CN114373128A - 基于类别自适应伪标签生成的河湖四乱遥感监测方法 - Google Patents

基于类别自适应伪标签生成的河湖四乱遥感监测方法 Download PDF

Info

Publication number
CN114373128A
CN114373128A CN202111656264.9A CN202111656264A CN114373128A CN 114373128 A CN114373128 A CN 114373128A CN 202111656264 A CN202111656264 A CN 202111656264A CN 114373128 A CN114373128 A CN 114373128A
Authority
CN
China
Prior art keywords
remote sensing
model
adaptive
category
pseudo
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
Application number
CN202111656264.9A
Other languages
English (en)
Inventor
孙启玉
刘玉峰
孙平
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.)
Shandong Fengshi Information Technology Co ltd
Original Assignee
Shandong Fengshi Information 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 Shandong Fengshi Information Technology Co ltd filed Critical Shandong Fengshi Information Technology Co ltd
Priority to CN202111656264.9A priority Critical patent/CN114373128A/zh
Publication of CN114373128A publication Critical patent/CN114373128A/zh
Pending legal-status Critical Current

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
    • G06F18/214—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)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于类别自适应伪标签生成的河湖四乱遥感监测方法及系统，获取待处理的遥感图像；对遥感图像进行预处理；根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果；其中，预设学生模型的生成，包括：将不带标签的遥感图像输入到预设教师模型中，得到伪标签，基于类别自适应阈值进行伪标签的筛选，将筛选后的伪标签和现有标签混合，得到新的训练集；构建一个与教师模型相同的学生模型，将学生模型中的参数随机初始化，通过知识蒸馏获取教师模型中已经学到的知识；根据新的训练集进行学生模型的训练，得到最终的预设学生模型；本发明能够在使用少量标注数据的情况下，保证河湖“四乱”遥感监测的精度。

