CN115100536A - 建筑物识别方法、装置、电子设备和计算机可读介质 - Google Patents

建筑物识别方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115100536A
CN115100536A CN202210615702.5A CN202210615702A CN115100536A CN 115100536 A CN115100536 A CN 115100536A CN 202210615702 A CN202210615702 A CN 202210615702A CN 115100536 A CN115100536 A CN 115100536A
Authority
CN
China
Prior art keywords
building
information
image
detection
detection information
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
Application number
CN202210615702.5A
Other languages
English (en)
Other versions
CN115100536B (zh
Inventor
周杨
刘磊
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.)
Zhongke Xingrui Technology Beijing Co ltd
Original Assignee
Zhongke Xingrui Technology Beijing 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 Zhongke Xingrui Technology Beijing Co ltd filed Critical Zhongke Xingrui Technology Beijing Co ltd
Priority to CN202210615702.5A priority Critical patent/CN115100536B/zh
Publication of CN115100536A publication Critical patent/CN115100536A/zh
Application granted granted Critical
Publication of CN115100536B publication Critical patent/CN115100536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/13Satellite images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • G06V20/176Urban or other man-made structures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本公开的实施例公开了建筑物识别方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取卫星图像;对卫星图像进行建筑物检测,得到建筑物检测信息集;根据建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对卫星图像进行截取处理,得到建筑物图像组;对建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;基于建筑物关键点坐标信息集,生成建筑物高度值集;将建筑物关键点坐标信息集、建筑物高度值集和建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。该实施方式可以提高生成的建筑物识别信息的准确度。

Description

建筑物识别方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及建筑物识别方法、装置、电子设备和计算机可读介质。
背景技术
建筑物识别,对于地建建筑建造情况的统计和管理具有重要意义。目前,在进行建筑识别时,通常采用的方式为:通过网络模型识别卫星图像中被检测到的建筑物图像区域的建筑物信息,得到建筑物识别结果。
然而,当采用上述方式进行建筑物识别时,经常会存在如下技术问题:
第一,卫星图像中建筑状态初期状态的建筑物对应的建筑区域容易被漏检,使得卫星图像中存在未被网络模型检测到的建筑物图像区域,从而,导致网络模型不能识别该建筑物图像区域的建筑物信息,进而,导致生成的建筑物识别信息的准确度不足;
第二,卫星图像中建筑物区域的尺寸较小,导致网络模型的感受野较小,从而,导致生成的建筑物关键点坐标信息的准确度降低。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了建筑物识别方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种建筑物识别方法,该方法包括:获取卫星图像;基于预设的建筑物检测模型,对上述卫星图像进行建筑物检测,得到建筑物检测信息集,其中,上述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息;根据上述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像进行截取处理,得到建筑物图像组;对上述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;基于上述建筑物关键点坐标信息集,生成建筑物高度值集;将上述建筑物关键点坐标信息集、上述建筑物高度值集和上述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
