CN114882306B - 地形图比例尺鉴别方法、装置、存储介质及电子设备 - Google Patents
地形图比例尺鉴别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114882306B CN114882306B CN202210353887.7A CN202210353887A CN114882306B CN 114882306 B CN114882306 B CN 114882306B CN 202210353887 A CN202210353887 A CN 202210353887A CN 114882306 B CN114882306 B CN 114882306B
- Authority
- CN
- China
- Prior art keywords
- size
- image
- scale
- network model
- target
- 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
Links
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种地形图比例尺鉴别方法及装置、存储介质和电子设备,方法包括:基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并基于影像尺度空间构建训练集、验证集、测试集;将训练集输入神经网络模型中,利用训练集中的图像调整神经网络模型的超参数,得到调整后的目标网络模型;利用目标网络模型处理目标图像,得到目标图像的比例尺。本申请的方法利用自动化的鉴别方法替代人工操作,提高了地形图比例尺的鉴别效率。
Description
技术领域
本申请涉及栅格电子地形图和计算机视觉技术领域,尤其是涉及到一种地形图比例尺鉴别方法、装置、存储介质及电子设备。
背景技术
地形图(topographic map)指将地面上的地物和地貌按水平投影的方法(沿铅垂线方向投影到水平面上),并按一定的比例尺缩绘到图纸上,这种图称为地形图。地形图制图的区域范围比较小,因此能比较精确而详细地表示地面地貌水文、地形、土壤、植被等自然地理要素,以及居民点、交通线、境界线、工程建筑等社会经济要素。地形图是根据地形测量或航摄资料绘制的,误差和投影变形都极小。地形图是经济建设、国防建设和科学研究中不可缺少的工具;也是编制各种小比例尺普遍地图、专题地图和地图集的基础资料,是不可缺少的工具。
传统的地形图比例尺鉴别方法主要是人工目视解译,检测人员需要熟练掌握地形图的绘制方法,需要大量的地形图专家知识。这就导致了检测人员数量的稀少,劳动强度大。进一步的,不同比例尺,特别是相近比例尺的地形图之间差异非常小,导致检测速度慢、不能全天候24小时作业,大大降低了地形图检核的效率。
发明内容
有鉴于此,本申请提供了一种地形图比例尺鉴别方法、装置、介质及设备,利用自动化的鉴别方法替代人工操作,提高了地形图比例尺的鉴别效率。
根据本申请的一个方面,提供了一种地形图比例尺鉴别方法,包括:
基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并利用所影像尺度空间构建训练集、验证集、测试集;
将所述训练集输入神经网络模型中,利用所述训练集中的图像调整所述神经网络模型的超参数,得到调整后的目标网络模型;
利用所述目标网络模型处理目标图像,得到所述目标图像的比例尺。
可选地,所述利用所述多个地形图构建知识引导的影像尺度空间,具体包括:
将一个所述地形图分割成为多个第一子图,其中,每个所述第一子图的尺寸与预设分割尺寸相同;或,
将一个所述地形图分割成为预设分割数量个第二子图;
根据每个所述地形图的第一子图或第二子图,建立与所述地形图对应的子影像尺度空间;
利用所有地形图对应的所述子影像尺度空间构建所述影像尺度空间。
可选地,所述利用所述训练集中的图像调整所述神经网络模型的超参数,具体包括:
初始化所述超参数;
获取训练策略,其中,所述训练策略包括以下至少之一:知识驱动的实时数据增强策略、图像-标签混合策略、标签平滑及正则化策略;
根据所述训练策略,利用所述神经网络模型处理所述训练集中的训练图像,并根据处理结果调整所述超参数。
可选地,所述利用目标网络模型处理目标图像,得到所述目标图像的比例尺,具体包括:
确定所述目标网络模型的识别尺寸,并根据所述识别尺寸设置尺寸阈值;
判断所述目标图像的尺寸与所述尺寸阈值的大小关系;
若所述目标图像的尺寸大于所述尺寸阈值,则设置滑动窗口,利用所述滑动窗口将所述目标图像分割成为多个目标子图,其中,所述滑动窗口的步长为所述识别尺寸;
利用所述目标网络模型分别处理每个所述目标子图,得到每个所述目标子图的子比例尺,并根据所以子比例尺确定所述目标图像的比例尺;
若所述目标图像的尺寸小于或等于所述尺寸阈值,则调整所述目标图像的尺寸至等于所述识别尺寸,并利用所述目标网络模型处理调整后的所述目标图像,得到所述目标图像的比例尺。
可选地,所述确定识别尺寸,具体包括:
统计所述影像尺度空间中每个地形图的尺寸,并确定出现次数最多的尺寸为所述识别尺寸;或,
利用所述目标网络模型预测所述测试集中的测试图像,并将预测结果与所述测试图像的比例尺进行对比,根据对比结果判断所述预测结果是否为预测正确,并统计预测正确的次数最多的尺寸为所述识别尺寸。
可选地,所述根据所述训练策略,利用所述神经网络模型处理所述训练集中的训练图像,具体包括:
若所述神经网络模型的数量为多个,则分别根据所述训练策略,利用所述训练集中的图像训练每个所述神经网络模型;
根据所述训练结果,在多个所述神经网络模型中确定待调整网络模型;
根据所述训练策略,利用所述待调整网络模型处理所述训练集中的图像。
可选地,所述方法还包括:
利用所述目标网络模型处理所述验证集中的验证图像,得到验证结果;
根据所述验证结果确定所述目标网络模型的测试指标。
根据本申请的另一方面,提供了一种地形图比例尺鉴别装置,包括:
构建模块,用于基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并利用所述影像尺度空间构建训练集、验证集、测试集;
训练模块,用于将所述训练集输入神经网络模型中,利用所述训练集中的图像调整所述神经网络模型的超参数,得到调整后的目标网络模型;
处理模块,用于利用所述目标网络模型处理目标图像,得到所述目标图像的比例尺。
可选地,所述构建模块,具体用于:
将一个所述地形图分割成为多个第一子图,其中,每个所述第一子图的尺寸与预设分割尺寸相同;或,
将一个所述地形图分割成为预设分割数量个第二子图;
根据每个所述地形图的第一子图或第二子图,建立与所述地形图对应的子影像尺度空间;
利用所有地形图对应的所述子影像尺度空间构建所述影像尺度空间。
可选地,所述训练模块,具体用于:
初始化所述超参数;
获取训练策略,其中,所述训练策略包括以下至少之一:知识驱动的实时数据增强策略、图像-标签混合策略、标签平滑及正则化策略;
根据所述训练策略,利用所述神经网络模型处理所述训练集中的训练图像,并根据处理结果调整所述超参数。
可选地,所述处理模块,具体用于:
确定所述目标网络模型的识别尺寸,并根据所述识别尺寸设置尺寸阈值;
判断所述目标图像的尺寸与所述尺寸阈值的大小关系;
若所述目标图像的尺寸大于所述尺寸阈值,则设置滑动窗口,利用所述滑动窗口将所述目标图像分割成为多个目标子图,其中,所述滑动窗口的步长为所述识别尺寸;
利用所述目标网络模型分别处理每个所述目标子图,得到每个所述目标子图的子比例尺,并根据所有子比例尺确定所述目标图像的比例尺;
若所述目标图像的尺寸小于或等于所述尺寸阈值,则调整所述目标图像的尺寸至等于所述识别尺寸,并利用所述目标网络模型处理调整后的所述目标图像,得到所述目标图像的比例尺。
可选地,所述处理模块,还用于:
统计所述影像尺度空间中每个地形图的尺寸,并确定出现次数最多的尺寸为所述识别尺寸;或,
利用所述目标网络模型预测所述测试集中的测试图像,并将预测结果与所述测试图像的比例尺进行对比,根据对比结果判断所述预测结果是否为预测正确,并统计预测正确的次数最多的尺寸为所述识别尺寸。
可选地,所述训练模块,具体用于:
若所述神经网络模型的数量为多个,则分别根据所述训练策略,利用所述训练集中的图像训练每个所述神经网络模型;
根据所述训练结果,在多个所述神经网络模型中确定待调整网络模型;
根据所述训练策略,利用所述待调整网络模型处理所述训练集中的图像。
可选地,所述装置还包括验证模块,具体用于:
利用所述目标网络模型处理所述验证集中的验证图像,得到验证结果;
根据所述验证结果确定所述目标网络模型的测试指标。
根据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述地形图比例尺鉴别方法。
根据本申请再一个方面,提供了一种电子设备,包括存储介质、处理器及存储在存储介质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计算机程序时实现上述地形图比例尺鉴别方法。
借由上述技术方案,本申请搜集多张不同比例尺的地形图,并利用每张地形图建立一个子影像尺度空间,进而形成影像尺度空间并得到用于不同目的的训练集、验证集以及测试集。然后利用这些集合训练神经网络模型,并利用训练好的神经网络模型处理目标图像,从而得到目标图像的比例尺。实现了地形图比例尺的自动鉴别,相较于传统的人工鉴别方法,效率以及精准程度均得到提高。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种地形图比例尺鉴别方法的流程示意图;
图2示出了本申请实施例提供的另一种地形图比例尺鉴别方法的流程示意图;
图3示出了本申请实施例提供的另一种地形图比例尺鉴别方法的流程示意图;
图4示出了本申请实施例提供的另一种地形图比例尺鉴别方法的流程示意图;
图5示出了本申请实施例提供的另一种地形图比例尺鉴别方法的准确度示意图;
图6示出了本申请实施例提供的另一种地形图比例尺鉴别方法的流程示意图;
图7示出了本申请实施例提供的一种地形图比例尺鉴别装置的结构框图。
具体实施方式
在本实施例中提供了一种地形图比例尺鉴别方法,如图1所示,该方法包括:
步骤101,基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并利用影像尺度空间构建训练集、验证集、测试集;
本申请实施例提供的地形图比例尺鉴别方法,可用于破碎化栅格地形图,其技术手段在于利用神经网络自动鉴别图像的比例尺。基于此,首先利用多个地形图来训练神经网络,进而利用训练好的网络处理目标图像。
其中,具有以下特征至少之一的地形图为破碎化地形图:局部或完整的地形图;缺少格网、比例尺图例等能明显指示地图比例尺的符号或图例;该地形图是栅格而非矢量的;图像尺寸显著大于传统卷积神经网络的输入大小,如图像尺寸为10000×10000,传统卷积神经网络的输入大小为299×299。
具体地,可搜集不同比例尺的若干地形图,并利用这些地形图构建影像尺度空间。例如,可搜集1w,2.5w,5w,10w,25w,50w比例尺的地形图各100张,其中,地形图的尺寸不同、比例尺不同有利于提高样本的多样性,能够综合多个尺度下的地图特征,忽略变尺度效应带来的影响,从而有效进行多尺度的地形图比例尺检测。
此外,在利用多个地形图构建影像尺度空间之前,还可以对搜集到的地形图进行数据清洗,以剔除不需要的地形图。其中,不需要的地形图可以是格式错误的,信息残缺的,无法打开的,清晰度低的地形图等。
此外,若地形图为非RGB通道图像,则在构建影像尺度空间之前,转换成为RGB通道图像。
进一步地,影像尺度空间包括多个根据地形图生成的子影像尺度空间,为了保证训练集、验证集、测试集保持相同的数学分布,因此可充分混合影像尺度空间,并分别按照一定比例提取影像尺度空间中的元素构建上述三个集合。例如,可以提取影像尺度空间中的80%元素组成训练集,提取影像尺度空间中的10%元素组成验证集,提取影像尺度空间中的10%元素组成测试集。