Description

基于类别自适应伪标签生成的河湖四乱遥感监测方法
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于类别自适应伪标签生成的河湖四乱遥感监测方法。
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，并不必然构成现有技术。
河湖“四乱”是指河湖周边的“乱建、乱占、乱采、乱堆”现象，在未经国家批准的前提下，违反政府规定，任意占用公共水域及河滩，从事非法的盈利活动，给人民带来了巨大的财产损失和安全隐患。
随着遥感和卫星技术的发展，目前已经积累了大量的高分辨率遥感影像，然而，目前的河湖“四乱”监测方法主要依靠人工解译，工作量大，且效率不高，难以满足目前的监测需求，影响河湖“四乱”监管的时效性。
随着人工智能和深度学习技术的发展，有研究人员提出了基于深度卷积神经网络的遥感图像地物分类方法，卷积神经网络经过训练后，对遥感图像进行预测，生成地物分类结果。然而，高分辨率遥感图像具有内容多、尺寸大的特点，制作遥感图像地物分类数据集需要大量的人力物力，且标注过程中难免会产生漏标、误标，将会对卷积神经网络的预测精度产生影响，如何利用少量的遥感图像标注样本训练，得到一个预测精准的河湖“四乱”监测算法是一个极具挑战性的问题。
目前，有研究人员利用半监督学习生成伪标签来缓解标注数据不足的问题。然而，伪标签的可信度与模型的准确性相关，不能保证完全可信，目前的主流方法大多使用置信度阈值对伪标签进行筛选，但这一阈值需要人工设置，不具备自适应性，且模型对各类物体的预测精度也不尽相同，所以设定同一阈值也不合理。
发明内容
为了解决现有技术的不足，本发明提供了一种基于类别自适应伪标签生成的河湖四乱遥感监测方法，能够在使用少量标注数据的情况下，保证河湖“四乱”遥感监测的精度。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种基于类别自适应伪标签生成的河湖四乱遥感监测方法。
一种基于类别自适应伪标签生成的河湖四乱遥感监测方法，包括以下过程：
获取待处理的遥感图像；
对遥感图像进行预处理；
根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果；
其中，预设学生模型的生成，包括：
将不带标签的遥感图像输入到预设教师模型中，得到伪标签，基于类别自适应阈值进行伪标签的筛选，将筛选后的伪标签和现有标签混合，得到新的训练集；
构建一个与教师模型相同的学生模型，将学生模型中的参数随机初始化，通过知识蒸馏获取教师模型中已经学到的知识；
根据新的训练集进行学生模型的训练，得到最终的预设学生模型。
进一步的，教师模型和学生模型均包括特征提取网络和分类器。
更进一步的，特征提取网络采用ResNet-50，包括一个7*7卷积层、一个3*3的最大值池化层和三个卷积组，第一卷积组内包括三个瓶颈卷积模块，第二卷积组内包括四个瓶颈卷积模块，第三卷积组内包括六个瓶颈卷积模块。
更进一步的，分类器包括一个3*3卷积、一个上采样层、交叉熵损失函数和KL散度损失函数。
进一步的，基于类别自适应阈值进行伪标签的筛选，包括：
求最后一个epoch各类别损失的平均值；
设置初始化阈值，则自适应因子为初始化阈值与各类别损失平均值的比值；
某一类别自适应阈值为自适应因子与此类别自适应因子的乘积；
利用得到的各类别自适应阈值对伪标签进行筛选，去除伪标签中置信度小于自适应阈值的像素。
进一步的，将伪标签和现有标签混合，并打乱顺序，进行与原训练集相同的预处理，生成新的训练集。
进一步的，河湖四乱监测结果至少包括背景、房子、棚子、坑塘和采砂场。
本发明第二方面提供了一种基于类别自适应伪标签生成的河湖四乱遥感监测系统。
一种基于类别自适应伪标签生成的河湖四乱遥感监测系统，包括：
数据获取模块，被配置为：获取待处理的遥感图像；
预处理模块，被配置为：对遥感图像进行预处理；
四乱监测模块，被配置为：根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果；
其中，预设学生模型的生成，包括：
将不带标签的遥感图像输入到预设教师模型中，得到伪标签，基于类别自适应阈值进行伪标签的筛选，将筛选后的伪标签和现有标签混合，得到新的训练集；
构建一个与教师模型相同的学生模型，将学生模型中的参数随机初始化，通过知识蒸馏获取教师模型中已经学到的知识；
根据新的训练集进行学生模型的训练，得到最终的预设学生模型。
本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法中的步骤。
本发明第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明公开的基于类别自适应伪标签生成的河湖四乱遥感监测方法及系统，缓解了深度学习模型过分依赖数据集标注的问题，可以在使用少量标注数据的情况下，保证河湖“四乱”遥感监测的精度。
2、本发明公开的基于类别自适应伪标签生成的河湖四乱遥感监测方法及系统，设计了一个类别自适应的伪标签生成算法，从而更加合理有效地对伪标签进行筛选，提升了半监督学习在河湖“四乱”监测中的鲁棒性和预测精度。
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为本发明实施例1提供的网络结构示意图。
图2为本发明实施例1提供的基于类别自适应伪标签生成的河湖四乱遥感监测方法的流程示意图。
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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1和图2所示，本发明实施例1提供了一种基于类别自适应伪标签生成的河湖四乱遥感监测方法，包括以下过程：
获取待处理的遥感图像；
