CN114005043A - 基于域转换和伪标签的小样本城市遥感影像信息提取方法 - Google Patents
基于域转换和伪标签的小样本城市遥感影像信息提取方法 Download PDFInfo
- Publication number
- CN114005043A CN114005043A CN202111270510.7A CN202111270510A CN114005043A CN 114005043 A CN114005043 A CN 114005043A CN 202111270510 A CN202111270510 A CN 202111270510A CN 114005043 A CN114005043 A CN 114005043A
- Authority
- CN
- China
- Prior art keywords
- network
- convolution kernels
- space
- convolution
- 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.)
- Granted
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 52
- 238000011176 pooling Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供一种基于域转换和伪标签的小样本城市遥感影像信息提取方法，包括构建源空间‑目标空间域转换网络，其中将源空间已标注数据输入生成网络1转换到未标注的小样本数据空间，将所得小样本空间图像和真实小样本数据输入判决网络1；构建一个目标空间‑源空间的域还原网络，其中生成网络2将域转换后图像还原到原始影像空间，判决网络2实现生成的源空间图像和真实源空间数据分布相同；构建半监督编码网络，将域转换后的图像、小样本空间的未标注图像输入得到相应隐向量，通过高斯过程获得伪标签；构建半监督解码网络，将隐向量输入到得到相应预测结果；对构建的网络模型进行优化，基于优化结果获取小样本城市遥感影像中的城市典型要素分类。
Description
技术领域
本发明属于遥感影像信息提取领域，涉及一种基于域转换和伪标签生成的小样本城市遥感影像信息提取方法。
背景技术
当前城市可持续发展面临严峻的挑战，城市内涝、城市热岛以及城市生态功能退化等“城市病”已成为亟待解决的全球性问题。“高分”专项的实施为遥感获取全球城市地理信息提供了可用的数据。但是受遥感影像智能解译水平的限制，对遥感影像进行解译、提取各种地物要素，以达到城市精细化管理的需求是城市信息提取的迫切需求和难题。
近年来，随着机器学习理论的发展，基于深度学习的方法被广泛应用于信息提取任务，并且获得了相较于传统手工设计算法更好的模型性能。然而，基于深度学习的方法训练依赖于大量高质量的标注样本，受地理区位和天气等因素的限制，某些城市中只有少量可用的样本，同时受地物光谱反射差异的影像，不同区域相同的地物之间呈现出的特征差异较大，“同物异谱”现象更为显著。因此，现有的基于深度学习的信息提取模型在遥感数据中泛化能力较低。
发明内容
针对现有遥感影像信息提取技术存在的不足，本发明的目的是提供一种新的残差注意机制时空联合模型，实现一种基于域转换和伪标签生成的小样本城市遥感影像信息提取方法。
本发明技术方案提供一种基于域转换和伪标签的小样本城市遥感影像信息提取方法，包括以下步骤，
步骤a，构建源空间-目标空间域转换网络，所述源空间-目标空间的域转换网络由生成网络1和判决网络1组成；
将源空间已标注数据输入生成网络1转换到未标注的小样本数据空间，同时将生成网络1转换所得小样本空间图像和真实小样本数据输入到判决网络，用于实现生成图像和真实数据分布相同；
步骤b，构建一个目标空间-源空间的域还原网络，目标空间-源头空间的域还原网络由生成网络2和判决网络2组成；
生成网络2将域转换之后的图像还原到原始影像空间，得到生成的源空间图像；判决网络2用于实现生成的源空间图像和真实源空间数据分布相同，以保证语义不变性；
步骤c，构建半监督编码网络，将域转换后的图像输入到半监督编码网络中得到相应隐向量，将小样本空间的未标注图像输入到半监督编码网络中得到相应隐向量；并通过高斯过程对隐向量进行建模，获得伪标签；
步骤d，构建半监督解码网络，将隐向量输入到半监督解码网络得到相应预测结果；