进一步地,专家知识信息可以由地形图专家结合地形图知识和卷积神经网络特点得到。
步骤102,将训练集输入神经网络模型中,利用训练集中的图像调整神经网络模型的超参数,得到调整后的目标网络模型;
在该实施例中,利用训练集来训练神经网络模型,从而得到目标网络模型。具体地,将训练集输入神经网络模型,利用神经网络模型来处理训练集中的图像,进而根据训练结果调整神经网络模型的超参数,以得到调整后的目标网络模型。相较于调整前的神经网络模型,目标网络模型处理图像的效果更佳。
其中,神经网络模型的超参数主要包括:学习率、迭代次数、权重初始化方法、监测指标、损失函数、梯度裁剪策略。例如:学习率=0.001、迭代次数=30、权重初始化方法=图像数据集ImageNet权重、监测指标=验证集损失及精度、损失函数=交叉熵函数。此外,也可利用随机初始化等方法来实现权重的初始化。
步骤103,利用目标网络模型处理目标图像,得到目标图像的比例尺。
在该实施例中,在训练神经网络模型,得到目标网络模型后,可利用目标网络模型预测目标图像的比例尺,从而实现目标图像比例尺的自动预测。
通过应用本实施例的技术方案,搜集多张不同比例尺的地形图,并利用每张地形图建立一个子影像尺度空间,进而形成影像尺度空间并得到用于不同目的的训练集、验证集以及测试集。然后利用这些集合训练神经网络模型,并利用训练好的神经网络模型处理目标图像,从而得到目标图像的比例尺。实现了地形图比例尺的自动鉴别,相较于传统的人工鉴别方法,效率以及精准程度均得到提高。
进一步地,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了另一种地形图比例尺鉴别方法,利用多个地形图构建知识引导的影像尺度空间,具体包括:
步骤201,将一个地形图分割成为多个第一子图,其中,每个第一子图的尺寸与预设分割尺寸相同;或,
步骤202,将一个地形图分割成为预设分割数量个第二子图;
在该实施例中,可采用固定子图尺寸等比例切割将一个地形图分割成为多个第一子图,例如切割得到所有第一子图的大小均为299*299;也可以采用固定子图数量变形切割的方法,将一个地形图分割成为多个第二子图,例如由1幅地形图平均分割为4幅第二子图。
其中,可以由地形图专家结合地形图知识和卷积神经网络特点,凝练出使用深度学习识别地形图比例尺的专家知识,进而根据专家知识实现地形图的分割,这些知识让我们意识到尺寸是影响比例尺识别的关键。其中,专家知识可包括如下:
同一地物在不同比例尺地形图下,具有不同形态;尺度通过比例尺直接反应,对地形图进行缩放就会改变地形图的视觉比例尺,训练模型时不可随意进行缩放;小比例尺地形图可由大比例尺地形图“缩编”得到;描述地物的形状、颜色,需要符合相应的技术规范;地形图的尺寸一般很大,直接输入深度学习算法,会因为缩放丢失大量的信息;识别尺寸太小也会因为信息太少,影响识别精度等。
步骤203,根据每个地形图的第一子图或第二子图,建立与地形图对应的子影像尺度空间;
步骤204,利用所有地形图对应的子影像尺度空间构建影像尺度空间。
在该实施例中,为每个地形图建立一个与之对应的子影像尺度空间,其中,子影像尺度空间由该地形图分割得到的第一子图或第二子图组成。之后将所有地形图对应的子影像尺度空间组合起来,得到影像尺度空间,使样本数量得到极大扩充,且包含了不同尺寸、不同尺度(也即不同比例尺)的训练样本。
进一步地,如图2所示,在另一种地形图比例尺鉴别方法中,利用训练集中的图像调整神经网络模型的超参数,具体包括:
步骤301,获取训练策略,其中,训练策略包括以下至少之一:知识驱动的实时数据增强策略、图像-标签混合策略、标签平滑及正则化策略;
步骤302,根据训练策略,利用神经网络模型处理训练集中的训练图像,并根据处理结果调整超参数。
在该实施例中,获取训练策略,并根据训练策略训练神经网络模型。具体地,训练策略可包括知识驱动的数据增强策略、图像-标签混合策略、标签平滑及正则化策略中的一个或多个,对训练集中的训练图像施加训练策略,并根据结果调整超参数,通过多次调整实现神经网络模型的优化。
具体地,知识驱动的实时数据增强策略主要对训练图形的颜色、通道施以微小扰动,而不改变样本形状以及尺寸,该策略在增加样本多样性的同时,没有改变地形图的比例尺。其中,前述数据增强策略的方法不包括对数据进行缩放,其可包括数据去中心化、数据标准化、数据ZCA白化、数据灰度化、数据随机转动、数据水平偏移、数据竖直偏移、数据随机通道偏移、数据随机水平翻转、数据随机竖直翻转、数据二值化、数据随机裁剪等,当然也可包括其他方法,在此不做限定。
具体地,图像-标签混合策略是按地形图的比例尺进行分类,每一类的标签为该地形图的比例尺,在多个图像叠加时,叠加后的图像同时具有叠加前的多个图像的标签。在进行数据实时增强的基础上,利用该策略进行实时的图像-标签混合操作,即将任意两张图片进行逐元素的叠加,其标签对应也进行叠加,可缩小类内距离,增大类间距离,提高模型识别精度,解决相近比例尺地形图的相似程度较高导致的无法准确识别的问题,也即保持模型鲁棒性,降低过拟合的可能。
而标签平滑及正则化策略有利于解决模型过拟合的问题。
其中,训练策略也可根据专家知识设定。其中,知识驱动的数据增强策略可包含灰度图像、边缘检测、对比度增强、高斯模糊、高斯噪声、竖直镜像、水平镜像、椒盐噪声、锐化、通道变换、颜色空间变换等。该实施例根据专家知识设定了上述训练策略,有利于提升训练效果。
进一步地,在另一种地形图比例尺鉴别方法中,如图3所示,利用目标网络模型处理目标图像,得到目标图像的比例尺,具体包括:
步骤401,确定目标网络模型的识别尺寸,并根据识别尺寸设置尺寸阈值;
在该实施例中,若目标图像的尺寸太大,则可能受限于显存容量导致识别失败或因图像缩放而丢失地形图信息等因素。基于此,为目标网络模型确定识别尺寸,并根据识别尺寸设置尺寸阈值,利用尺寸阈值保证目标网络模型处理结果的精准度。