对遥感图像进行预处理；
根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果。
具体的预设学生模型的生成，包括以下过程：
S1：建数据集，并划分训练集和测试集、预处理
从现有遥感图像中裁剪出河湖周边的图像，并对裁剪出的一部分河湖遥感图像进行目视解译，形成标签数据。将裁剪出的河湖遥感图像及其标签进行缩放，得到256*256的图块；随机选择部分图块进行上下左右随即翻转；计算RGB三通道的均值和标准差，对图块进行标准化，最终得到的训练图块尺寸为256*256*3(长*宽*通道数)。
S2：构建河湖“四乱”监测模型
本发明的河湖“四乱“监测模型包括特征提取网络和分类器，定义如下：
特征提取网络使用ResNet-50，其引入了残差模块，构建输入输出的残差函数，使得参数更加容易优化，在增加网络深度的同时避免过拟合。ResNet-50包含一个7*7卷积层，3*3的最大值池化层和3个卷积组，各个卷积组内分别包含3、4、6个瓶颈卷积(Bottleneck)模块，每个瓶颈卷积模块内一个包含1*1、3*3、1*1卷积。
分类器包含一个3*3卷积，一个上采样层，交叉熵损失函数和KL散度损失函数。
S3：将带标签的数据送入教师模型进行训练
将256*256*3的带标签的图块送入ResNet-50中，最终得到四层特征图，尺寸分别为：64*64*256、32*32*512、16*16*1024、8*8*2048。
将32*32*512的特征图送入分类器中，经过卷积和上采样后得到256*256的预测图，与对应标签进行对比，使用交叉熵损失函数计算损失，进行反向传播，更新网络权重。记录下最后一个epoch时各类别的损失，用于步骤4。
交叉熵损失函数如下：
Figure BDA0003446005580000071
其中，n代表类别数，p(x)表示x的标签，q(x)表示x的预测值。
训练使用SGD优化器，动量为0.9，开始训练时，学习率采用预热的方法逐渐增大至0.01。类别数为5，分别代表背景、房子、棚子、坑塘和采砂场。将批次大小设置为4，即训练时四张图片算作一次迭代，共四万次迭代，每次迭代完成后分别输出损失。每当训练集全部迭代一次后进行一次测试，输出测试精度，以便进行神经网络训练程度的预测。
S4：基于类别自适应阈值生成伪标签
首先，将不带标签的图块送入训练好的河湖“四乱”监测模型中进行预测，得到预测图，即为伪标签。
然后，求最后一个epoch各类别损失的平均值
Figure BDA0003446005580000072
Figure BDA0003446005580000073
其中，n代表类别数，Li代表第i类的损失值。
设置初始化阈值为T(本发明T取为0.9)，则自适应因子为：
Figure BDA0003446005580000074
各类别自适应阈值为：
Ti＝σLi
利用得到的各类别自适应阈值对伪标签进行筛选，去除伪标签中置信度小于Ti的像素。
S5：将伪标签和现有标签混合，扩充训练集。
将伪标签和现有标签混合，并打乱顺序，进行与步骤1相同的预处理方式，生成新的训练集。
S6：初始化一个与教师模型相同的模型作为学生模型，用于知识蒸馏
将上述步骤中训练好的模型保存下来，称为教师模型，构建一个与教师网络相同的模型，称为学生模型，将学生模型中的参数随机初始化，用于知识蒸馏，获取教师模型中已经学到的知识。
S7：将新数据集送入学生模型训练，计算损失。
将256*256*3的带标签的图块送入ResNet-50中，最终得到四层特征图，尺寸分别为：64*64*256、32*32*512、16*16*1024和8*8*2048。
将32*32*512的特征图送入分类器中，经过卷积和上采样后得到256*256的预测图，与对应标签进行对比，使用交叉熵损失函数计算损失。
同时载入训练好的教师模型，使用教师模型进行预测，同样得到256*256的预测图，计算教师模型预测图与学生模型预测图的KL散度损失。
训练使用SGD优化器，动量为0.9，开始训练时，学习率采用预热的方法逐渐增大至0.01。类别数为5，分别代表背景、房子、棚子、坑塘和采砂场。将批次大小设置为4，即训练时四张图片算作一次迭代，共四万次迭代，每次迭代完成后分别输出损失。每当训练集全部迭代一次后进行一次测试，输出测试精度，以便进行神经网络训练程度的预测。
S8：将测试集送入训练好的学生模型，得到河湖“四乱”预测结果
得到训练好的模型后，将测试集送入模型，即可输出预测结果，共有五类，分别为背景、房子、棚子、坑塘和采砂场。
实施例2：
本发明实施例2提供了一种基于类别自适应伪标签生成的河湖四乱遥感监测系统，包括：
数据获取模块，被配置为：获取待处理的遥感图像；
预处理模块，被配置为：对遥感图像进行预处理；
四乱监测模块，被配置为：根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果；
其中，预设学生模型的生成，包括：
将不带标签的遥感图像输入到预设教师模型中，得到伪标签，基于类别自适应阈值进行伪标签的筛选，将筛选后的伪标签和现有标签混合，得到新的训练集；
构建一个与教师模型相同的学生模型，将学生模型中的参数随机初始化，通过知识蒸馏获取教师模型中已经学到的知识；
根据新的训练集进行学生模型的训练，得到最终的预设学生模型。
所述系统的工作方法与实施例1提供的基于类别自适应伪标签生成的河湖四乱遥感监测方法相同，这里不再赘述。
实施例3：
本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法中的步骤。
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(Random AccessMemory，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)