第二方面,本公开的一些实施例提供了一种建筑物识别装置,该装置包括:获取单元,被配置成获取卫星图像;检测单元,被配置成基于预设的建筑物检测模型,对上述卫星图像进行建筑物检测,得到建筑物检测信息集,其中,上述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息;截取处理单元,被配置成根据上述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像进行截取处理,得到建筑物图像组;识别单元,被配置成对上述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;生成单元,被配置成基于上述建筑物关键点坐标信息集,生成建筑物高度值集;确定单元,被配置成将上述建筑物关键点坐标信息集、上述建筑物高度值集和上述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的建筑物识别方法,可以提高生成的建筑物识别信息的准确性。具体来说,造成生成的建筑物识别信息的准确度较低的原因在于:卫星图像中建筑状态初期状态的建筑物对应的建筑区域容易被漏检,使得卫星图像中存在未被网络模型检测到的建筑物图像区域,从而,导致网络模型不能识别该建筑物图像区域的建筑物信息,进而,导致生成的建筑物识别信息的准确度不足。基于此,本公开的一些实施例的建筑物识别方法,首先,获取卫星图像。然后,基于预设的建筑物检测模型,可以对上述卫星图像进行建筑物检测,得到建筑物检测信息集。其中,上述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息。由此,通过引入了建筑物检测模型,可以用于检测卫星图像中的建筑物图像区域(即建筑物图像位置信息),以及建筑物状态信息。也因为建筑检测模型可以同时识别建筑物图像位置信息和建筑物状态信息,以此可以避免对建筑状态初期状态的建筑物对应的建筑区域的漏检情况。由此,使得卫星图像中存在的建筑物区域均能被网络模型检测到。从而,导致网络模型能识别卫星图像中存在的处于各个建筑状态的建筑物图像区域的建筑物信息。进而,可以提高生成的建筑物识别信息的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的建筑物识别方法的一个应用场景的示意图;
图2是根据本公开的建筑物识别方法的一些实施例的流程图;
图3是根据本公开的建筑物识别方法的另一些实施例的流程图;
图4是根据本公开的建筑物识别装置的一些实施例的结构示意图;
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的建筑物识别方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取卫星图像102。
接着,计算设备101可以基于预设的建筑物检测模型103,对上述卫星图像102进行建筑物检测,得到建筑物检测信息集104,其中,上述建筑物检测信息集104中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息。然后,计算设备101可以根据上述建筑物检测信息集104中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像102进行截取处理,得到建筑物图像组105。之后,计算设备101可以对上述建筑物图像组105中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集106。而后,计算设备101可以基于上述建筑物关键点坐标信息集106,生成建筑物高度值集107。最后,计算设备101可以将上述建筑物关键点坐标信息集106、上述建筑物高度值集107和上述建筑物检测信息集104中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息108。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的建筑物识别方法的一些实施例的流程200。该建筑物识别方法的流程200,包括以下步骤:
步骤201,获取卫星图像。
在一些实施例中,建筑物识别方法的执行主体(如图1所示的计算设备101)可以通过有线的方式或者无线的方式获取卫星图像。其中,上述卫星图像可以是卫星拍摄的建筑区域的图像。
步骤202,基于预设的建筑物检测模型,对卫星图像进行建筑物检测,得到建筑物检测信息集。
在一些实施例中,上述执行主体可以基于预设的建筑物检测模型,对上述卫星图像进行建筑物检测,得到建筑物检测信息集。其中,上述建筑物检测信息集中的建筑物检测信息可以包括:建筑物状态信息和建筑物图像位置信息。建筑物检测信息集中的每个建筑物检测信息可以对应一座建筑物。建筑物状态信息可以是建筑物的施工状态。建筑物图像位置信息可以是建筑物图像区域的外接矩形框。可以将上述卫星图像输入至上述建筑物检测模型,得到建筑物检测信息集。
这里,上述建筑物检测模型可以包括后处理模块。后处理模块可以用于在预测框的置信度的交并比大于预设阈值时,降低预测框的置信度。从而,可以避免直接将置信度不足的预测框直接删除,造成卫星图像中建筑状态初期状态的建筑物对应的建筑区域容易被漏检的情况。
