CN114549405A - 一种基于监督自注意力网络的高分遥感图像语义分割方法 - Google Patents

一种基于监督自注意力网络的高分遥感图像语义分割方法 Download PDF

Info

Publication number
CN114549405A
CN114549405A CN202210022342.8A CN202210022342A CN114549405A CN 114549405 A CN114549405 A CN 114549405A CN 202210022342 A CN202210022342 A CN 202210022342A CN 114549405 A CN114549405 A CN 114549405A
Authority
CN
China
Prior art keywords
remote sensing
attention
self
sensing image
semantic 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
Application number
CN202210022342.8A
Other languages
English (en)
Inventor
张海洋
马丽
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202210022342.8A priority Critical patent/CN114549405A/zh
Publication of CN114549405A publication Critical patent/CN114549405A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

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

Abstract

本发明公开了一种基于监督自注意力网络的高分遥感图像语义分割方法，包括以下步骤：构建遥感图像语义分割网络，该网络包括：基础特征提取模块、通道自注意力模块、类别监督自注意力模块、空间监督自注意力模块和高级特征融合模块；获取无人机或卫星拍摄的遥感图像作为训练集，利用训练集对所述遥感图像语义分割网络进行训练，得到训练好的网络模型；利用训练好的网络模型，对待分割高分遥感影像进行分割，得到待分割高分遥感影像中的目标物。本发明有益效果是：提高遥感图像语义分割的整体精度。