其中,可以设置尺寸阈值为识别尺寸的3倍,当然也可以设置尺寸阈值为其他尺寸,在此不做限制。
步骤402,判断目标图像的尺寸与尺寸阈值的大小关系;
步骤403,若目标图像的尺寸大于尺寸阈值,则设置滑动窗口,利用滑动窗口将目标图像分割成为多个目标子图,其中,滑动窗口的步长为识别尺寸;
在该实施例中,若目标图像的尺寸大于尺寸阈值,则现有的预测方法均会将目标图像缩放到相同大小的尺寸进行预测,导致目标图像的分辨率降低,丢失一部分信息。因此,可以设置滑动窗口,并利用滑动窗口分割目标图像得到多个目标子图。其中,可以设置滑动窗口的步长为识别尺寸。
步骤404,利用目标网络模型分别处理每个目标子图,得到每个目标子图的子比例尺,并根据子比例尺确定目标图像的比例尺;
在该实施例中,利用目标网络模型分别处理每个目标子图,由于目标子图包含的数据量小于目标图像,因此处理目标子图而不是目标图像,可以有效避免超出计算机负荷。
具体地,分别处理每个目标子图,得到每个目标子图的子比例尺,进而可综合分析所有目标子图的子比例尺,通过集成多个子比例尺得到目标图像的比例尺。例如,可以采用对预测向量求算术平均数、取最大概率的预测向量或子图投票等方法对子图预测结果也即子比例尺进行集成。
步骤405,若目标图像的尺寸小于或等于尺寸阈值,则调整目标图像的尺寸至等于识别尺寸,并利用目标网络模型处理调整后的目标图像,得到目标图像的比例尺。
在该实施例中,若目标图像的尺寸小于或等于尺寸阈值,则采用调整目标图像尺寸的方式,将尺寸调整至等于识别尺寸,使目标图像的尺寸统一化,更便于目标网络模型对目标图像进行处理。在此情况下,由于未分割得到多个目标子图,仅向目标网络模型输入了调整后的目标图像,因此可直接得到目标图像的比例尺,而无需再对多个目标子图的子比例尺进行集成。
进一步地,在另一种地形图比例尺鉴别方法中,确定识别尺寸,具体包括:
步骤501,统计影像尺度空间中每个地形图的尺寸,并确定出现次数最多的尺寸为识别尺寸;或,
步骤502,利用目标网络模型预测测试集中的测试图像,并将预测结果与测试图像的比例尺进行对比,根据对比结果判断预测结果是否为预测正确,并统计预测正确的次数最多的尺寸为识别尺寸。
在该实施例中,提供了两种确定识别尺寸的方法。
具体地,可以统计数据集中每个图像的尺寸,并将出现次数最多的尺寸作为识别尺寸。由于识别尺寸为出现次数最多的尺寸,也即与识别尺寸相同的图像最多,因此在利用数据集中的图像进行目标网络模型的处理结果验证时,需要调整尺寸或利用滑动窗口分割的图像最少。
还可以利用目标网络模型预测测试集中的测试图像,其中,测试集中的测试图像已知比例尺,因此,可以将每个测试图像的预测结果与该测试图像的比例尺作对比,进而根据对比结果判断针对该测试图像的预测结果是否正确。例如,可设定检测阈值,若比对结果为相同的置信概率大于检测阈值,则认为该测试图像的预测结果为预测正确,如设置检测阈值为T=0.7,置信概率P>0.7的测试图像为有效识别。
进一步地,如图4所示,在另一种地形图比例尺鉴别方法中,根据训练策略,利用神经网络模型处理训练集中的训练图像,具体包括:
步骤601,若神经网络模型的数量为多个,则分别根据训练策略,利用训练集中的图像训练每个神经网络模型;
步骤602,根据训练结果,在多个神经网络模型中确定待调整网络模型;
步骤603,根据训练策略,利用待调整网络模型处理训练集中的图像。
在该实施例中,若神经网络模型的数量为一个,则根据训练策略,利用这一个神经网络模型处理训练集中的训练图像。若神经网络模型的数量为多个,则根据训练策略,分别利用每个神经网络模型处理训练集中的训练图像,并采用监视器对各个神经网络模型进行全方位的监测,优选出性能和速度较好的神经网络模型作为待调整网络模型,再次根据训练策略,利用待调整网络模型处理训练集中的图像,进而根据处理结果调整所述超参数。
其中,监视器可监视神经网络模型的以下指标至少之一:训练损失、训练精度、训练召回率、训练准确度、验证损失、验证精度、验证召回率、验证准确度,当然,监视器还可监视其他指标,在此不做限定。
进一步地,神经网络模型可以为VGG(Visual Geometry Group)、Inception、ResNet、ResNeXt、Xception、InceptionResNet等,也可以为其他神经网络,在此不做限定。
进一步地,待调整网络模型可以为一个或多个,若待调整网络模型为多个,则可再次根据训练策略,利用训练集中的图像训练每个待调整模型,并根据训练结果选择出一个精度较高的模型,作为最终的待调整模型。
进一步地,在另一种地形图比例尺鉴别方法中,方法还包括:
步骤701,利用目标网络模型处理验证集中的验证图像,得到验证结果;
步骤702,根据验证结果确定目标网络模型的测试指标。
在该实施例中,可利用验证集中的验证图像,验证目标神经网络的处理效果。具体地,可利用目标网络模型处理验证图像,并根据得到的验证结果确定目标网络模型的测试指标,测试指标反映了目标神经网络的优劣。
具体地,测试指标可包括精确度,召回等。如表1示出了目标神经网络在处理不同比例尺的验证图像时的测试指标;表2示出了目标神经网络与基础算法之间的差距;图5示出了目标神经网络在处理验证图像时的准确程度,其中横坐标表征利用目标神经网络得到的验证图像的比例尺,纵坐标表征验证图像的真实比例尺,因此,位于右对角线上的验证图像数量为验证准确数量。
比例尺 | 精确度 | 召回 | F-1分数 | 子类样本数 |
1w | 1.00000 | 1.00000 | 1.00000 | 1193 |
2.5w | 1.00000 | 1.00000 | 1.00000 | 788 |
5w | 0.94118 | 1.00000 | 0.96970 | 782 |
10w | 0.99420 | 0.94102 | 0.96688 | 729 |
25w | 0.95060 | 0.96041 | 0.95548 | 1162 |
50w | 0.96954 | 0.95183 | 0.96060 | 1204 |
表1
表2