作为示例,上述施工状态可以是:未施工、正在施工或建筑完成等状态。上述建筑物检测模型可以包括但不限于以下至少一项:RefineNet(Multi-Path RefinementNetworks for High-Resolution Semantic Segmentation,用于高分辨率语义分割的多路径细化网络)算法,SegNet(A Deep Convolutional Encoder-Decoder Architecture forImage Segmentation,一种用于图像分割的深度卷积编码-解码结构模型)算法,DeepLab(Semantic Image Segmentation with Deep Convolutional Nets,Atrous Convolutionand Fully Connected CRFs,采用深度卷积网络,Atrous卷积和全连接CRF的语义图像分割)算法,YOLO(You Only Look Once)目标快速检测算法。上述后处理模块可以是:Soft-NMS(Soft-Non Maximum Suppression)贪心非极值大抑制算法。
在一些实施例的一些可选的实现方式中,上述建筑物检测模型可以通过以下步骤训练生成:
第一步,将第一训练样本包括的样本卫星图像输入至初始建筑物检测模型,得到第一训练样本检测信息。其中,上述第一训练样本还可以包括建筑物状态标签组和建筑物位置标签组,上述第一训练样本检测信息可以包括建筑物状态检测信息组和建筑物位置检测信息组。其次,上述建筑物状态标签组中的建筑物状态标签可以是预先标注的建筑物状态信息。上述建筑物位置标签组中的建筑物位置标签可以是预先标注的建筑物图像位置信息。
第二步,基于上述建筑物状态检测信息组和上述建筑物状态标签组,生成建筑物状态损失值。其中,可以确定建筑物状态检测信息组中与对应的建筑物状态标签不相同的建筑物状态检测信息的第一数量。其次,可以将上述第一数量与上述建筑物状态检测信息组中建筑物状态检测信息的数量的比值确定为建筑物状态损失值。
第三步,基于上述建筑物位置检测信息组和上述建筑物位置标签组,生成建筑物位置损失值。其中,可以确定建筑物位置检测信息组中不满足预设位置条件的建筑物位置检测信息的第二数量。其次,可以将上述第二数量与上述建筑物位置检测信息组中建筑物位置检测信息的数量的比值确定为建筑物位置损失值。另外,上述预设位置条件可以是建筑物位置检测信息包括的坐标与对应的建筑物位置标签包括的坐标之间的距离值处于预设距离阈值内。
第四步,根据预设的建筑物状态权重和建筑物位置权重,将上述建筑物状态损失值和上述建筑物位置损失值的加权结果确定为第一目标损失值。
第五步,响应于确定上述第一目标损失值不满足第一预设条件,确定上述初始建筑物检测模型未训练完成,以及调整上述初始建筑物检测模型的相关参数。其中,上述第一预设条件可以是第一目标损失值小于预设损失阈值。相关参数可以是初始建筑物检测模型中各个网络层级的权重。
步骤203,根据建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对卫星图像进行截取处理,得到建筑物图像组。
在一些实施例中,上述执行主体可以根据上述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像进行截取处理,得到建筑物图像组。其中,建筑物图像组中的每个建筑物图像可以是上述卫星图像的建筑物区域的子图像。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像进行截取处理,得到建筑物图像组,可以包括以下步骤:
截取上述卫星图像中与上述建筑物检测信息集中每个建筑物检测信息包括的建筑物图像位置信息对应的图像区域以生成建筑物图像,得到建筑物图像组。其中,可以截取卫星图像中建筑物图像位置信息对应建筑物图像区域的外接矩形框的图像区域,作为建筑物图像。
步骤204,对建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集。
在一些实施例中,上述执行主体可以对上述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集。其中,可以通过预设的识别算法,对上述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集。建筑物关键点坐标信息可以是对应建筑物的坐标信息。例如,可以包括建筑物在地平面上的中点坐标。
作为示例,上述识别算法可以包括但不限于以下至少一项:Resnet(ResidualNetwork,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型或GoogLeNet(深度神经网络)模型等。
步骤205,基于建筑物关键点坐标信息集,生成建筑物高度值集。
在一些实施例中,上述执行主体可以基于上述建筑物关键点坐标信息集,生成建筑物高度值集。
在一些实施例的一些可选的实现方式中,上述建筑物关键点坐标信息集中的建筑物关键点坐标信息可以包括:建筑物顶部角点坐标和建筑物底部角点坐标。以及上述执行主体基于上述建筑物关键点坐标信息集,生成建筑物高度值集,可以包括以下步骤:
对于上述建筑物关键点坐标信息集中的每个建筑物关键点坐标信息包括的建筑物顶部角点坐标和建筑物底部角点坐标,执行如下步骤以生成建筑物高度值:
第一步,基于预设的内参矩阵,将上述建筑物顶部角点坐标和建筑物底部角点坐标投影至卫星坐标系,得到投影顶部角点坐标和投影底部角点坐标。其中,上述建筑物关键点坐标信息包括的建筑物顶部角点坐标和建筑物底部角点坐标可以是与地面垂直的坐标。建筑物顶部角点坐标可以是建筑物顶面中与拍摄上述卫星图像的相机距离最近的坐标、或建筑物顶面中心坐标等。上述内参矩阵可以是该相机的内参矩阵。投影顶部角点坐标和投影底部角点坐标可以是三维坐标。