Description

一种基于监督自注意力网络的高分遥感图像语义分割方法
技术领域
本发明属于图像分割领域，尤其涉及一种基于监督自注意力网络的高分遥感图像语义分割方法。
背景技术
随着卫星遥感技术的不断发展，获取大规模高分辨率遥感图像变得容易，可以通过无人机和卫星的机载传感器获得对地表地物的详细观测，同时高分遥感图像提供了更加丰富纹理和空间特征，蕴含了丰富的语义信息。因此针对高分辨率遥感图像进行语义分割，能够得到遥感图像中不同地物的形状和分类，获得可视化的语义分割图像，代替人工完成对遥感图像的信息解析和挖掘，可将获取到的信息应用到城市规划、环境监测、军事侦察、智能交通等不同领域。
得益于全卷积深度网络(FCN)的强大特征表达能力，很多语义分割方法都能够实现较好的遥感图像的分割。但是简单堆叠多层卷积层不能有效的获取到更大的感受野，这体现在网络在特征提取时仅能获取到有限的上下文空间信息，而这会影响高分遥感图像语义分割的整体精度，导致其对图像中场景和地物理解不全面。因此，各种语义分割方法都在想方设法提高网络的感受野，尽可能高的获取高分遥感图像场景中上下文空间信息。目前较好的方法是基于自注意力机制的语义分割方法，如通道自注意力、空间自注意力等方法，通过自注意力机制来构建高分遥感图像全图特征的上下文空间关系，提高网络提取的感受野。但是网络提取到的中间层特征多且复杂，通过自注意力机制获取到的空间特征关系和通道特征关系计算复杂度高，信息获取相对冗余，对高分遥感图像上下文场景和地物信息的描述并不清晰。因此，自注意力机制会在特征重表达的过程中，选择错误的上下文依赖空间关系，影响语义分割的效果。
总体而言，上述自注意力机制的方法在构建特征上下文信息和类别信息的过程中没有有效的监督，获取到了冗余的信息，从而导致了不同的上下文关系的混乱，造成高分遥感图像语义分割整体精度的下降。
发明内容
为了解决现有技术存在的问题，本发明提供了一种基于监督自注意力网络的高分遥感图像语义分割方法，其目的在于解决现有语义分割算法存在的分割精度较低，分割物体和场景上下文关系混乱的技术问题。
本发明的技术方案提供一种基于监督自注意力网络的高分遥感图像语义分割方法，方法包括以下步骤：
S1、构建遥感图像语义分割网络，该网络包括：基础特征提取模块、通道自注意力模块、类别监督自注意力模块、空间监督自注意力模块和高级特征融合模块；
S2、获取无人机或卫星拍摄的遥感图像作为训练集，利用训练集对所述遥感图像语义分割网络进行训练，得到训练好的网络模型；
S3、利用训练好的网络模型，对待分割高分遥感影像进行分割，得到待分割高分遥感影像中的目标物。
进一步地，所述基础特征提取模块，用于对输入遥感图像进行基础特征提取，输出得到图像的基础特征，该模块采用Dialated ResNet作为骨干网络。
进一步地，所述通道自注意力模块，用于对提取到的基础特征进行通道之间关系的构建，获得基础特征通道彼此关系间的权重，并与基础特征进行相乘，得到通道自注意力增强特征。
进一步地，所述类别监督自注意力模块，用于对基础特征进行类别语义特征学习，构建类别与特征之间的关系，并加权到基础特征上，得到类别监督自注意力特征。
进一步地，所述空间监督自注意力模块，用于对基础特征进行空间上下文特征的学习，得到空间像素点上下文先验的关系、类内特征和异类特征，并通过理想空间相似度矩阵进行监督，得到空间监督自注意力特征。
所述高级特征融合模块，用于将通道自注意力增强特征、类别监督自注意力特征和空间监督自注意力特征进行级联融合，并对融合后的特征图进行上采样，得到最终的语义分割类别结果。
与现有技术相比，本发明的有益效果包括：利用自注意力机制，同时给予有效的监督信息，能够尽可能的增加网络获取的感受野，增强中间层模块的语义表征，进而获取到更加高级的语义特征，进而有效构建特征分类的依赖关系，增强了遥感图像语义分割的精度。
附图说明
图1是本发明提供的一种基于监督自注意力网络的高分遥感图像语义分割方法的流程示意图；
图2是本发明遥感图像语义分割网络的结构图；
图3是本发明通道自注意力模块示意图；
图4是本发明类别监督自注意力模块示意图；
图5是空间监督自注意力模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于监督自注意力网络的高分遥感图像语义分割方法。请参考图1，图1是本发明方法的流程图；方法包括以下步骤：
S1、构建遥感图像语义分割网络，该网络包括：基础特征提取模块、通道自注意力模块、类别监督自注意力模块、空间监督自注意力模块和高级特征融合模块；
请参考图2，图2是本发明遥感图像语义分割网络的结构图；
所述基础特征提取模块，用于对输入遥感图像进行基础特征提取，输出得到图像的基础特征，该模块采用Dialated ResNet作为骨干网络,它是ResNet的变体，将它后两个阶段的最大池化下采样层去掉，替换为空洞卷积，保持特征图的空间分辨率在后两个阶段的计算过程中保持不变。
请参考图3，图3是本发明通道自注意力模块示意图；所述通道自注意力模块，用于对提取到的基础特征进行通道之间关系的构建，获得基础特征通道彼此关系间的权重，并与基础特征进行相乘，得到通道自注意力增强特征；通道自注意力模块包括特征维度变换和矩阵相乘，获取C×C大小得通道自注意力矩阵，将通道信息加权到原始基础特征上。
请参考图4，图4是本发明类别监督自注意力模块示意图；所述类别监督自注意力模块，用于对基础特征进行类别语义特征学习，构建类别与特征之间的关系，并加权到基础特征上，得到类别监督自注意力特征；类别监督自注意力模块包括特征维度变换和矩阵相乘，获取C’×32大小得类别自注意力矩阵，将类别信息加权到原始基础特征上。
请参考图5，图5是空间监督自注意力模块示意图；所述空间监督自注意力模块，用于对基础特征进行空间上下文特征的学习，得到空间像素点上下文先验的关系、类内特征和异类特征，并通过理想空间相似度矩阵进行监督，得到空间监督自注意力特征；空间监督意力模块包括特征维度变换和矩阵相乘，获取4096×4096大小的空间相似度矩阵，构建像素之间的上下文先验信息。
所述高级特征融合模块，用于将通道自注意力增强特征、类别监督自注意力特征和空间监督自注意力特征进行级联融合，并对融合后的特征图进行上采样，得到最终的语义分割类别结果。
为了更好的解释，各个模块的详细工作过程如下：
将高分遥感图像输入到基础特征提取模块中，基础特征模块采Dialated ResNet作为骨干网络，该骨干网络是将ResNet后两个阶段模块中的最大池化层去掉，并替换为空洞卷积层来保持特征图的尺寸保持不变。同时，这里基础特征模块中也包括了一个1×1的卷积层和批归一化层、非线性激活层，来降低骨干网络输出的特征通道数，相对减轻后续模块的计算量，保证语义分割网络的可训练，最后基础特征模块输出的特征图尺寸定为C×H×W，具体基础特征的尺寸为256×64×64。