步骤e，对步骤a-d构建的网络模型进行优化，基于优化结果获取小样本城市遥感影像中的城市典型要素分类。
而且，生成网络1由编码网络和解码网络组成，
编码网络用于将图像采样到高维语义特征空间，包括4k个串联的采样模块，每个采样模块依次包括两个卷积核为3*3的卷积层和一个最大池化层；前k个采样模块的卷积核数量为n，第k+1-2k个采样模块的卷积核数量为2n，第2k+1-3k个采样模块的卷积核数量为4n，最后k个采样模块的卷积核数量为8n，n和k为预设的取值；
解码网络用于将高维语义特征还原到原始尺寸，包括4k个串联的上采样模块，前3k个采样模块依次包括两个卷积核为3*3的卷积层和一个反卷积层，前k个采样模块的卷积核数量为8n，第k+1-2k个采样模块的卷积核数量为4n，第2k+1-3k个采样模块的卷积核数量为2n；后k个采样模块依次包括三个卷积核为3*3的卷积层，前两个卷积层的卷积核数量为n，第三个卷积层的卷积核数量为c，用于输出域转换后的图像xt；c为源空间图像的通道数。
而且，判决网络1包括特征提取和维度压缩两部分串联组成，特征提取部分依次包括3个卷积层，每个卷积层由C个4*4大小的卷积组成；维度压缩部分依次包括2个卷积层，第一个卷积层为C个4*4大小且步长为1的卷积核，第二个卷积层为C个4*4大小且步长为1的卷积核；C为预设的取值。
而且，生成网络2结构与生成网络1模型相同，但参数不共享；判决网络2结构与判决网络1模型相同，但参数不共享。
而且，半监督编码网络依次包括5个模块，第一个模块依次包括m个3*3的卷积核和最大池化层，第二个模块依次包括2m个3*3的卷积核和最大池化层，第三个模块依次包括4m个3*3的卷积核和最大池化层，第四个模块依次包括8m个3*3的卷积核和最大池化层，第五个模块依次包括6层卷积层，每层都为8m个3*3的卷积核。
而且，半监督解码网络依次包括4个模块，第一个模块依次包括8m个3*3的卷积核和反卷积层，第二个模块依次包括4m个3*3的卷积核和反卷积层，第三个模块依次包括2m个3*3的卷积核和反卷积层，第四个模块依次包括m个3*3的卷积核和1个3*3的卷积核。
本发明克服了现有遥感影像信息提取方法泛化能力较差这一问题，通过与域转换以及半监督学习，从而得到更加精确的信息提取效果。
附图说明
图1为本发明实施例基于域转换和伪标签生成的小样本城市遥感影像信息提取结构图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步说明。
基于全球范围内一些城市仅存在少量样本的客观事实，针对此问题，本发明提供一种基于域转换和伪标签生成的小样本成像遥感影像信息提取方法，利用循环域转换模型，将已标注的源域空间影像转换到未标注的小样本的目标域空间，联立小样本数据构建基于伪标签的半监督信息提取模型，获取小样本城市遥感影像中的城市典型要素分类。
本发明实施例所使用的环境：服务器的CPU为Intel Xeon E5-2665，GPU为NVIDIAGTX108Ti，操作系统为Ubuntu 16.04，编译环境为PyTorch 1.1.0，Python 3.5，CUDA9.0以及CUDNN7.1。参照图1，本发明实施例提供的一种基于域转换和伪标签生成的小样本城市遥感影像信息提取方法，包括的具体步骤如下：
步骤a，构建源空间-目标空间的域转换网络
源空间-目标空间的域转换网络由生成网络1和判决网络1组成。将源空间已标注数据(xo,yo)输入生成网络1转换到未标注的小样本数据空间(可预先建立欠标记小样本库存放未标注的小样本)，即图像内容保持不变，转换后图像地物的风格与小样本数据地物的风格相似。得到转换后的图像空间(可建立适配样本库存放转换生成的小样本空间图像)。由于转换后与原小样本空间依旧是有差距的，判决网络1用于判断输入图像来自于转换后的图像空间或者原小样本空间，输出为图像的真伪标签，用于辅助生成数据逼近原小样本数据分布。其中xo为源空间图像(图像的通道数为c)，yo为图像对应的标注信息。
生成网络1由编码网络和解码网络组成：
编码网络用于将图像采样到高维语义特征空间，包括4k个串联的采样模块，每个采样模块依次包括两个卷积核为3*3的卷积层和一个最大池化层。前k个采样模块的卷积核数量为n，第k+1-2k个采样模块的卷积核数量为2n，第2k+1-3k个采样模块的卷积核数量为4n，最后k个采样模块的卷积核数量为8n，n的取值范围可为[16,64,128,256]，建议取值为64；k的取值依赖于显卡设备显存，例如使用11G2080ti的显卡建议取值为4。
解码网络用于将高维语义特征还原到原始尺寸，包括4k个串联的上采样模块，前3k个采样模块依次包括两个卷积核为3*3的卷积层和一个反卷积层。前k个采样模块的卷积核数量为8n，第k+1-2k个采样模块的卷积核数量为4n，第2k+1-3k个采样模块的卷积核数量为2n。后k个采样模块依次包括三个卷积核为3*3的卷积层，前两个卷积层的卷积核数量为n，第三个卷积层的卷积核数量为c，用于输出域转换后的图像xt。由于解码网络为编码网络的逆过程，因此n和k的取值和编码网络一致。
实施例采用的优选方案为：
编码网络包括四个采样模块，每个采样模块依次包括两个卷积核为3*3的卷积层和一个最大池化层。第一个采样模块的卷积核数量为64，第二个采样模块的卷积核数量为128，第三个采样模块的卷积核数量为256，第四个采样模块的卷积核数量为512。
解码网络用于将高维语义特征还原到原始尺寸，包括四个上采样模块，前三采样模块依次包括两个卷积核为3*3的卷积层和一个反卷积层。第一个采样模块的卷积核数量为512，第二个采样模块的卷积核数量为256，第三个采样模块的卷积核数量为128。第四个采样模块依次包括三个卷积核为3*3的卷积层，前两个卷积层的卷积核数量为64，第三个卷积层的卷积核数量为1，用于输出域转换后的图像xt。
同时将生成网络1所得转换生成的小样本空间图像和真实的小样本数据输入到判决网络1，用于实现生成图像和真实数据分布相同。判决网络1包括特征提取和维度压缩两部分串联组成。特征提取部分依次包括3个卷积层，每个卷积层由C个4*4大小的卷积组成。维度压缩部分依次包括2个卷积层，第一个卷积层为C个4*4大小且步长为1的卷积核，第二个卷积层为C个4*4大小且步长为1的卷积核，C可根据经验预设取值，优选的建议取值为64。
步骤b，构建一个目标空间-源空间的域还原网络
目标空间-源头空间的域还原网络由生成网络2和判决网络2组成。为了保证域转换后的图像xt与原始影像xo之间的语义不变性，构建一个生成网络2将域转换之后的图像还原到原始影像空间，得到生成的源空间图像。生成网络2结构与步骤a中的生成网络1模型相同，但参数不共享(即需要单独训练)，域还原后的图像记为xo1。判决网络2结构与步骤a中的判决网络1模型相同，但参数不共享(即需要单独训练)，用于实现生成的源空间图像和真实源空间数据分布相同，从而保证语义不变性。
步骤c，构建半监督编码网络
半监督编码网络用于将图像转换到隐空间，编码网络依次包括5个模块，第一个模块依次包括m个3*3的卷积核和最大池化层，第二个模块依次包括2m个3*3的卷积核和最大池化层，第三个模块依次包括4m个3*3的卷积核和最大池化层，第四个模块依次包括8m个3*3的卷积核和最大池化层，第五个模块依次包括6层卷积层，每层都为8m个3*3的卷积核，m的取值范围为[16,64,128,256]，建议取值为16。
实施例采用的优选方案为：
编码网络依次包括5个模块，第一个模块依次包括16个3*3的卷积核和最大池化层，第二个模块依次包括32个3*3的卷积核和最大池化层，第三个模块依次包括64个3*3的卷积核和最大池化层，第四个模块依次包括128个3*3的卷积核和最大池化层，第五个模块依次包括6层卷积层，每层都为128个3*3的卷积核。
将域转换后的图像xt输入到编码网络中，得到隐向量z(xo)。将小样本空间的未标注图像u输入到编码网络中，得到隐向量z(u)，并通过高斯过程对z(xo)和z(u)进行建模，获得伪标签f。
步骤d，构建半监督解码网络
半监督解码网络用于将隐向量还原到图像空间，解码网络依次包括4个模块，第一个模块依次包括8m个3*3的卷积核和反卷积层，第二个模块依次包括4m个3*3的卷积核和反卷积层，第三个模块依次包括2m个3*3的卷积核和反卷积层，第四个模块依次包括m个3*3的卷积核和1个3*3的卷积核。将隐向量z(xo)和z(u)输入到解码网络得到预测结果
和
实施例采用的优选方案为：
解码网络依次包括4个模块，第一个模块依次包括128个3*3的卷积核和反卷积层，第二个模块依次包括64个3*3的卷积核和反卷积层，第三个模块依次包括32个3*3的卷积核和反卷积层，第四个模块依次包括16个3*3的卷积核和1个3*3的卷积核。将隐向量z(xo)和z(u)分别输入到解码网络得到对应的预测结果
和
半监督编码网络和半监督解码网络构成半监督信息提取网络。
步骤e，优化步骤a-b构成的网络模型(包括域转换网络、域还原网络和半监督信息提取网络)，基于优化结果获取小样本城市遥感影像中的城市典型要素分类，例如水体、道路、植被、建筑物等。
网络损失函数包括三个部分，域转换网络(即步骤a)损失lo→t，域还原网络(即步骤b)损失lt→o，以及半监督信息提取网络(即步骤c和d)的损失ls。
其中，Do→t(.)表示域转换网络中的判决网络1，Go→t(.)表示域转换网络中的生成网络1，
表示将目标域图像u输入域模型中的判决网络1，判决网络1判断输入图像为目标空间概率对数的期望值，
表示将源域图像xo输入生成网络1后，经由判决网络1判断为源域生成概率对数的期望。
其中，Dt→o(.)表示域还原网络中的判决网络2，Gt→o(.)表示域还原网络中的生成网络2，
表示将源域图像xo输入域还原网络中的判决网络2，判决网络2判断输入图像为源空间概率对数的期望值，
表示将生成的目标域图像xt输入生成网络2后，经由判决网络2判断为目标域生成概率对数的期望值。||xo-xo1||1表示还原后的图像与源域图像之间的像素空间差异。
其中，半监督信息提取网络的损失函数包括已标注数据空间和小样本数据空间两部分，
表示标注数据的标签y与预测标签
间的像素空间差异，
表示未标注数据的伪标签f与预测标签
间的像素空间差异。
综上，总的损失函数为上述三个损失函数加权所得，并使用该损失函数来优化本发明网络：
ltotal＝ls+lo→t+lt→o (4)
相比于现有方法，本发明的优势和积极效果：现有基于卷积神经网络的遥感影像信息方法的无法解决“同物异谱”问题，泛化能力较低，难以适用于小样本应用场景。本发明的优势在于用域转换网络来生成伪数据，并通过半监督模型进行学习，从而使得信息提取的精度更高。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于域转换和伪标签的小样本城市遥感影像信息提取系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于域转换和伪标签的小样本城市遥感影像信息提取方法。
在一些可能的实施例中，提供一种基于域转换和伪标签的小样本城市遥感影像信息提取系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于域转换和伪标签的小样本城市遥感影像信息提取方法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：包括以下步骤，
步骤a，构建源空间-目标空间域转换网络，所述源空间-目标空间的域转换网络由生成网络1和判决网络1组成；
将源空间已标注数据输入生成网络1转换到未标注的小样本数据空间，同时将生成网络1转换所得小样本空间图像和真实小样本数据输入到判决网络，用于实现生成图像和真实数据分布相同；
步骤b，构建一个目标空间-源空间的域还原网络，目标空间-源头空间的域还原网络由生成网络2和判决网络2组成；
生成网络2将域转换之后的图像还原到原始影像空间，得到生成的源空间图像；判决网络2用于实现生成的源空间图像和真实源空间数据分布相同，以保证语义不变性；
步骤c，构建半监督编码网络，将域转换后的图像输入到半监督编码网络中得到相应隐向量，将小样本空间的未标注图像输入到半监督编码网络中得到相应隐向量；并通过高斯过程对隐向量进行建模，获得伪标签；
步骤d，构建半监督解码网络，将隐向量输入到半监督解码网络得到相应预测结果；
步骤e，对步骤a-d构建的网络模型进行优化，基于优化结果获取小样本城市遥感影像中的城市典型要素分类。
2.根据权利要求1所述基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：生成网络1由编码网络和解码网络组成，
编码网络用于将图像采样到高维语义特征空间，包括4k个串联的采样模块，每个采样模块依次包括两个卷积核为3*3的卷积层和一个最大池化层；前k个采样模块的卷积核数量为n，第k+1-2k个采样模块的卷积核数量为2n，第2k+1-3k个采样模块的卷积核数量为4n，最后k个采样模块的卷积核数量为8n，n和k为预设的取值；
解码网络用于将高维语义特征还原到原始尺寸，包括4k个串联的上采样模块，前3k个采样模块依次包括两个卷积核为3*3的卷积层和一个反卷积层，前k个采样模块的卷积核数量为8n，第k+1-2k个采样模块的卷积核数量为4n，第2k+1-3k个采样模块的卷积核数量为2n；后k个采样模块依次包括三个卷积核为3*3的卷积层，前两个卷积层的卷积核数量为n，第三个卷积层的卷积核数量为c，用于输出域转换后的图像xt；c为源空间图像的通道数。
3.根据权利要求1所述基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：判决网络1包括特征提取和维度压缩两部分串联组成，特征提取部分依次包括3个卷积层，每个卷积层由C个4*4大小的卷积组成；维度压缩部分依次包括2个卷积层，第一个卷积层为C个4*4大小且步长为1的卷积核，第二个卷积层为C个4*4大小且步长为1的卷积核；C为预设的取值。
4.根据权利要求1或2或3所述基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：生成网络2结构与生成网络1模型相同，但参数不共享；判决网络2结构与判决网络1模型相同，但参数不共享。
5.根据权利要求1或2或3所述基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：半监督编码网络依次包括5个模块，第一个模块依次包括m个3*3的卷积核和最大池化层，第二个模块依次包括2m个3*3的卷积核和最大池化层，第三个模块依次包括4m个3*3的卷积核和最大池化层，第四个模块依次包括8m个3*3的卷积核和最大池化层，第五个模块依次包括6层卷积层，每层都为8m个3*3的卷积核。
6.根据权利要求5所述基于域转换和伪标签的小样本城市遥感影像信息提取方法，其特征在于：半监督解码网络依次包括4个模块，第一个模块依次包括8m个3*3的卷积核和反卷积层，第二个模块依次包括4m个3*3的卷积核和反卷积层，第三个模块依次包括2m个3*3的卷积核和反卷积层，第四个模块依次包括m个3*3的卷积核和1个3*3的卷积核。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111270510.7A CN114005043B (zh) | 2021-10-29 | 2021-10-29 | 基于域转换和伪标签的小样本城市遥感影像信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111270510.7A CN114005043B (zh) | 2021-10-29 | 2021-10-29 | 基于域转换和伪标签的小样本城市遥感影像信息提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114005043A true CN114005043A (zh) | 2022-02-01 |
| CN114005043B CN114005043B (zh) | 2024-04-05 |
Family
ID=79925539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111270510.7A Active CN114005043B (zh) | 2021-10-29 | 2021-10-29 | 基于域转换和伪标签的小样本城市遥感影像信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114005043B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN113160234A (zh) * | 2021-05-14 | 2021-07-23 | 太原理工大学 | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 |
| CN113378906A (zh) * | 2021-06-04 | 2021-09-10 | 武汉大学 | 一种特征自适应对齐的无监督域适应遥感图像语义分割方法 |
-
2021
- 2021-10-29 CN CN202111270510.7A patent/CN114005043B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020232905A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技（深圳）有限公司 | 基于超对象信息的遥感图像目标提取方法、装置、电子设备及介质 |
| CN113160234A (zh) * | 2021-05-14 | 2021-07-23 | 太原理工大学 | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 |
| CN113378906A (zh) * | 2021-06-04 | 2021-09-10 | 武汉大学 | 一种特征自适应对齐的无监督域适应遥感图像语义分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIAMING WANG，ET AL: "Semi-Supervised Remote Sensing Image Semantic Segmentation via Consistency Regularization and Average Update of Pseudo-Label", REMOTE SENSING, vol. 12, no. 21, 3 November 2020 (2020-11-03) * |
| 何湜 等: "小样本条件下的半监督遥感影像分类方法研究", 青海科技, 31 December 2020 (2020-12-31) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114005043B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Edge-enhanced GAN for remote sensing image superresolution | |
| CN112347859B (zh) | 一种光学遥感图像显著性目标检测方法 | |
| CN113780149B (zh) | 一种基于注意力机制的遥感图像建筑物目标高效提取方法 | |
| CN114187450A (zh) | 一种基于深度学习的遥感图像语义分割方法 | |
| CN116758130A (zh) | 一种基于多路径特征提取和多尺度特征融合的单目深度预测方法 | |
| 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 | |
| CN114724155A (zh) | 基于深度卷积神经网络的场景文本检测方法、系统及设备 | |
| CN115984714B (zh) | 一种基于双分支网络模型的云检测方法 | |
| CN115222998B (zh) | 一种图像分类方法 | |
| CN115424059A (zh) | 一种基于像素级对比学习的遥感土地利用分类方法 | |
| CN116258757A (zh) | 一种基于多尺度交叉注意力的单目图像深度估计方法 | |
| CN115410081A (zh) | 一种多尺度聚合的云和云阴影辨识方法、系统、设备及存储介质 | |
| CN116912708A (zh) | 一种基于深度学习的遥感影像建筑物提取方法 | |
| CN115527113A (zh) | 一种遥感图像裸土地分类方法及装置 | |
| CN116612283A (zh) | 一种基于大卷积核骨干网络的图像语义分割方法 | |
| CN116189265A (zh) | 基于轻量化语义Transformer模型的素描人脸识别方法、装置及设备 | |
| CN114973136A (zh) | 一种极端条件下场景图像识别方法 | |
| CN117496347A (zh) | 遥感影像建筑物提取方法、装置及介质 | |
| Bashmal et al. | Language Integration in Remote Sensing: Tasks, datasets, and future directions | |
| CN115641445B (zh) | 一种非对称内卷积与Transformer相融合的遥感图像阴影检测方法 | |
| CN116310325A (zh) | 一种从patch到region架构的大幅面遥感影像语义分割方法 | |
| CN116740078A (zh) | 图像分割处理方法、装置、设备以及介质 | |
| CN116343033A (zh) | 一致性损失引导下的建筑物半监督变化检测方法及装置 | |
| CN115331112A (zh) | 基于多粒度词元的红外与可见光图像融合方法及系统 | |
| CN114005043A (zh) | 基于域转换和伪标签的小样本城市遥感影像信息提取方法 |
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 |