第二步,确定上述卫星坐标系的原点与上述投影顶部角点坐标和上述投影底部角点坐标之间连线的夹角,得到卫星俯仰角。其中,在该原点与上述投影顶部角点坐标和上述投影底部角点坐标所在的平面内,可以通过向量夹角公式,确定该原点到上述投影顶部角点坐标的向量与该原点到上述投影底部角点坐标之间的夹角,得到卫星俯仰角。
第三步,基于上述卫星俯仰角、上述投影顶部角点坐标和上述投影底部角点坐标,生成建筑物高度值。其中,首先,可以分别获取卫星坐标系的原点与上述投影顶部角点坐标和上述投影底部角点坐标之间的距离值。然后,可以通过余弦定理,确定生成上述投影顶部角点坐标和上述投影底部角点坐标之间的距离值。之后,可以确定上述投影顶部角点坐标和上述投影底部角点坐标之间的竖向距离值。而后,可以将上述距离值与上述竖向距离值的平均值确定为上述建筑物高度值。
步骤206,将建筑物关键点坐标信息集、建筑物高度值集和建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
在一些实施例中,上述执行主体可以将上述建筑物关键点坐标信息集、上述建筑物高度值集和上述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。其中,上述建筑物识别信息可以表征对上述卫星图像的检测结果。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的建筑物识别方法,可以提高生成的建筑物识别信息的准确性。具体来说,造成生成的建筑物识别信息的准确度较低的原因在于:卫星图像中建筑状态初期状态的建筑物对应的建筑区域容易被漏检,使得卫星图像中存在未被网络模型检测到的建筑物图像区域,从而,导致网络模型不能识别该建筑物图像区域的建筑物信息,进而,导致生成的建筑物识别信息的准确度不足。基于此,本公开的一些实施例的建筑物识别方法,首先,获取卫星图像。然后,基于预设的建筑物检测模型,可以对上述卫星图像进行建筑物检测,得到建筑物检测信息集。其中,上述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息。由此,通过引入了建筑物检测模型,可以用于检测卫星图像中的建筑物图像区域(即建筑物图像位置信息),以及建筑物状态信息。也因为建筑检测模型可以同时识别建筑物图像位置信息和建筑物状态信息,以此可以避免对建筑状态初期状态的建筑物对应的建筑区域的漏检情况。由此,使得卫星图像中存在的建筑物区域均能被网络模型检测到。从而,导致网络模型能识别卫星图像中存在的处于各个建筑状态的建筑物图像区域的建筑物信息。进而,可以提高生成的建筑物识别信息的准确度。
进一步参考图3,其示出了建筑物识别方法的另一些实施例的流程300。该建筑物识别方法的流程300,包括以下步骤:
步骤301,获取卫星图像。
步骤302,基于预设的建筑物检测模型,对卫星图像进行建筑物检测,得到建筑物检测信息集。
步骤303,根据建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对卫星图像进行截取处理,得到建筑物图像组。
在一些实施例中,步骤301-303的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-203,在此不再赘述。
步骤304,对建筑物图像进行缩放处理,得到目标建筑物图像。
在一些实施例中,建筑物识别方法的执行主体可以对上述建筑物图像进行缩放处理,得到目标建筑物图像。其中,缩放处理可以是将建筑物图像的尺寸调整为目标尺寸。例如,目标尺寸可以是540像素×540像素。
实践中,由于建筑物识别模型的输入大小是一定的。因此,需要对建筑物图像进行缩放处理。另外,若存在空白部分,可以用黑色素点填充。
步骤305,将目标建筑物图像输入至预设的建筑物识别模型,得到建筑物关键点坐标信息。
在一些实施例中,上述执行主体可以将上述目标建筑物图像输入至预设的建筑物识别模型,得到建筑物关键点坐标信息。其中,上述建筑物识别模型可以包括:卷积层、池化层、全连接层等。另外,上述建筑物关键点坐标信息可以包括建筑物顶部角点坐标和建筑物底部角点坐标。
特别的,上述建筑物识别模型还可以包括特征处理模块。特征处理模块可以包括第一卷积层、第二全连接层和第三全连接层。其中,第一卷积层可以包括512个1×1的卷积核、512个3×3的卷积核和2048个1×1的卷积核。另外,第一卷积层可以重复操作两次。上述第二全连接层可以是一千维的全连接层。第三全连接层可以是四维的全连接层。从而,可以得到由建筑物顶部角点坐标和建筑物底部角点坐标组成的四维向量。
上述建筑物识别模型及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“卫星图像中建筑物区域的尺寸较小,导致网络模型的感受野较小,从而,导致生成的建筑物关键点坐标信息的准确度降低”。导致生成的建筑物关键点坐标信息的准确度降低的因素往往如下:卫星图像中建筑物区域的尺寸较小,导致网络模型的感受野较小。如果解决了上述因素,就能提高生成的建筑物关键点坐标信息的准确度。为了达到这一效果,在上述建筑物识别模型中加入了上述特征处理模块。也因为引入了上述特征处理模块,使得增加了网络结构的感受野,以及可以通过全连接层输出四维向量,用于输出上述建筑物关键点坐标信息。从而,可以提高生成的建筑物关键点坐标信息的准确度。
在一些实施例的一些可选的实现方式中,上述建筑物识别模型通过以下步骤训练生成:
第一步,将第二训练样本包括的样本建筑物图像输入至初始建筑识别模型,得到建筑物识别信息。其中,上述第二训练样本还可以包括:建筑物关键点标签,上述建筑物识别信息包括:建筑物识别关键点坐标信息。建筑物关键点标签可以包括建筑物的顶部角点坐标和底部角点坐标组成的建筑物关键点标签四维向量。建筑物识别关键点坐标信息可以包括建筑物识别关键点四维向量。
第二步,基于上述建筑物识别关键点坐标信息和上述建筑物关键点标签,生成建筑物关键点损失值。其中,首先可以通过距离算法确定建筑物识别关键点坐标信息包括的建筑物识别关键点四维向量和上述建筑物关键点标签包括的建筑物关键点标签四维向量的相似度。然后,可以将上述相似度的倒数确定为上述建筑物关键点损失值。
作为示例,上述距离算法可以包括但不限于以下至少一项:欧式距离值、曼哈顿距离值、切比雪夫距离值、杰卡德相似系数值等。
第三步,响应于确定上述障碍物关键点损失值不满足第二预设条件,确定上述初始建筑识别模型未训练完成,以及调整上述初始建筑识别模型的相关参数。其中,上述第二预设条件可以是障碍物关键点损失值小于预设关键点损失阈值。另外,在进行初始建筑识别模型的训练过程中,对与建筑物关键点坐标信息包括的建筑物顶部角点坐标和建筑物底部角点坐标的回归,可以通过均方方差损失函数确定损失值。
作为示例,激活函数可以是ELU(Exponential Linear Units,指数线性单元)损失函数。
在一些实施例的一些可选的实现方式中,上述步骤还可以包括:
第一步,响应于确定上述障碍物关键点损失值满足上述第二预设条件,确定上述初始建筑识别模型训练完成。
第二步,将上述初始建筑识别模型确定为上述建筑识别模型。
步骤306,基于建筑物关键点坐标信息集,生成建筑物高度值集。
步骤307,将建筑物关键点坐标信息集、建筑物高度值集和建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
在一些实施例中,步骤306-307的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤205-206,在此不再赘述。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的建筑物识别方法的流程300体现了对建筑物图像组中的每个建筑物图像进行建筑物识别的步骤。首先,通过缩放处理,确保建筑物识别模型可以正常对建筑物图像组中的每个建筑物图像进行建筑物识别。然后,通过引入建筑物识别模型,可以通过提高生成的建筑物关键点坐标信息的准确度。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种建筑物识别装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,一些实施例的建筑物识别装置400包括:获取单元401、检测单元402、截取处理单元403、识别单元404、生成单元405和确定单元406。其中,获取单元401,被配置成获取卫星图像;检测单元402,被配置成基于预设的建筑物检测模型,对上述卫星图像进行建筑物检测,得到建筑物检测信息集,其中,上述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息;截取处理单元403,被配置成根据上述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像进行截取处理,得到建筑物图像组;识别单元404,被配置成对上述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;生成单元405,被配置成基于上述建筑物关键点坐标信息集,生成建筑物高度值集;确定单元406,被配置成将上述建筑物关键点坐标信息集、上述建筑物高度值集和上述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
可以理解的是,该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元,在此不再赘述。
下面参考图5,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备101)500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取卫星图像;基于预设的建筑物检测模型,对上述卫星图像进行建筑物检测,得到建筑物检测信息集,其中,上述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息;根据上述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对上述卫星图像进行截取处理,得到建筑物图像组;对上述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;基于上述建筑物关键点坐标信息集,生成建筑物高度值集;将上述建筑物关键点坐标信息集、上述建筑物高度值集和上述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、检测单元、截取处理单元、识别单元、生成单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取卫星图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种建筑物识别方法,包括:
获取卫星图像;
基于预设的建筑物检测模型,对所述卫星图像进行建筑物检测,得到建筑物检测信息集,其中,所述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息;
根据所述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对所述卫星图像进行截取处理,得到建筑物图像组;
对所述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;
基于所述建筑物关键点坐标信息集,生成建筑物高度值集;
将所述建筑物关键点坐标信息集、所述建筑物高度值集和所述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
2.根据权利要求1所述的方法,其中,所述建筑物检测模型通过以下步骤训练生成:
将第一训练样本包括的样本卫星图像输入至初始建筑物检测模型,得到第一训练样本检测信息,其中,所述第一训练样本还包括建筑物状态标签组和建筑物位置标签组,所述第一训练样本检测信息包括建筑物状态检测信息组和建筑物位置检测信息组;
基于所述建筑物状态检测信息组和所述建筑物状态标签组,生成建筑物状态损失值;
基于所述建筑物位置检测信息组和所述建筑物位置标签组,生成建筑物位置损失值;
根据预设的建筑物状态权重和建筑物位置权重,将所述建筑物状态损失值和所述建筑物位置损失值的加权结果确定为第一目标损失值;
响应于确定所述第一目标损失值不满足第一预设条件,确定所述初始建筑物检测模型未训练完成,以及调整所述初始建筑物检测模型的相关参数。
3.根据权利要求1所述的方法,其中,所述根据所述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对所述卫星图像进行截取处理,得到建筑物图像组,包括:
截取所述卫星图像中与所述建筑物检测信息集中每个建筑物检测信息包括的建筑物图像位置信息对应的图像区域以生成建筑物图像,得到建筑物图像组。
4.根据权利要求1所述的方法,其中,所述对所述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,包括:
对所述建筑物图像进行缩放处理,得到目标建筑物图像;
将所述目标建筑物图像输入至预设的建筑物识别模型,得到建筑物关键点坐标信息。
5.根据权利要求4所述的方法,其中,所述建筑物识别模型通过以下步骤训练生成:
将第二训练样本包括的样本建筑物图像输入至初始建筑识别模型,得到建筑物识别信息,其中,所述第二训练样本还包括:建筑物关键点标签,所述建筑物识别信息包括:建筑物识别关键点坐标信息;
基于所述建筑物识别关键点坐标信息和所述建筑物关键点标签,生成建筑物关键点损失值;
响应于确定所述障碍物关键点损失值不满足第二预设条件,确定所述初始建筑识别模型未训练完成,以及调整所述初始建筑识别模型的相关参数。
6.根据权利要求5所述的方法,其中,所述方法还包括:
响应于确定所述障碍物关键点损失值满足所述第二预设条件,确定所述初始建筑识别模型训练完成;
将所述初始建筑识别模型确定为所述建筑识别模型。
7.根据权利要求1所述的方法,其中,所述建筑物关键点坐标信息集中的建筑物关键点坐标信息包括:建筑物顶部角点坐标和建筑物底部角点坐标;以及
所述基于所述建筑物关键点坐标信息集,生成建筑物高度值集,包括:
对于所述建筑物关键点坐标信息集中的每个建筑物关键点坐标信息包括的建筑物顶部角点坐标和建筑物底部角点坐标,执行如下步骤以生成建筑物高度值:
基于预设的内参矩阵,将所述建筑物顶部角点坐标和建筑物底部角点坐标投影至卫星坐标系,得到投影顶部角点坐标和投影底部角点坐标;
确定所述卫星坐标系的原点与所述投影顶部角点坐标和所述投影底部角点坐标之间连线的夹角,得到卫星俯仰角;
基于所述卫星俯仰角、所述投影顶部角点坐标和所述投影底部角点坐标,生成建筑物高度值。
8.一种建筑物识别装置,包括:
获取单元,被配置成获取卫星图像;
检测单元,被配置成基于预设的建筑物检测模型,对所述卫星图像进行建筑物检测,得到建筑物检测信息集,其中,所述建筑物检测信息集中的建筑物检测信息包括:建筑物状态信息和建筑物图像位置信息;
截取处理单元,被配置成根据所述建筑物检测信息集中各个建筑物检测信息包括的建筑物图像位置信息,对所述卫星图像进行截取处理,得到建筑物图像组;
识别单元,被配置成对所述建筑物图像组中的每个建筑物图像进行建筑物识别以生成建筑物关键点坐标信息,得到建筑物关键点坐标信息集;
生成单元,被配置成基于所述建筑物关键点坐标信息集,生成建筑物高度值集;
确定单元,被配置成将所述建筑物关键点坐标信息集、所述建筑物高度值集和所述建筑物检测信息集中的各个建筑物检测信息包括的建筑物状态信息确定为建筑物识别信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202210615702.5A 2022-06-01 2022-06-01 建筑物识别方法、装置、电子设备和计算机可读介质 Active CN115100536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210615702.5A CN115100536B (zh) 2022-06-01 2022-06-01 建筑物识别方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210615702.5A CN115100536B (zh) 2022-06-01 2022-06-01 建筑物识别方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115100536A true CN115100536A (zh) 2022-09-23
CN115100536B CN115100536B (zh) 2023-03-28

Family

