进一步的,所述遥感图像分割模型以概率的形式输出各像素点属于各类的预测结果,对于多个局部图像间的重叠像素点,对各重叠像素点属于各类的概率求均值,以均值作为各重叠像素点的最终预测结果。
本发明的第二个方面提供一种基于边缘辅助信息的遥感图像分割系统,其包括:
预处理模块,其被配置为:获取遥感图像,并经过图像预处理后得到多个局部图像;
预测模块,其被配置为:采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;
其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图。
本发明的第三个方面提供一种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如上述所述的一种基于边缘辅助信息的遥感图像分割方法中的步骤。
本发明的第四个方面提供一种计算机设备,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,所述处理器执行所述程序时实现如上述所述的一种基于边缘辅助信息的遥感图像分割方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于边缘辅助信息的遥感图像分割方法,克服了现有分割算法在遥感图像领域存在的不足,提高了遥感图像分割的精度。
本发明提供了一种基于边缘辅助信息的遥感图像分割方法,其通过引入多尺度特征,提高了网络处理不同尺度物体的能力,同时在训练过程中加入了边缘辅助监督信息,有效地改善了现有分割算法在边缘处分割不精确的问题,提升了对遥感图像中边缘的分割效果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种基于边缘辅助信息的遥感图像分割方法整体流程图;
图2是本发明实施例的特征提取网络的结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1-2所示,本实施例提供了一种基于边缘辅助信息的遥感图像分割方法,可适用于高分辨率遥感图像的分割任务,该方法通过卷积神经网络提取遥感图像的多尺度信息,在多尺度信息的基础上解耦出边缘信息,利用边缘信息以及主体特征图,构建出最终含有精细化边缘信息的特征图,并以此特征图进行最后的分割预测。
本实施例提供的一种基于边缘辅助信息的遥感图像分割方法,首先获取遥感图像,并经过图像预处理后得到多个局部图像;然后采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图。具体包括6个步骤:
1、获取遥感图像
作为一种实施方式,将原始数据集按照7:3的比例划分为训练集和测试集。其中,训练集用于训练遥感图像分割模型,验证集用于评价模型效果。
在具体使用过程中,直接将获取的遥感图像或者测试集中的遥感图像经过预处理后输入训练好的遥感图像分割模型中即可。
其中,遥感图像分割模型包括特征提取网络和预测器,如图2所示,特征提取网络包括编码器、解码器。
2、图像预处理
(1)利用滑动窗口的方法对遥感图像进行切割得到多个局部图像,具体的,设定滑动窗口的窗口尺寸和移动步长,移动步长小于窗口尺寸,以设定的窗口尺寸和移动步长在遥感图像上移动滑动窗口,得到多个局部图像,对于不足以切割的部分,回退滑动窗口使其满足窗口尺寸。
作为一种实施方式,利用滑动窗口的方法将高分辨率遥感图像切割成多个局部图像,其中滑动窗口大小是896*896像素,每次移动512像素,对于不足以切割的部分,回退窗口使其构成896*896像素,以保证原图像的每一部分都被利用。
(2)训练集中的的图像块需要进行数据增强操作,对局部图像进行水平、垂直随机翻转以及随机90旋转等数据增强操作。
对于训练集,在进行图像预处理之前,利用seg2bmap方法根据类别标签生成边缘标签,标签从0,1取值,若某像素点处于物体边缘,则其标签值为1,反之,其标签值为0。因此,遥感图像分割模型在训练过程中使用的训练集包括图像块及其对应的边缘标签和类别标签。
相较于自然场景图像,高分辨率遥感图像普遍拥有非常大的尺寸,无法直接送入遥感图像分割模型进行训练,因此提前对高分辨率遥感图像做切割,以便满足计算资源的限制。
本发明在训练过程中使用了预训练模型,因此本发明同样根据预训练模型的统计数据对遥感图像进行标准化。
3、编码过程
首先,本发明选择残差网络ResNet-50作为编码器,ResNet-50在输入与输出间构建了残差结构,使得深层网络的训练成为可能。
编码器采用残差网络获得多个不同尺度的特征图,包括浅层特征图和多个深层特征图。
作为一种实施方式,编码器ResNet-50分成四个阶段,分别生成四个尺度的特征信息,以896*896像素的局部图像为例,将图像输入到特征提取器中,将得到四个不同尺度的特征图,尺寸分别为224*224*256、128*128*512、64*64*1024以及32*32*2048,其中,最后数字代表当前特征图的通道数,将四个特征图分别记为P2、P3、P4、P5。
4、解码过程——边缘信息解耦
网络ResNet-50的浅层提取的特征图分辨率较大,且包含更多的空间信息,随着网络ResNet-50层数的加深,特征图分辨率逐渐变小,同时包含更多的语义信息。
解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征与主体特征,具体步骤包括:
在遥感图像分割模型的训练过程中利用Pedge去预测图像中的物体边缘,并利用图像预处理中获得的边缘标签作为监督信息,以二值交叉熵为损失函数,记为辅助损失函数Ledge,计算公式如下:
其中,N属于样本数,即每个局部图像中的像素数量;i代表图像中的第i个像素点,其取值范围为{1,2,3,...,N};yi为第i个像素点对应的类别标签,当该像素位于物体边缘时yi=1,反之yi=0;p(yi)为第i个像素点属于边界的概率。
(4)至此,构建出代表边缘信息的特征图Pedge以及同时包含主体信息以及边缘信息的融合特征图P,利用与解耦出边缘信息相同的方式,通过差值获得主体特征图Pbody=P-Pedge。
5、解码过程——边缘信息与主体信息融合