参考图3，通道自注意力模块是将基础特征进行维度变换，对维度变换后的特征，大小分别为C×(H×W)和(H×W)×C，进行矩阵相乘，得到C×C大小的通道相似度矩阵，该矩阵代表了基础特征的通道之间的相似度，之后利用加权矩阵，与原始基础特征进行相乘，得到通道自注意力特征；
参考图4，同样的，类别监督自注意力模块也是将基础特征进行维度变换，首先通过1×1卷积层进行通道降低，之后得到通道数为待分类类别数的特征，然后对特征进行上采样，恢复到原始输入遥感图像的尺寸，然后通过softmax层进行分类，得到空间像素点的分类概率，这里分类概率的矩大小为C’×N’,这里的C’为类别数6，N’为32，本申请将分类概率矩阵与维度变换后的原始特征进行相乘，得到带分类类别监督的类别自注意力特征，其中分类后计算交叉熵损失时，需要真实标签的监督。
参考图5，与上述通道自注意力模块和类别自注意力模块并列的是空间监督自注意力模块，类似的，本申请对基础特征的维度变换，基础对维度变换后的特征进行矩阵相乘，大小分别为(H×W)×C和C×(H×W)，得到N×N大小的空间相似度矩阵，这里的N＝H×W大小为4096，得到N×N大小的空间相似度矩阵，这里的N大小为4096，因此这里的空间相似度矩阵代表中间层特征像素点的相似度，并将该矩阵和基础特征进行相乘后，就可以得到空间自注意力特征。
由于上述空间相似度矩阵缺乏有效的监督，通过对真实标签矩阵大小为512×512，进行8倍下采样，获得符合该层特征的分辨率的标签矩阵大小为64×64，并根据同类为1，异类为0的特点，构建理想的空间相似度矩阵，因为空间相似度矩阵代表了空间中每一个像素点之间的关系，因此其大小为4096×4096与实际的空间相似度矩阵计算交叉熵损失，以此来保证该模块的学习效果，获取更能反映空间类别关系的监督空间自注意力特征。
最后将上述获取的通道自注意力特征、类别自注意力特征和监督空间自注意力特征进行特征的拼接，并将其整体送入高级特征融合模块，该模块采用了1×1的卷积层、批归一化层和非线性激活层，最终得到大小为6×64×64的高级语义特征，通过对该特征进行8倍上采样，上采样的方式为双线性插值，之后通过softmax函数的计算，得到该像素点对应类别的分类概率，取概率最大值作为该像素点所属类别作为本模型最终的判定类别。
S2、获取无人机或卫星拍摄的遥感图像作为训练集，利用训练集对所述遥感图像语义分割网络进行训练，得到训练好的网络模型；
作为一种实施例，具体的，本发明中的遥感图像一般指无人机和遥感卫星所拍摄的RGB图像，并通过一定的校正和图像配准，拍摄的场景一般为城市场景，场景中包括建筑、道路、树木、汽车等地物。
输入的遥感图像为高分遥感影像，大小为512×512×3，为RGB三通道图像；
作为一种实施例，网络的训练过程如下：
本方法采用ISPRS Potsdam高分遥感图像语义分割数据集，其空间分辨率为5cm，它是一个带有空间像素全标签的语义分割数据集，拍摄场景为城市。本申请选取数据集中的训练数据作为本方法的训练集。训练集中包含32张大小为6000×6000大小的RGB高分遥感图像，由于原始图像尺寸较大，本申请按照128的步幅的大小将其切割成512×512大小的图片，得到了大约12000张训练图片，其包含了数据集预先设定的6个类别，分别是道路、建筑、低矮灌木、树木、汽车和其他杂类。
在本次训练中，本申请将训练集的高分遥感图像随机分成大小相同的训练批次，本方法中每个训练批次为8张图片，并对每个训练批次的数据图像进行数据增广，以提高数据的丰富程度。具体包括，计算训练集中图像每一通道的均值；训练批次中每张图像减去图像均值；随机水平翻转，并随机缩放，缩放系数为{0.5，0.75，1.0，1.5，2.0}中的随机一个。
在本方法中，每次训练一个训练批次，所有的训练批次训练结束计算为一次迭代结束。重复上述操作直至迭代次数达到上限，得到最终网络训练的权重参数，实现深度学习的高分遥感图像语义分割神经网络的训练。同时为了加快训练的过程，本申请采取在ImageNet数据集上预训练模型来初始化语义分割模型的部分权重参数。在本方法中，迭代次数的上限选择为120000次。
一次批次的训练过程如下，利用神经网络正向传播算法和反向传播算法训练上述语义分割网络参数，正向传播计算每个训练批次对应的损失函数，反向传播会得到这个训练批次对应的梯度，利用softmax分类和交叉熵损失函数，计算出语义分割网络的总损失函数为L＝λ1L1+λ2L2+λ3L3,其中L1为主损失函数，L2为类别监督损失函数，L3为空间监督自注意力损失函数；参数λ1，λ2，λ3用于均衡主损失函数、类别监督损失函数和空间监督自注意力损失函数，值预设为1：0.5：0.4，利用小批次随机梯度下降算法来最小化损失函数，然后更新权值。学习率预先设置为0.01，按照指数衰减的形式来降低学习率。更新网络训练参数后，将更新的网络参数作为下一个训练批次的初始值。
将待分割的高分遥感图像预处理后，输入到训练好的高分遥感图像语义分割模型中，得到待分割高分遥感图像中每个像素所属的地物类别。
本发明提出的高分遥感图像语义分割算法可以应用到城市土地利用普查、森林水系面积普查等，也可以延申到自动驾驶和视频监控中。
S3、利用训练好的网络模型，对待分割高分遥感影像进行分割，得到待分割高分遥感影像中的目标物。作为一种实施例，本申请中的目标物为：建筑、道路、车辆等具体的类别。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本发明的有益效果是：
1、本发明中监督类别自注意力模块，能够有效的利用整体图像的语义类别信息，增强整体类别对特征的表达能力，相对有效的区分部分特征所属的类别，提高遥感图像语义分割的整体精度；
2、本发明中空间监督自注意力模块，能够有效的根据真实标签构建的理想相似度矩阵对计算得到的相似度矩阵进行监督，能够明确的约束特征间同类和异类的关系，进而学习到特征的明确上下文先验，有利于语义分割中对像素点类别推理、提高遥感图像语义分割的整体精度。
3、本发明利用自注意力机制，同时给予有效的监督信息，能够尽可能的增加网络获取的感受野，增强中间层模块的语义表征，进而获取到更加高级的语义特征，进而有效构建特征分类的依赖关系，增强了遥感图像语义分割的精度。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (6)