1.一种基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
包括以下过程：
获取待处理的遥感图像；
对遥感图像进行预处理；
根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果；
其中，预设学生模型的生成，包括：
将不带标签的遥感图像输入到预设教师模型中，得到伪标签，基于类别自适应阈值进行伪标签的筛选，将筛选后的伪标签和现有标签混合，得到新的训练集；
构建一个与教师模型相同的学生模型，将学生模型中的参数随机初始化，通过知识蒸馏获取教师模型中已经学到的知识；
根据新的训练集进行学生模型的训练，得到最终的预设学生模型。
2.如权利要求1所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
教师模型和学生模型均包括特征提取网络和分类器。
3.如权利要求2所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
特征提取网络采用ResNet-50，包括一个7*7卷积层、一个3*3的最大值池化层和三个卷积组，第一卷积组内包括三个瓶颈卷积模块，第二卷积组内包括四个瓶颈卷积模块，第三卷积组内包括六个瓶颈卷积模块。
4.如权利要求2所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
分类器包括一个3*3卷积、一个上采样层、交叉熵损失函数和KL散度损失函数。
5.如权利要求1所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
基于类别自适应阈值进行伪标签的筛选，包括：
求最后一个epoch各类别损失的平均值；
设置初始化阈值，则自适应因子为初始化阈值与各类别损失平均值的比值；
某一类别自适应阈值为自适应因子与此类别自适应因子的乘积；
利用得到的各类别自适应阈值对伪标签进行筛选，去除伪标签中置信度小于自适应阈值的像素。
6.如权利要求1所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
将伪标签和现有标签混合，并打乱顺序，进行与原训练集相同的预处理，生成新的训练集。
7.如权利要求1所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法，其特征在于：
河湖四乱监测结果至少包括背景、房子、棚子、坑塘和采砂场。
8.一种基于类别自适应伪标签生成的河湖四乱遥感监测系统，其特征在于：
包括：
数据获取模块，被配置为：获取待处理的遥感图像；
预处理模块，被配置为：对遥感图像进行预处理；
四乱监测模块，被配置为：根据预处理后的遥感图像和预设学生模型，得到河湖四乱监测结果；
其中，预设学生模型的生成，包括：
将不带标签的遥感图像输入到预设教师模型中，得到伪标签，基于类别自适应阈值进行伪标签的筛选，将筛选后的伪标签和现有标签混合，得到新的训练集；
构建一个与教师模型相同的学生模型，将学生模型中的参数随机初始化，通过知识蒸馏获取教师模型中已经学到的知识；
根据新的训练集进行学生模型的训练，得到最终的预设学生模型。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法中的步骤。
10.一种电子设备，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任一项所述的基于类别自适应伪标签生成的河湖四乱遥感监测方法中的步骤。
CN202111656264.9A 2021-12-30 2021-12-30 基于类别自适应伪标签生成的河湖四乱遥感监测方法 Pending CN114373128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111656264.9A CN114373128A (zh) 2021-12-30 2021-12-30 基于类别自适应伪标签生成的河湖四乱遥感监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111656264.9A CN114373128A (zh) 2021-12-30 2021-12-30 基于类别自适应伪标签生成的河湖四乱遥感监测方法