进一步地,在另一种地形图比例尺鉴别方法中,如图6所示,具体判断过程如下:
步骤1:专家知识引导影像尺度空间构建
步骤1.1:搜集1w,2.5w,5w,10w,25w,50w比例尺的地形图各100张;
步骤1.2:根据步骤1.1中得到的地形图数据,对其进行数据清洗,剔除破损的,无法正常打开的地形图数据;
步骤1.3:由地形图专家结合地形图知识和卷积神经网络特点,凝练出使用深度学习识别地形图比例尺的专家知识。如:
a.同一地物在不同比例尺地形图下,具有不同形态;
b.尺度通过比例尺直接反应,对地形图进行缩放就会改变地形的视觉比例尺,训练模型时不可随意进行缩放;
b.小比例尺地形图可由大比例尺地形图“缩编”得到;
步骤1.4:根据步骤1.2中得到的清洗后的地形图数据以及步骤1.3中得到的专家知识,由专家知识引导,采用固定子图尺寸等比例切割(如598*598,1196*1196等)以及固定子图数量变形切割(如每幅图切割为2行2列共4幅子图,3行3列共9幅子图等)的方法,构建基于专家知识的影像尺度空间,样本数量得到极大扩充且包含了不同尺寸、不同尺度的训练样本;
步骤1.5:为保证训练集、验证集、测试集保持相同的数学分布,充分混合步骤1.4中得到的数据集,按照一定比例(如8:1:1)构造训练集(training dataset)、验证集(validation dataset)和测试集(test dataset)。
步骤2:多尺度训练识别模型
步骤2.1:搭建网络并载入步骤1得到的影像尺度空间;
步骤2.2:设定合适的网络模型超参数;主要包括:学习率=0.001、迭代次数=30、权重初始化方法=ImageNet、监测指标=验证集损失及精度、损失函数=交叉熵函数;
步骤2.3:为提高样本的多样性,由专家知识引导,制定实时数据增强策略,该策略中主要对颜色、通道施以微小扰动,不做改变样本形状的操作,在增加样本多样性的同时,没有改变地形图的比例尺;
步骤2.4:使用Tensorflow深度学习框架的ImageDataGenerator对步骤1得到的训练集施以步骤2.3制定的实时数据增强策略,包括但不限于:数据去中心化、数据标准化、数据ZCA白化、数据灰度化、数据随机转动、数据水平偏移、数据竖直偏移、数据随机通道偏移、数据随机水平翻转、数据随机竖直翻转、数据二值化、数据随机裁剪;
步骤2.5:相近比例尺地形图的相似程度较高,在ImageDataGenerator的基础上添加图像-标签混合策略,缩小类内距离,增大类间距离,提高模型识别精度;
步骤2.6:为防止模型过拟合,添加标签平滑及正则化策略;
步骤2.7:根据步骤2.2设置的网络超参数以及上述步骤添加的训练策略,分别使用不同的基础网络,训练多尺度识别模型。其中,分别实验了VGG、Inception、ResNet、Xception、InceptionResNet等基础网络;
步骤2.8:根据步骤2.7得到的神经网络模型,采用监视器对各个模型进行全方位的监测,优选出性能和速度较好的基础网络。基于速度和精度的权衡,得到在相同超参数情况下的最优基网络为Xception,因此之后都使用Xception作为基网络;
步骤2.9:根据步骤2.8得到的优选基网络Xception,继续调整超参数进行训练,并采用监视器对各个模型进行全方位的监测,保存整个训练周期中精度较高的模型,监测对象包括但不限于:训练损失、训练精度、训练召回率、训练准确度、验证损失、验证精度、验证召回率、验证准确度;
步骤2.10:重复步骤2.9,得到最终的识别模型;
步骤3:模型测试
步骤3.1:根据步骤2得到的模型,用步骤1的测试集对该模型进行测试;
步骤3.2:统计数据集中出现次数最多的图像尺寸或测试集中正确预测次数出现最多的尺寸,得到识别尺寸s=1196*1196;
步骤3.3:将测试集输入到步骤2得到的模型进行测试,若测试图像尺寸小于3倍尺寸s,将图片缩放到尺寸s进行测试。若测试图像尺寸大于3倍尺寸s,则以s为滑动窗口的步长,分别对子图进行预测,采用平均概率、最大值概率或投票对子图预测结果进行集成,得到该图像的预测结果。通过实验测试,投票集成方式的精度较高,后续均为投票进行集成;
步骤3.4:根据步骤3.3得到的测试结果,统计模型的各项测试指标,并与基础算法进行比较,形成评价模型的测试指标集合。
进一步地,作为上述地形图比例尺鉴别方法的具体实现,本申请实施例提供了一种地形图比例尺鉴别装置,如图7所示,该地形图比例尺鉴别装置包括:构建模块、训练模块和处理模块。
构建模块,用于基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并利用影像尺度空间构建训练集、验证集、测试集;
训练模块,用于将训练集输入神经网络模型中,利用训练集中的图像调整神经网络模型的超参数,得到调整后的目标网络模型;
处理模块,用于利用目标网络模型处理目标图像,得到目标图像的比例尺。
在具体的应用场景中,可选地,构建模块,具体用于:
将一个地形图分割成为多个第一子图,其中,每个第一子图的尺寸与预设分割尺寸相同;或,
将一个地形图分割成为预设分割数量个第二子图;
根据每个地形图的第一子图或第二子图,建立与地形图对应的子影像尺度空间;
利用所有地形图对应的子影像尺度空间构建影像尺度空间。
在具体的应用场景中,可选地,训练模块,具体用于:
初始化超参数;
获取训练策略,其中,训练策略包括以下至少之一:知识驱动的数据增强策略、图像-标签混合策略、标签平滑及正则化策略;
根据训练策略,利用神经网络模型处理训练集中的训练图像,并根据处理结果调整超参数。
在具体的应用场景中,可选地,处理模块,具体用于:
确定目标网络模型的识别尺寸,并根据识别尺寸设置尺寸阈值;
判断目标图像的尺寸与尺寸阈值的大小关系;
若目标图像的尺寸大于尺寸阈值,则设置滑动窗口,利用滑动窗口将目标图像分割成为多个目标子图,其中,滑动窗口的步长为识别尺寸;
利用目标网络模型分别处理每个目标子图,得到每个目标子图的子比例尺,并根据子比例尺确定目标图像的比例尺;