1.一种基于监督自注意力网络的高分遥感图像语义分割方法，其特征在于：包括以下步骤：
S1、构建遥感图像语义分割网络，该网络包括：基础特征提取模块、通道自注意力模块、类别监督自注意力模块、空间监督自注意力模块和高级特征融合模块；
S2、获取无人机或卫星拍摄的遥感图像作为训练集，利用训练集对所述遥感图像语义分割网络进行训练，得到训练好的网络模型；
S3、利用训练好的网络模型，对待分割高分遥感影像进行分割，得到待分割高分遥感影像中的目标物。
2.如权利要求1所述的一种基于监督自注意力网络的高分遥感图像语义分割方法，其特征在于：所述基础特征提取模块，用于对输入遥感图像进行基础特征提取，输出得到图像的基础特征，该模块采用Dialated ResNet作为骨干网络。
3.如权利要求2所述的一种基于监督自注意力网络的高分遥感图像语义分割方法，其特征在于：所述通道自注意力模块，用于对提取到的基础特征进行通道之间关系的构建，获得基础特征通道彼此关系间的权重，并与基础特征进行相乘，得到通道自注意力增强特征。
4.如权利要求3所述的一种基于监督自注意力网络的高分遥感图像语义分割方法，其特征在于：所述类别监督自注意力模块，用于对基础特征进行类别语义特征学习，构建类别与特征之间的关系，并加权到基础特征上，得到类别监督自注意力特征。
5.如权利要求4所述的一种基于监督自注意力网络的高分遥感图像语义分割方法，其特征在于：所述空间监督自注意力模块，用于对基础特征进行空间上下文特征的学习，得到空间像素点上下文先验的关系、类内特征和异类特征，并通过理想空间相似度矩阵进行监督，得到空间监督自注意力特征。
6.如权利要求5所述的一种基于监督自注意力网络的高分遥感图像语义分割方法，其特征在于：所述高级特征融合模块，用于将通道自注意力增强特征、类别监督自注意力特征和空间监督自注意力特征进行级联融合，并对融合后的特征图进行上采样，得到最终的语义分割类别结果。
CN202210022342.8A 2022-01-10 2022-01-10 一种基于监督自注意力网络的高分遥感图像语义分割方法 Pending CN114549405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210022342.8A CN114549405A (zh) 2022-01-10 2022-01-10 一种基于监督自注意力网络的高分遥感图像语义分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210022342.8A CN114549405A (zh) 2022-01-10 2022-01-10 一种基于监督自注意力网络的高分遥感图像语义分割方法