Publications (1)

Publication Number Publication Date
CN114373128A true CN114373128A (zh) 2022-04-19

Family

ID=81142281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111656264.9A Pending CN114373128A (zh) 2021-12-30 2021-12-30 基于类别自适应伪标签生成的河湖四乱遥感监测方法

Country Status (1)

Country Link
CN (1) CN114373128A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082276A (zh) * 2022-08-22 2022-09-20 水利部珠江水利委员会水文局 基于模型交互的河湖乱象监测方法及装置
CN115797373A (zh) * 2023-01-09 2023-03-14 苏州浪潮智能科技有限公司 一种图像分割方法、装置、电子设备及介质
CN115936980A (zh) * 2022-07-22 2023-04-07 北京字跳网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN116824275A (zh) * 2023-08-29 2023-09-29 青岛美迪康数字工程有限公司 一种实现智能模型优化的方法、装置和计算机设备
CN117237343A (zh) * 2023-11-13 2023-12-15 安徽大学 半监督rgb-d图像镜面检测方法、存储介质及计算机设备
CN117372819A (zh) * 2023-12-07 2024-01-09 神思电子技术股份有限公司 用于有限模型空间的目标检测增量学习方法、设备及介质
CN117521848A (zh) * 2023-11-10 2024-02-06 中国科学院空天信息创新研究院 面向资源受限场景的遥感基础模型轻量化方法、装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936980B (zh) * 2022-07-22 2023-10-20 北京字跳网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN115936980A (zh) * 2022-07-22 2023-04-07 北京字跳网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN115082276B (zh) * 2022-08-22 2022-12-06 水利部珠江水利委员会水文局 基于模型交互的河湖乱象监测方法及装置
CN115082276A (zh) * 2022-08-22 2022-09-20 水利部珠江水利委员会水文局 基于模型交互的河湖乱象监测方法及装置
CN115797373A (zh) * 2023-01-09 2023-03-14 苏州浪潮智能科技有限公司 一种图像分割方法、装置、电子设备及介质
CN116824275B (zh) * 2023-08-29 2023-11-17 青岛美迪康数字工程有限公司 一种实现智能模型优化的方法、装置和计算机设备
CN116824275A (zh) * 2023-08-29 2023-09-29 青岛美迪康数字工程有限公司 一种实现智能模型优化的方法、装置和计算机设备
CN117521848A (zh) * 2023-11-10 2024-02-06 中国科学院空天信息创新研究院 面向资源受限场景的遥感基础模型轻量化方法、装置
CN117521848B (zh) * 2023-11-10 2024-05-28 中国科学院空天信息创新研究院 面向资源受限场景的遥感基础模型轻量化方法、装置
CN117237343A (zh) * 2023-11-13 2023-12-15 安徽大学 半监督rgb-d图像镜面检测方法、存储介质及计算机设备
CN117237343B (zh) * 2023-11-13 2024-01-30 安徽大学 半监督rgb-d图像镜面检测方法、存储介质及计算机设备
CN117372819A (zh) * 2023-12-07 2024-01-09 神思电子技术股份有限公司 用于有限模型空间的目标检测增量学习方法、设备及介质
CN117372819B (zh) * 2023-12-07 2024-02-20 神思电子技术股份有限公司 用于有限模型空间的目标检测增量学习方法、设备及介质

Similar Documents

Publication Publication Date Title
CN114373128A (zh) 基于类别自适应伪标签生成的河湖四乱遥感监测方法
CN108647585A (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
WO2020046213A1 (en) A method and apparatus for training a neural network to identify cracks
CN106250931A (zh) 一种基于随机卷积神经网络的高分辨率图像场景分类方法
CN108108622A (zh) 基于深度卷积网络和控制流图的漏洞检测系统
CN116258719B (zh) 基于多模态数据融合的浮选泡沫图像分割方法和装置
CN108108751A (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
CN110263858B (zh) 一种螺栓图像合成方法、装置及相关设备
CN112084923B (zh) 一种遥感图像语义分割方法、存储介质及计算设备
CN112771578B (zh) 使用细分缩放和深度上缩放的图像生成
CN111461127A (zh) 基于一阶段目标检测框架的实例分割方法
Chen et al. Dual-tasks siamese transformer framework for building damage assessment
CN110675339A (zh) 基于边缘修复和内容修复的图像修复方法及系统
CN113034506B (zh) 遥感图像语义分割方法、装置、计算机设备和存储介质
CN104866596A (zh) 一种基于自动编码器的视频分类方法及装置
CN112101364A (zh) 基于参数重要性增量学习的语义分割方法
CN114821204A (zh) 一种基于元学习嵌入半监督学习图像分类方法与系统
CN112598684A (zh) 一种基于语义分割技术的露天矿区地物分割方法
CN113111716A (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
CN116309536A (zh) 一种路面裂缝检测方法及存储介质
CN111860465A (zh) 基于超像素的遥感图像提取方法、装置、设备及存储介质
CN117690164B (zh) 基于边缘计算的机场飞鸟识别驱赶方法及系统
CN112801109A (zh) 一种基于多尺度特征融合的遥感图像分割方法及系统
CN116912501A (zh) 一种基于注意力融合的弱监督语义分割方法
CN114373129A (zh) 基于域自适应和变化检测的河湖四乱遥感监测方法及系统

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