通过解耦融合特征P,本发明在遥感图像分割模型中引入了辅助监督信息,遥感图像分割模型会更加关注物体的边缘部分,使得遥感图像分割模型对边缘的预测更加精确。
本发明将受监督的边缘特征图与主体特征图融合起来,获得最终特征图Ppred=Pedge+Pbody。
6、最终预测
预测器包含卷积核大小为1*1的卷积层,该预测器将最终特征图Ppred映射到与遥感图像类别数相同的维度中,并以此与图像标签计算交叉熵损失函数Loss。
分割损失函数利用类别标签作为监督信息,以交叉熵为损失函数,计算分割损失函数公式如下:
其中,N属于样本数,此处是每个图像块的像素数量;M为类别数;i代表图像块中的第i个像素点,其取值范围为{1,2,3,...,N};j代表第j类,其取值范围为{1,2,...,M};yij为符号函数,即类别标签,若样本i的真实类别等于j则取1,否则取0;pij为样本i属于类别j的概率值。
本发明通过引入辅助损失函数的方式,除对分割结果进行监督外,还设置了辅助监督信息,即遥感图像分割模型的损失函数由分割损失函数和辅助损失函数构成,因此总的损失函数Loss的计算方式如下:
Loss=Lossseg+λLossedge
其中,λ为辅助损失函数的超参数,优选的,λ的值设置为1。
本发明使用SGD优化器对遥感图像分割模型进行优化,将其动量设置为0.9,权值衰减系数设置为0.0001,以0.007为初始学习率,在训练过程中学习率以多项式方式进行衰减,直至为0。受限于计算资源,本发明将批训练大小设置为4,设置80个epoch,本发明在训练过程中不进行验证,而是观察损失函数Loss的变化曲线,选取损失函数Loss收敛后的模型作为最终的遥感图像分割模型。
采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果。
作为一种实施方式,在测试阶段,本发明对图像的剪裁与训练过程保持一致,即将测试图像通过滑动窗口的方法剪裁成多个图像块,其中滑动窗口大小为896*896像素,每次滑动512像素。给定任意一张测试图像I,在测试过程中,记录下每个局部图像相对于图像I的位置信息,随后将各个局部图像送入遥感图像分割模型,遥感图像分割模型会以概率的形式输出各像素点属于各类的预测结果,对于两个局部图像间的重叠像素点,本发明根据局部图像相对于图像I的位置信息,对各重叠像素点属于各类的概率求均值,以均值作为各重叠像素点的最终预测结果,若像素点被多个图像块覆盖,同样按照求均值的原则计算最终预测结果。进一步的,将图像I剪裁出的所有图像块按照上述原则组合起来,就形成了图像I最终的分割结果。
本发明的一种基于边缘辅助信息的遥感图像分割方法,通过引入多尺度特征,提高了网络处理不同尺度物体的能力,同时在训练过程中加入了边缘辅助监督信息,有效地改善了现有分割算法在边缘处分割不精确的问题,提升了对遥感图像中边缘的分割效果,克服了现有分割算法在遥感图像领域存在的不足,提高了遥感图像分割的精度。
实施例二
本实施例提供了一种基于边缘辅助信息的遥感图像分割系统,其具体包括如下模块:
预处理模块,其被配置为:获取遥感图像,并经过图像预处理后得到多个局部图像;
预测模块,其被配置为:采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;
其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种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如上述实施例一所述的一种基于边缘辅助信息的遥感图像分割方法中的步骤。
实施例四
本实施例提供了一种计算机设备,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,所述处理器执行所述程序时实现如上述实施例一所述的一种基于边缘辅助信息的遥感图像分割方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,所述的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,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于边缘辅助信息的遥感图像分割方法,其特征在于,包括:
获取遥感图像,并经过图像预处理后得到多个局部图像;
采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;
其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图。
2.如权利要求1所述的一种基于边缘辅助信息的遥感图像分割方法,其特征在于,所述得到边缘特征与主体特征,具体步骤包括:
将多个深层特征图经过线性插值上采样到浅层特征图的尺寸后,进行拼接,得到初级特征图;
拼接初级特征图与浅层特征图,获得融合特征图;
基于融合特征图和浅层特征图,通过差值的形式解耦出边缘特征图;
基于边缘特征图和融合特征图,通过差值的形式解耦出主体特征图。
3.如权利要求1所述的一种基于边缘辅助信息的遥感图像分割方法,其特征在于,所述遥感图像分割模型的损失函数由分割损失函数和辅助损失函数构成;
所述辅助损失函数利用边缘标签作为监督信息,以二值交叉熵为损失函数;
所述分割损失函数利用类别标签作为监督信息,以交叉熵为损失函数。
4.如权利要求1所述的一种基于边缘辅助信息的遥感图像分割方法,其特征在于,所述遥感图像分割模型还包括预测器,所述预测器将最终特征图映射到与遥感图像类别数相同的维度中。
5.如权利要求1所述的一种基于边缘辅助信息的遥感图像分割方法,其特征在于,所述局部图像是利用滑动窗口的方法对遥感图像进行切割得到,具体的:以设定的窗口尺寸和移动步长在遥感图像上移动滑动窗口,得到多个局部图像,对于不足以切割的部分,回退滑动窗口使其满足窗口尺寸。
6.如权利要求1所述的一种基于边缘辅助信息的遥感图像分割方法,其特征在于,所述遥感图像分割模型在训练过程中使用的训练集包括图像块及其对应的边缘标签和类别标签;其中,训练集中的图像块需要进行数据增强操作。
7.如权利要求1所述的一种基于边缘辅助信息的遥感图像分割方法,其特征在于,所述遥感图像分割模型以概率的形式输出各像素点属于各类的预测结果,对于多个局部图像间的重叠像素点,对各重叠像素点属于各类的概率求均值,以均值作为各重叠像素点的最终预测结果。