Publications (1)

Publication Number Publication Date
CN114549405A true CN114549405A (zh) 2022-05-27

Family

ID=81669230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210022342.8A Pending CN114549405A (zh) 2022-01-10 2022-01-10 一种基于监督自注意力网络的高分遥感图像语义分割方法

Country Status (1)

Country Link
CN (1) CN114549405A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601605A (zh) * 2022-12-13 2023-01-13 齐鲁空天信息研究院（Cn） 地物分类方法、装置、设备、介质及计算机程序产品
CN116012586A (zh) * 2023-01-06 2023-04-25 阿里巴巴（中国）有限公司 图像处理方法、存储介质及计算机终端
CN116073889A (zh) * 2023-02-06 2023-05-05 中国科学院微小卫星创新研究院 一种基于语义内容的卫星通信网络架构
CN117456187A (zh) * 2023-11-10 2024-01-26 中国科学院空天信息创新研究院 基于基础模型的弱监督遥感图像语义分割方法及系统
CN117689960A (zh) * 2024-01-31 2024-03-12 中国地质大学（武汉） 一种岩性场景分类模型构建方法及分类方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601605A (zh) * 2022-12-13 2023-01-13 齐鲁空天信息研究院（Cn） 地物分类方法、装置、设备、介质及计算机程序产品
CN115601605B (zh) * 2022-12-13 2023-04-07 齐鲁空天信息研究院 地物分类方法、装置、设备、介质及计算机程序产品
CN116012586A (zh) * 2023-01-06 2023-04-25 阿里巴巴（中国）有限公司 图像处理方法、存储介质及计算机终端
CN116073889A (zh) * 2023-02-06 2023-05-05 中国科学院微小卫星创新研究院 一种基于语义内容的卫星通信网络架构
CN116073889B (zh) * 2023-02-06 2023-09-01 中国科学院微小卫星创新研究院 一种基于语义内容的卫星通信网络架构
CN117456187A (zh) * 2023-11-10 2024-01-26 中国科学院空天信息创新研究院 基于基础模型的弱监督遥感图像语义分割方法及系统
CN117689960A (zh) * 2024-01-31 2024-03-12 中国地质大学（武汉） 一种岩性场景分类模型构建方法及分类方法
CN117689960B (zh) * 2024-01-31 2024-04-26 中国地质大学（武汉） 一种岩性场景分类模型构建方法及分类方法

Similar Documents

Publication Publication Date Title
CN114549405A (zh) 一种基于监督自注意力网络的高分遥感图像语义分割方法
CN112750140B (zh) 基于信息挖掘的伪装目标图像分割方法
CN109241972B (zh) 基于深度学习的图像语义分割方法
CN111275711B (zh) 基于轻量级卷积神经网络模型的实时图像语义分割方法
CN109726627B (zh) 一种神经网络模型训练及通用接地线的检测方法
CN112418027A (zh) 一种改进U-Net网络的遥感影像道路提取方法
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
CN114187450B (zh) 一种基于深度学习的遥感图像语义分割方法
CN112084868A (zh) 一种基于注意力机制的遥感图像中目标计数方法
CN111553869B (zh) 一种空基视角下的生成对抗网络图像补全方法
CN111985274A (zh) 一种基于卷积神经网络的遥感图像分割算法
CN114022408A (zh) 基于多尺度卷积神经网络的遥感图像云检测方法
CN113034361B (zh) 一种基于改进esrgan的遥感影像超分重建方法
CN114972748A (zh) 一种可解释边缘注意力和灰度量化网络的红外语义分割方法
CN112149526B (zh) 一种基于长距离信息融合的车道线检测方法及系统
CN116612283A (zh) 一种基于大卷积核骨干网络的图像语义分割方法
CN115482518A (zh) 一种面向交通场景的可扩展多任务视觉感知方法
CN111191704B (zh) 一种基于任务图卷积网络的地基云分类方法
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
CN117058367A (zh) 高分辨率遥感影像建筑物语义分割方法及装置
CN117726954B (zh) 一种遥感图像海陆分割方法及系统
CN116935043A (zh) 一种基于多任务生成对抗网络的典型地物遥感图像生成方法
CN116402851A (zh) 一种复杂背景下的红外弱小目标跟踪方法
CN117253184B (zh) 一种雾先验频域注意表征引导的雾天图像人群计数方法
Schieber et al. Deep sensor fusion with pyramid fusion networks for 3D semantic segmentation

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