ID=83288566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210615702.5A Active CN115100536B (zh) 2022-06-01 2022-06-01 建筑物识别方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115100536B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882591A (zh) * 2023-09-05 2023-10-13 北京国网信通埃森哲信息技术有限公司 信息生成方法、装置、电子设备和计算机可读介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130230206A1 (en) * 2012-03-01 2013-09-05 Exelis, Inc. Foliage penetration based on 4d lidar datasets
CN104899562A (zh) * 2015-05-29 2015-09-09 河南理工大学 基于纹理分割融合的雷达遥感影像人工建筑识别算法
CN106777917A (zh) * 2016-11-29 2017-05-31 武汉理工大学 水工建筑物对海事交管雷达遮蔽区域计算和影响评价方法
CN106908043A (zh) * 2017-02-23 2017-06-30 周良辰 基于街景图片的目标物地理位置及高度的三维量测算方法
CN107064974A (zh) * 2017-02-28 2017-08-18 广东工业大学 一种抑制城市峡谷多径卫星信号的定位方法和系统
CN107392251A (zh) * 2017-07-26 2017-11-24 成都快眼科技有限公司 一种使用分类图片提升目标检测网络性能的方法
CN109711348A (zh) * 2018-12-28 2019-05-03 湖南航天远望科技有限公司 基于长期驻空平台的实时违章建筑的智能监测方法及系统
CN109993935A (zh) * 2019-03-14 2019-07-09 华南理工大学 一种施工机械定位及其安全区域监测的装置和方法
CN110929607A (zh) * 2019-11-11 2020-03-27 桂林理工大学 一种城市建筑物施工进度的遥感识别方法和系统
CN111047695A (zh) * 2019-12-03 2020-04-21 中国科学院地理科学与资源研究所 一种城市群高度空间信息及等高线的提取方法
CN111198392A (zh) * 2020-01-13 2020-05-26 北京建筑大学 基于卫星定位的建筑塔机侧向垂直度自动化检测系统
CN111611925A (zh) * 2020-05-21 2020-09-01 重庆现代建筑产业发展研究院 一种建筑物检测与识别方法及装置
CN112926399A (zh) * 2021-01-28 2021-06-08 上海商汤智能科技有限公司 目标对象检测方法、装置、电子设备和存储介质
CN214705387U (zh) * 2020-11-27 2021-11-12 海丰通航科技有限公司 航空器起降标识投影显示系统
WO2021231906A1 (en) * 2020-05-14 2021-11-18 Mobileye Vision Technologies Ltd. Systems and methods for vehicle navigation involving traffic lights and traffic signs
CN113902792A (zh) * 2021-11-05 2022-01-07 长光卫星技术有限公司 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN114120120A (zh) * 2021-11-25 2022-03-01 广东电网有限责任公司 基于遥感影像的违章建筑检测方法、装置、设备及介质
CN114241338A (zh) * 2022-02-15 2022-03-25 中航建筑工程有限公司 基于影像识别的建筑物测量方法、装置、设备及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130230206A1 (en) * 2012-03-01 2013-09-05 Exelis, Inc. Foliage penetration based on 4d lidar datasets
CN104899562A (zh) * 2015-05-29 2015-09-09 河南理工大学 基于纹理分割融合的雷达遥感影像人工建筑识别算法
CN106777917A (zh) * 2016-11-29 2017-05-31 武汉理工大学 水工建筑物对海事交管雷达遮蔽区域计算和影响评价方法
CN106908043A (zh) * 2017-02-23 2017-06-30 周良辰 基于街景图片的目标物地理位置及高度的三维量测算方法
CN107064974A (zh) * 2017-02-28 2017-08-18 广东工业大学 一种抑制城市峡谷多径卫星信号的定位方法和系统
CN107392251A (zh) * 2017-07-26 2017-11-24 成都快眼科技有限公司 一种使用分类图片提升目标检测网络性能的方法
CN109711348A (zh) * 2018-12-28 2019-05-03 湖南航天远望科技有限公司 基于长期驻空平台的实时违章建筑的智能监测方法及系统
CN109993935A (zh) * 2019-03-14 2019-07-09 华南理工大学 一种施工机械定位及其安全区域监测的装置和方法
CN110929607A (zh) * 2019-11-11 2020-03-27 桂林理工大学 一种城市建筑物施工进度的遥感识别方法和系统
CN111047695A (zh) * 2019-12-03 2020-04-21 中国科学院地理科学与资源研究所 一种城市群高度空间信息及等高线的提取方法
CN111198392A (zh) * 2020-01-13 2020-05-26 北京建筑大学 基于卫星定位的建筑塔机侧向垂直度自动化检测系统
WO2021231906A1 (en) * 2020-05-14 2021-11-18 Mobileye Vision Technologies Ltd. Systems and methods for vehicle navigation involving traffic lights and traffic signs
CN111611925A (zh) * 2020-05-21 2020-09-01 重庆现代建筑产业发展研究院 一种建筑物检测与识别方法及装置
CN214705387U (zh) * 2020-11-27 2021-11-12 海丰通航科技有限公司 航空器起降标识投影显示系统
CN112926399A (zh) * 2021-01-28 2021-06-08 上海商汤智能科技有限公司 目标对象检测方法、装置、电子设备和存储介质
CN113902792A (zh) * 2021-11-05 2022-01-07 长光卫星技术有限公司 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN114120120A (zh) * 2021-11-25 2022-03-01 广东电网有限责任公司 基于遥感影像的违章建筑检测方法、装置、设备及介质
CN114241338A (zh) * 2022-02-15 2022-03-25 中航建筑工程有限公司 基于影像识别的建筑物测量方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷迎春等: ""利用高精度遥感信息进行地面风险识别及评估"", 《测绘通报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882591A (zh) * 2023-09-05 2023-10-13 北京国网信通埃森哲信息技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN116882591B (zh) * 2023-09-05 2023-11-24 北京国网信通埃森哲信息技术有限公司 信息生成方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN115100536B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
JP7567049B2 (ja) 点群分割方法、装置、機器および記憶媒体
CN111967467B (zh) 图像目标检测方法、装置、电子设备和计算机可读介质
CN112668588B (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN112733820B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN114399588B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN110211195B (zh) 生成图像集合的方法、装置、电子设备和计算机可读存储介质
CN110211017B (zh) 图像处理方法、装置及电子设备
CN111783777B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN115100536B (zh) 建筑物识别方法、装置、电子设备和计算机可读介质
CN113688928B (zh) 图像匹配方法、装置、电子设备和计算机可读介质
CN111209856A (zh) 发票信息的识别方法、装置、电子设备及存储介质
CN113658196A (zh) 红外图像中船舶的检测方法、装置、电子设备和介质
CN110321858B (zh) 视频相似度确定方法、装置、电子设备及存储介质
CN116503596A (zh) 图片分割方法、装置、介质和电子设备
CN113808134B (zh) 油罐布局信息生成方法、装置、电子设备、介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN115393423A (zh) 目标检测方法和装置
CN114120423A (zh) 人脸图像检测方法、装置、电子设备和计算机可读介质
CN114862720A (zh) 画布还原方法、装置、电子设备和计算机可读介质
CN113205092A (zh) 文本检测方法、装置、设备及存储介质
CN113780239A (zh) 虹膜识别方法、装置、电子设备和计算机可读介质
CN113239943B (zh) 基于部件语义图的三维部件提取组合方法和装置
CN111784710B (zh) 图像处理方法、装置、电子设备和介质
CN114842448B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114863025B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质

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