8.一种基于边缘辅助信息的遥感图像分割系统,其特征在于,包括:
预处理模块,其被配置为:获取遥感图像,并经过图像预处理后得到多个局部图像;
预测模块,其被配置为:采用遥感图像分割模型对局部图像进行预测,得到各像素属于各类的预测结果;
其中,遥感图像分割模型包括编码器和解码器;所述编码器采用残差网络获得浅层特征图和多个深层特征图;所述解码器基于浅层特征图和多个深层特征图,通过上采样、拼接和差值运算,得到边缘特征图与主体特征图,并将边缘特征图与主体特征图融合得到最终特征图。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于边缘辅助信息的遥感图像分割方法中的步骤。
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于边缘辅助信息的遥感图像分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094364.7A CN113920311A (zh) | 2021-09-17 | 2021-09-17 | 一种基于边缘辅助信息的遥感图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111094364.7A CN113920311A (zh) | 2021-09-17 | 2021-09-17 | 一种基于边缘辅助信息的遥感图像分割方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113920311A true CN113920311A (zh) | 2022-01-11 |
Family
ID=79235262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111094364.7A Pending CN113920311A (zh) | 2021-09-17 | 2021-09-17 | 一种基于边缘辅助信息的遥感图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113920311A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173100A (zh) * | 2023-07-31 | 2023-12-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
-
2021
- 2021-09-17 CN CN202111094364.7A patent/CN113920311A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173100A (zh) * | 2023-07-31 | 2023-12-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
CN117173100B (zh) * | 2023-07-31 | 2024-04-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108550259B (zh) | 道路拥堵判断方法、终端设备及计算机可读存储介质 | |
CN110188765B (zh) | 图像语义分割模型生成方法、装置、设备及存储介质 | |
CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
CN114120102A (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN115830471B (zh) | 一种多尺度特征融合和对齐的域自适应云检测方法 | |
CN116934780B (zh) | 一种基于深度学习的电成像测井图像裂缝分割方法及系统 | |
CN113139543A (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
Yang et al. | Semantic segmentation in architectural floor plans for detecting walls and doors | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
Coenen et al. | Semi-supervised segmentation of concrete aggregate using consensus regularisation and prior guidance | |
CN110659572B (zh) | 基于双向特征金字塔的视频动作检测方法 | |
CN113920311A (zh) | 一种基于边缘辅助信息的遥感图像分割方法及系统 | |
CN108428234B (zh) | 基于图像分割结果评价的交互式分割性能优化方法 | |
CN116612382A (zh) | 一种城市遥感图像目标检测方法和装置 | |
CN109543716B (zh) | 一种基于深度学习的k线形态图像识别方法 | |
CN116258877A (zh) | 土地利用场景相似度变化检测方法、装置、介质及设备 | |
Daudt et al. | Learning to understand earth observation images with weak and unreliable ground truth | |
CN115359091A (zh) | 一种用于移动机器人的装甲板检测跟踪方法 | |
CN113963271A (zh) | 用于从遥感图像中识别不透水面的模型及训练模型的方法 | |
CN113313700A (zh) | 一种基于深度学习的x射线图像交互式分割方法 |
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 |