若目标图像的尺寸小于或等于尺寸阈值,则调整目标图像的尺寸至等于识别尺寸,并利用目标网络模型处理调整后的目标图像,得到目标图像的比例尺。
在具体的应用场景中,可选地,处理模块,还用于:
统计影像尺度空间中每个地形图的尺寸,并确定出现次数最多的尺寸为识别尺寸;或,
利用目标网络模型预测测试集中的测试图像,并将预测结果与测试图像的比例尺进行对比,根据对比结果判断预测结果是否为预测正确,并统计预测正确的次数最多的尺寸为识别尺寸。
在具体的应用场景中,可选地,训练模块,具体用于:
若神经网络模型的数量为多个,则分别根据训练策略,利用训练集中的图像训练每个神经网络模型;
根据训练结果,在多个神经网络模型中确定待调整网络模型;
根据训练策略,利用待调整网络模型处理训练集中的图像。
在具体的应用场景中,可选地,装置还包括验证模块,具体用于:
利用目标网络模型处理验证集中的验证图像,得到验证结果;
根据验证结果确定目标网络模型的测试指标。
根据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,程序或指令被处理器执行时实现上述地形图比例尺鉴别方法。
根据本申请再一个方面,提供了一种电子设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,处理器执行程序时实现上述地形图比例尺鉴别方法。
需要说明的是,本申请实施例提供的一种地形图比例尺鉴别装置所涉及各功能模块的其他相应描述,可以参考图1至图6中的对应描述,在此不再赘述。
基于上述如图1至图6所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1至图6所示的地形图比例尺鉴别方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图6所示的方法,以及图7所示的地形图比例尺鉴别装置实施例,为了实现上述目的,本申请实施例还提供了一种电子设备,具体可以为个人计算机、服务器、网络设备等,该电子设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图6所示的地形图比例尺鉴别方法。
可选地,该电子设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种电子设备结构并不构成对该电子设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作装置、网络通信模块。操作装置是管理和保存电子设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各控件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的单元或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的单元可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的单元可以合并为一个单元,也可以进一步拆分成多个子单元。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (9)
1.一种地形图比例尺鉴别方法,其特征在于,所述方法包括:
基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并利用所述影像尺度空间构建训练集、验证集、测试集,其中,所述多个地形图包括不同比例尺的地形图;
将所述训练集输入神经网络模型中,利用所述训练集中的图像调整所述神经网络模型的超参数,得到调整后的目标网络模型;
利用所述目标网络模型处理目标图像,得到所述目标图像的比例尺;
利用所述目标网络模型处理目标图像,得到所述目标图像的比例尺,具体包括:
确定所述目标网络模型的识别尺寸,并根据所述识别尺寸设置尺寸阈值;
判断所述目标图像的尺寸与所述尺寸阈值的大小关系;
若所述目标图像的尺寸大于所述尺寸阈值,则设置滑动窗口,利用所述滑动窗口将所述目标图像分割成为多个目标子图,其中,所述滑动窗口的步长为所述识别尺寸;
利用所述目标网络模型分别处理每个所述目标子图,得到每个所述目标子图的子比例尺,并根据所述子比例尺确定所述目标图像的比例尺;
若所述目标图像的尺寸小于或等于所述尺寸阈值,则调整所述目标图像的尺寸至等于所述识别尺寸,并利用所述目标网络模型处理调整后的所述目标图像,得到所述目标图像的比例尺。
2.根据权利要求1所述的方法,其特征在于,所述利用多个地形图构建知识引导的影像尺度空间,具体包括:
将一个所述地形图分割成为多个第一子图,其中,每个所述第一子图的尺寸与预设分割尺寸相同;或,
将一个所述地形图分割成为预设分割数量个第二子图;
根据每个所述地形图的第一子图或第二子图,建立与所述地形图对应的子影像尺度空间;
利用所有地形图对应的所述子影像尺度空间构建所述影像尺度空间。
3.根据权利要求1所述的方法,其特征在于,所述利用所述训练集中的图像调整所述神经网络模型的超参数,具体包括:
初始化所述超参数;
获取训练策略,其中,所述训练策略包括以下至少之一:知识驱动的实时数据增强策略、图像-标签混合策略、标签平滑及正则化策略;
根据所述训练策略,利用所述神经网络模型处理所述训练集中的训练图像,并根据处理结果调整所述超参数。
4.根据权利要求1所述的方法,其特征在于,确定所述识别尺寸,具体包括:
统计所述影像尺度空间中每个地形图的尺寸,并确定出现次数最多的尺寸为所述识别尺寸;或,
利用所述目标网络模型预测所述测试集中的测试图像,并将预测结果与所述测试图像的比例尺进行对比,根据对比结果判断所述预测结果是否为预测正确,并统计预测正确的次数最多的尺寸为所述识别尺寸。
5.根据权利要求3所述的方法,其特征在于,所述根据所述训练策略,利用所述神经网络模型处理所述训练集中的训练图像,具体包括:
若所述神经网络模型的数量为多个,则分别根据所述训练策略,利用所述训练集中的图像训练每个所述神经网络模型;
根据训练结果,在多个所述神经网络模型中确定待调整网络模型;
根据所述训练策略,利用所述待调整网络模型处理所述训练集中的图像。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用所述目标网络模型处理所述验证集中的验证图像,得到验证结果;
根据所述验证结果确定所述目标网络模型的测试指标。
7.一种地形图比例尺鉴别装置,其特征在于,所述装置包括:
构建模块,用于基于专家知识,利用多个地形图构建知识引导的影像尺度空间,并利用所述影像尺度空间构建训练集、验证集、测试集,其中,所述多个地形图包括不同比例尺的地形图;
训练模块,用于将所述训练集输入神经网络模型中,利用所述训练集中的图像调整所述神经网络模型的超参数,得到调整后的目标网络模型;
处理模块,用于利用所述目标网络模型处理目标图像,得到所述目标图像的比例尺;
所述处理模块具体用于:确定所述目标网络模型的识别尺寸,并根据所述识别尺寸设置尺寸阈值;判断所述目标图像的尺寸与所述尺寸阈值的大小关系;若所述目标图像的尺寸大于所述尺寸阈值,则设置滑动窗口,利用所述滑动窗口将所述目标图像分割成为多个目标子图,其中,所述滑动窗口的步长为所述识别尺寸;利用所述目标网络模型分别处理每个所述目标子图,得到每个所述目标子图的子比例尺,并根据所述子比例尺确定所述目标图像的比例尺;以及,若所述目标图像的尺寸小于或等于所述尺寸阈值,则调整所述目标图像的尺寸至等于所述识别尺寸,并利用所述目标网络模型处理调整后的所述目标图像,得到所述目标图像的比例尺。
8.一种存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1至6中任一项所述的方法的步骤。
9.一种电子设备,其特征在于,包括存储介质、处理器及存储在存储介质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权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353887.7A CN114882306B (zh) | 2022-04-06 | 2022-04-06 | 地形图比例尺鉴别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353887.7A CN114882306B (zh) | 2022-04-06 | 2022-04-06 | 地形图比例尺鉴别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882306A CN114882306A (zh) | 2022-08-09 |
CN114882306B true CN114882306B (zh) | 2023-08-18 |
Family
ID=82670341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353887.7A Active CN114882306B (zh) | 2022-04-06 | 2022-04-06 | 地形图比例尺鉴别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882306B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471713B (zh) * | 2022-10-27 | 2023-05-30 | 成都理工大学 | 基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法 |
CN116109964A (zh) * | 2022-11-30 | 2023-05-12 | 国家基础地理信息中心 | 视频地图的智能提取方法、装置、存储介质及计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
WO2019237721A1 (zh) * | 2018-06-14 | 2019-12-19 | 深圳码隆科技有限公司 | 一种服装尺寸数据识别方法、装置和用户终端 |
CN111222508A (zh) * | 2020-01-13 | 2020-06-02 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
CN111814619A (zh) * | 2020-06-28 | 2020-10-23 | 北京比邻弘科科技有限公司 | 一种户型图的比例尺值获取方法 |
CN112613348A (zh) * | 2020-12-01 | 2021-04-06 | 浙江华睿科技有限公司 | 一种字符识别方法及电子设备 |
CN113392455A (zh) * | 2021-06-11 | 2021-09-14 | 百安居信息技术(上海)有限公司 | 基于深度学习的户型图比例尺检测方法、装置及电子设备 |
CN113742810A (zh) * | 2020-05-28 | 2021-12-03 | 杭州群核信息技术有限公司 | 一种比例尺识别方法和基于临摹图的三维模型建立系统 |
CN113936217A (zh) * | 2021-10-25 | 2022-01-14 | 华中师范大学 | 先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测方法 |
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818596B (zh) * | 2016-09-14 | 2021-08-03 | 阿里巴巴集团控股有限公司 | 一种场景参数确定方法、装置及电子设备 |
TWI720644B (zh) * | 2019-10-08 | 2021-03-01 | 財團法人國家實驗研究院 | 針對特定已知比例尺之標的物影像辨識進行量測推估之方法 |
CN113486135B (zh) * | 2021-07-27 | 2024-04-12 | 中南大学 | 基于深度学习网络的建筑物综合方法 |
-
2022
- 2022-04-06 CN CN202210353887.7A patent/CN114882306B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019237721A1 (zh) * | 2018-06-14 | 2019-12-19 | 深圳码隆科技有限公司 | 一种服装尺寸数据识别方法、装置和用户终端 |
CN110414477A (zh) * | 2019-08-06 | 2019-11-05 | 广东三维家信息科技有限公司 | 图像比例尺检测方法及装置 |
CN111222508A (zh) * | 2020-01-13 | 2020-06-02 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
CN113742810A (zh) * | 2020-05-28 | 2021-12-03 | 杭州群核信息技术有限公司 | 一种比例尺识别方法和基于临摹图的三维模型建立系统 |
CN111814619A (zh) * | 2020-06-28 | 2020-10-23 | 北京比邻弘科科技有限公司 | 一种户型图的比例尺值获取方法 |
CN112613348A (zh) * | 2020-12-01 | 2021-04-06 | 浙江华睿科技有限公司 | 一种字符识别方法及电子设备 |
CN113392455A (zh) * | 2021-06-11 | 2021-09-14 | 百安居信息技术(上海)有限公司 | 基于深度学习的户型图比例尺检测方法、装置及电子设备 |
CN113936217A (zh) * | 2021-10-25 | 2022-01-14 | 华中师范大学 | 先验语义知识引导的高分辨率遥感影像弱监督建筑物变化检测方法 |
CN114255247A (zh) * | 2021-12-22 | 2022-03-29 | 中国农业科学院农业资源与农业区划研究所 | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 |
Non-Patent Citations (1)
Title |
---|
光栅户型图识别与矢量化算法研究;马博;《中国优秀硕士学位论文全文数据库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114882306A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112861720B (zh) | 基于原型卷积神经网络的遥感图像小样本目标检测方法 | |
CN114882306B (zh) | 地形图比例尺鉴别方法、装置、存储介质及电子设备 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
CN111640089B (zh) | 一种基于特征图中心点的缺陷检测方法及装置 | |
CN105374033B (zh) | 基于脊波反卷积网络和稀疏分类的sar图像分割方法 | |
CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
Hecht et al. | Automatic derivation of urban structure types from topographic maps by means of image analysis and machine learning | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
Wuest et al. | Region based segmentation of QuickBird multispectral imagery through band ratios and fuzzy comparison | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN113269257A (zh) | 一种图像分类方法、装置、终端设备及存储介质 | |
KR101941043B1 (ko) | 고화질 항공 이미지에서의 물체 검출 방법 | |
CN104794729A (zh) | 基于显著性引导的sar图像变化检测方法 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
Yadav et al. | An improved deep learning-based optimal object detection system from images | |
CN107665347A (zh) | 基于滤波优化的视觉显著性目标检测方法 | |
CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN116310568A (zh) | 图像异常的识别方法、装置、计算机可读存储介质及设备 | |
CN109344837B (zh) | 一种基于深度卷积网络和弱监督学习的sar图像语义分割方法 | |
CN111104965A (zh) | 车辆目标识别的方法及装置 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
CN103955914A (zh) | 基于随机投影和Signature/EMD框架的SAR图像分割方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |