CN115272681A - 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 - Google Patents

基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 Download PDF

Info

Publication number
CN115272681A
CN115272681A CN202211154802.9A CN202211154802A CN115272681A CN 115272681 A CN115272681 A CN 115272681A CN 202211154802 A CN202211154802 A CN 202211154802A CN 115272681 A CN115272681 A CN 115272681A
Authority
CN
China
Prior art keywords
semantic
features
order
decoupling
feature
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
CN202211154802.9A
Other languages
English (en)
Other versions
CN115272681B (zh
Inventor
魏志强
郑程予
王京禹
聂婕
刘安安
宋丹
李文辉
孙正雅
张文生
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202211154802.9A priority Critical patent/CN115272681B/zh
Publication of CN115272681A publication Critical patent/CN115272681A/zh
Application granted granted Critical
Publication of CN115272681B publication Critical patent/CN115272681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理技术领域，公开了基于高阶特征类解耦的海洋遥感图像语义分割方法及系统，所述方法首先将海洋遥感图像通过深度卷积网络提取低阶特征，然后计算亲和矩阵并增强亲和矩阵，得到高阶特征；在高阶特征的基础上进行像素聚类，将像素划分为不同的语义簇；然后在聚类的基础上生成语义解耦掩码、语义增强掩码和细节补充掩码三种不同类型的掩码，并对三种掩码进行语义间解耦与语义内增强，生成三种特征通过级联操作，生成最终的特征，通过解码获得语义增强的遥感图像语义分割预测图；通过本发明解决海洋遥感图像噪声干扰问题和海洋遥感图像空间布局失衡、类别尺度失衡、语义分布失衡问题。

Description

基于高阶特征类解耦的海洋遥感图像语义分割方法及系统
技术领域
本发明属于遥感图像处理技术领域，特别涉及基于高阶特征类解耦的海洋遥感图像语义分割方法及系统。
背景技术
图像语义分割是指为图像中每个像素点分配类别标签，其主要包括两个重要步骤：其一，对遥感图像特征提取，挖掘其深层/高级/语义表征。其二，基于提取的深层/高级/语义表征对图像中每个像素点进行分类。针对过程一，目前主要采用深度神经网络表征模型，如：基于卷积的深度神经网络特征提取器，例如：空洞卷积、可变形卷积等。针对过程二，目前主要采用多分类损失函数函数，如：交叉熵损失。目前，性能最优的语义分割模型为DeeplabV3+，联合空洞卷积与空间金字塔池化层，在扩大感受野的同时，能捕获不同尺度特征的上下文信息，提高了临近特征之间的依赖。
但是，现有语义分割方法应用于海洋遥感图像时，存在较多问题：
第一、海洋遥感图像空间布局严重失衡，主要体现在两个方面：①类别尺度失衡（如：船舶（长度100-200m），岛屿（面积>30000km2））。②语义分布失衡（如：不同遥感图像包含不同的失衡类别对象，如一张遥感图像包含1只客船和20只货船，而另一张遥感图像包含20只客船类和1只货船类）。
对于类别尺度失衡而言，现有方法分尺度进行特征挖掘，尽管取得了显著的分割精度，但分尺度建模仍面临两种问题，一方面，尺度分级有限，更小尺度类别没有被分级建模而利用比它稍大的尺度代替，造成了更小尺度目标在稍大尺度特征抽取中引入大量邻域非目标噪声，而将真正的类别目标物体特征掩盖。另一方面，在大尺度建模过程中，大尺度类别目标由于过度关注小尺度细节而降低显著类别目标特征的有效性。
针对语义分布失衡问题，特征提取过程中，现有方法利用卷积核不仅学习对象特征的表示，还学习图像的数据分布，两种分布不同的图像（一张图像包含1只客船类和20只货船类，而另一张遥感图像包含20只客船类和1只货船类）混淆了模型对特征数据分布的理解。综合分析发现，导致以上两种问题的原因都是因为特征语义混淆在一起，包含不同尺度特征混淆以及不同类别特征混淆，从而无法建模最佳的海洋遥感图像的语义分割模型。
第二、海洋遥感图像包含大量复杂噪声（如遥感器对表面均匀目标（如水体）探测产生的条带现象、海洋表面的浪花、海洋的水体不均）。现有的语义分割方法在原始图像基础上实施特征提取、上下文挖掘、反卷积等操作生成特征表示，但这些特征表示（称之为低阶特征）只能描述低阶信息，如颜色、形状、区域等。当遇到复杂噪声，例如海洋中的条带现象、海洋的水体不均，会导致图像颜色、形状等低阶特征表现并不稳定，不能自适应地消除/缓解复杂噪声，甚至放大噪声的影响，降低了分割模型的准确度。
发明内容
针对现有技术存在的不足，本发明提供基于高阶特征类解耦的海洋遥感图像语义分割方法及系统，构建高阶特征，在高阶特征的基础上进行语义聚类，并生成三种不同类型的掩码，对三种掩码进行语义间解耦与语义内增强，生成三种特征通过级联操作，生成最终的特征，通过解码获得语义增强的遥感图像语义分割预测图；解决海洋遥感图像噪声干扰问题和海洋遥感图像空间布局失衡、类别尺度失衡、语义分布失衡问题。
为了解决上述技术问题，本发明采用的技术方案是：
基于高阶特征类解耦的海洋遥感图像语义分割方法，包括以下步骤：
S1、获取待处理海洋遥感图像，并通过深度卷积网络提取特征，获得低阶特征X；
S2、计算步骤S1提取的低阶特征X间的亲和矩阵并对亲和矩阵的行和列归一化操作，增强亲和矩阵，得到高阶特征
Figure 990651DEST_PATH_IMAGE001
；
S3、采用k-means聚类算法对步骤S2的高阶特征
Figure 203458DEST_PATH_IMAGE001
的行向量
Figure 315770DEST_PATH_IMAGE003
进行像素聚类，将像素划分为不同的语义簇，得到聚类后的亲和矩阵；
S4、在步骤S3聚类的基础上，生成三种不同类型的掩码，分别是语义解耦掩码
Figure 385357DEST_PATH_IMAGE004
、语义增强掩码
Figure 783453DEST_PATH_IMAGE005
和细节补充掩码
Figure 331109DEST_PATH_IMAGE006
，具体方法如下：
S401、利用每个聚类簇的质心生成语义解耦掩码
Figure 563507DEST_PATH_IMAGE004
来实现语义的解耦；
S402、采用二进制掩码对高阶特征中的同类特征进行过滤，生成每一种类别的相关性矩阵，得到语义增强掩码
Figure 538417DEST_PATH_IMAGE005
；
S403、在聚类过程中，将离聚类中心较远的点视为边界特征，并通过边界定位方式记住边界特征具体位置，生成细节补充掩码
Figure 426738DEST_PATH_IMAGE006
；
S5、将步骤S4生成的三种掩码进行语义间解耦与语义内增强，具体是：将生成的语义解耦掩码
Figure 778085DEST_PATH_IMAGE007
与低阶特征X执行点乘操作，生成语义间解耦特征
Figure 864990DEST_PATH_IMAGE008
，实现类解耦；将生成的语义增强掩码
Figure 276380DEST_PATH_IMAGE009
与语义间解耦特征
Figure 386418DEST_PATH_IMAGE010
执行叉乘操作，生成语义内增强特征
Figure 541456DEST_PATH_IMAGE011
，实现类内特征的交互；细节补充掩码
Figure 482867DEST_PATH_IMAGE006
与低阶特征X点乘生成细节补充特征
Figure 2841DEST_PATH_IMAGE012
；生成的三种特征通过级联操作，生成最终的特征Z；
S6、生成的特征Z通过反卷积操作生成遥感图像语义分割预测图，输出预测结果。
进一步的，步骤S2中，首先计算亲和矩阵S，将每个像素的特征级表示转化为相似度表示，公式如下：
Figure 393984DEST_PATH_IMAGE013
其中，T表示矩阵的转置，
Figure 352713DEST_PATH_IMAGE014
表示叉乘操作；然后，采用以下公式增强亲和矩阵S：
Figure 148630DEST_PATH_IMAGE015
其中，
Figure 105085DEST_PATH_IMAGE016
是亲和矩阵第i行第j列的相似度，
Figure 986453DEST_PATH_IMAGE017
为训练参数，
Figure 483294DEST_PATH_IMAGE018
表示亲和矩阵行或列的大小，
Figure 336980DEST_PATH_IMAGE019
和
Figure 261074DEST_PATH_IMAGE020
表示分别对矩阵行和列进行归一化操作，
Figure 895318DEST_PATH_IMAGE021
为最终得到的高阶特征。
进一步的，步骤S4中，对于语义解耦掩码
Figure 930270DEST_PATH_IMAGE004
，聚类的质心可以完全反映某个类别特征表示，因此，对质心
Figure 638463DEST_PATH_IMAGE022
变形为
Figure 733458DEST_PATH_IMAGE023
作为语义解耦掩码
Figure 854997DEST_PATH_IMAGE004
；
对于语义增强掩码，设计二进制掩码
Figure 628394DEST_PATH_IMAGE024
对高阶特征
Figure 253410DEST_PATH_IMAGE021
进行过滤作为语义增强掩码
Figure 784886DEST_PATH_IMAGE005
，表示为：
Figure 862563DEST_PATH_IMAGE025
其中，
Figure 708159DEST_PATH_IMAGE024
为与高阶特征
Figure 187682DEST_PATH_IMAGE001
同样大小的二进制掩码，其对属于类k的高阶特征的行向量
Figure 890059DEST_PATH_IMAGE026
值取为1，其他取为0，
Figure 455033DEST_PATH_IMAGE027
为点乘操作；
对于细节补充掩码
Figure 573161DEST_PATH_IMAGE006
，在边界定位阶段，首先，设置阈值
Figure 438349DEST_PATH_IMAGE028
并依据阈值判断高阶特征的行向量
Figure 46048DEST_PATH_IMAGE026
是否为边界特征；之后，通过索引定位图像中边界特征的位置，并将其保存在序列
Figure 301580DEST_PATH_IMAGE029
中：
Figure 17208DEST_PATH_IMAGE030
其中，
Figure 736902DEST_PATH_IMAGE031
表示序列，
Figure 515502DEST_PATH_IMAGE032
表示序列
Figure 258330DEST_PATH_IMAGE029
中i位置的索引，
Figure 780578DEST_PATH_IMAGE033
为簇；如果行向量
Figure 354779DEST_PATH_IMAGE026
属于边界特征，则其在序列
Figure 976385DEST_PATH_IMAGE029
中的对应位置为1，否则为0；
在细节补充掩码
Figure 268826DEST_PATH_IMAGE006
生成阶段，首先在低阶特征X的基础上利用注意力机制挖掘显著信息，获得显著掩码
Figure 860344DEST_PATH_IMAGE034
表示为：
Figure 23472DEST_PATH_IMAGE035
其中，
Figure 347137DEST_PATH_IMAGE036
和
Figure 861295DEST_PATH_IMAGE037
分别表示Sigmoid和ReLU函数，
Figure 990925DEST_PATH_IMAGE038
和
Figure 208892DEST_PATH_IMAGE039
为1×1的卷积，随后，将序列
Figure 765776DEST_PATH_IMAGE029
变形为
Figure 767230DEST_PATH_IMAGE040
并与显著掩码
Figure 310338DEST_PATH_IMAGE034
点乘过滤出细节补充掩码
Figure 713637DEST_PATH_IMAGE006
：
Figure 441422DEST_PATH_IMAGE041
。
进一步的，步骤S5中，语义解耦掩码
Figure 602276DEST_PATH_IMAGE004
与低阶特征X执行点乘操作，生成语义间解耦特征
Figure 339288DEST_PATH_IMAGE008
，公式如下：
Figure 331514DEST_PATH_IMAGE042
语义增强掩码
Figure 167883DEST_PATH_IMAGE043
与语义间解耦特征
Figure 875421DEST_PATH_IMAGE008
执行叉乘操作，生成语义内增强特征
Figure 150544DEST_PATH_IMAGE011
，公式如下：
Figure 997277DEST_PATH_IMAGE044
细节补充掩码
Figure 270127DEST_PATH_IMAGE006
与低阶特征X点乘生成细节补充特征
Figure 202311DEST_PATH_IMAGE012
，公式如下：
Figure 281125DEST_PATH_IMAGE045
最后，生成的三种特征通过级联操作，生成最终的特征Z，公式如下：
Figure 451207DEST_PATH_IMAGE046
其中，concat表示特征的级联操作。
进一步的，分割损失函数
Figure 426116DEST_PATH_IMAGE047
如下：
Figure 376754DEST_PATH_IMAGE048
其中，M是指遥感图像的所有像素个数，
Figure 728101DEST_PATH_IMAGE049
是第m个像素生成的预测结果，
Figure 752689DEST_PATH_IMAGE050
为第m个像素的多分类标签。
此外，本发明还提供一种基于高阶特征类解耦的海洋遥感图像语义分割系统，实现如前所述的基于高阶特征类解耦的海洋遥感图像语义分割方法，所述系统包括输入模块、高阶特征模块、高阶语义聚类模块、语义掩码生成模块、语义间解耦和语义内增强模块、细节补充特征生成模块、预测图生成模块、输出模块；
所述输入模块，用于获取待处理海洋遥感图像，输入深度卷积网络，获得低阶特征；
所述高阶特征模块，用于计算亲和矩阵并增强，获得高阶特征；
所述高阶语义聚类模块，用于对高阶特征的行向量进行像素聚类，将像素划分为不同的语义簇；
所述语义掩码生成模块，用于生成语义解耦掩码、语义增强掩码和细节补充掩码三种掩码；
所述语义间解耦和语义内增强模块，用于将生成的三种掩码进行语义间解耦和语义内增强，获得语义间解耦特征和语义内增强特征；
所述细节补充特征生成模块，用于将细节补充掩码与低阶特征点乘生成细节补充特征；
所述预测图生成模块，用于将所述语义间解耦和语义内增强模块、细节补充特征生成模块生成的三种特征通过级联操作，生成最终的特征Z，再反卷积获得遥感图像语义分割预测图；
所述输出模块，用于输出预测结果。
与现有技术相比，本发明优点在于：
（1）自适应地消除或缓解了复杂噪声的干扰。本方法计算亲和矩阵并增强，将其作为高阶特征，将每个像素的特征级表示转化为相似度表示，相似度表示相比较于特征级表示不再是直白地对像素的描述，而是建立了像素之间的关联描述，对像素的描述有着更高的鲁棒性。相较于现有技术直接在低阶特征上进行像素聚类，在高阶特征上进行聚类能提高特征对海洋遥感图像复杂噪声的应变能力。
（2）提高了类内特征的紧凑性同时扩大了类间特征的判别性。在对高阶特征矩阵行向量进行聚类的基础上，利用每个聚类簇的质心生成语义解耦掩码来实现语义的解耦。利用质心的优势在于，质心表示每种聚类簇的平均，将同一类中的每种像素表示统一化，从而提高了类内特征的紧凑性，此外，每个聚类簇的质心差距较大，能扩大类间特征的判别性。最后，将每个类的质心转换为语义解耦掩码分别与低阶特征执行点乘，生成了每种类别的特征表示，更好地实现了类解耦。
（3）进一步提高了特征的鲁棒性。在对高阶特征矩阵行向量进行聚类的基础上，采用类掩码对高阶特征表示进行过滤，生成每一种类别的相关性矩阵（语义增强掩码）。该相关性矩阵后续与低阶特征执行叉乘，实现了类内特征的交互，进一步提升了特征的鲁棒性。
（4）解决了聚类错误问题。高阶特征表示会对判别性较低的边界特征的产生错误聚类，从而影响边界像素的语义分割结果。本方法在聚类过程中，将离聚类中心较远的点视为边界特征，并通过定位方式记住边界特征具体位置。通过定位，在低阶特征表示中只留下边缘特征而将其他特征过滤掉，后续通过卷积等操作实现了聚类错误的特征的建模。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
实施例1
本实施例提供一种基于高阶特征类解耦的海洋遥感图像语义分割方法，包括了低阶特征提取阶段、高阶特征表示阶段、高阶语义聚类阶段、语义掩码生成阶段、语义间解耦和语义内增强阶段、图像输出阶段等。以遵循DeeplabV3+网络的结构为例，分为编码区和解码区两部分，在编码区利用深度卷积网络提取低阶特征并对低阶特征进行处理获得语义解耦及语义增强的特征和细节补充特征，最终获得联合特征，在解码区按照DeeplabV3+解码结构解码，获得输出图像。
结合图1，本实施例的海洋遥感图像语义分割方法具体包括以下步骤：
S1、低阶特征提取阶段：获取待处理海洋遥感图像，并通过深度卷积网络提取特征，获得低阶特征X。
提取低阶特征可采用多种深度卷积网络，本实施例以DeeplabV3+网络为例。
S2、高阶特征表示阶段：计算步骤S1提取的低阶特征X间的亲和矩阵并对亲和矩阵的行和列归一化操作，增强亲和矩阵，得到高阶特征
Figure 898500DEST_PATH_IMAGE001
。
首先计算亲和矩阵S，来降低复杂噪声对特征表示的干扰。将海洋遥感图像的每个像素的特征级表示转化为相似度表示，公式如下：
Figure 70855DEST_PATH_IMAGE013
其中，T表示矩阵的转置，
Figure 426225DEST_PATH_IMAGE014
表示叉乘操作；
然后，进一步借助补丁匹配策略来增强相似度表示，采用以下公式增强亲和矩阵S：
Figure 102057DEST_PATH_IMAGE015
其中，由于要对亲和矩阵S的行和列元素进行操作，因此将S写为
Figure 949928DEST_PATH_IMAGE016
，
Figure 344000DEST_PATH_IMAGE016
是亲和矩阵第i行第j列的相似度，
Figure 240412DEST_PATH_IMAGE017
为训练参数，初始化为3，
Figure 36329DEST_PATH_IMAGE018
表示亲和矩阵行或列的大小（亲和矩阵行和列大小相同），
Figure 55101DEST_PATH_IMAGE019
和
Figure 670890DEST_PATH_IMAGE020
表示分别对矩阵行和列进行归一化操作，
Figure 370993DEST_PATH_IMAGE021
为最终得到的高阶特征。
S3、高阶语义聚类阶段：对步骤S2的高阶特征
Figure 286996DEST_PATH_IMAGE021
的行向量进行像素聚类，将像素划分为不同的语义簇，得到聚类后的亲和矩阵。
具体步骤是：首先，采用k-means聚类算法对高阶特征
Figure 211090DEST_PATH_IMAGE021
的行向量
Figure 783017DEST_PATH_IMAGE026
进行聚类，k-means聚类算法的原理是：随机设置K个簇的质心，根据最近邻理论将样本划分到每个簇中；然后，重新计算每个簇的质心，直到质心的变化小于给定值，聚类的目标是最小化平方误差：
Figure 838477DEST_PATH_IMAGE051
其中，k表示第k个类别，
Figure 608987DEST_PATH_IMAGE052
，
Figure 703982DEST_PATH_IMAGE053
表示簇的划分，
Figure 497625DEST_PATH_IMAGE054
是簇
Figure 336268DEST_PATH_IMAGE033
的质心。
S4、语义掩码生成阶段：在步骤S3聚类的基础上，生成三种不同类型的掩码，分别是语义解耦掩码
Figure 226864DEST_PATH_IMAGE004
、语义增强掩码
Figure 696022DEST_PATH_IMAGE005
和细节补充掩码
Figure 773700DEST_PATH_IMAGE006
，具体方法如下：
S401、利用每个聚类簇的质心生成语义解耦掩码
Figure 416034DEST_PATH_IMAGE004
来实现语义的解耦。
对于语义解耦掩码
Figure 895557DEST_PATH_IMAGE004
，聚类的质心可以完全反映某个类别特征表示，因此，对质心
Figure 535617DEST_PATH_IMAGE022
变形为
Figure 100590DEST_PATH_IMAGE023
作为语义解耦掩码
Figure 546615DEST_PATH_IMAGE004
。借助聚类的质心实现语义解耦，提高了类内特征的紧凑性同时扩大了类间特征的判别性。
S402、采用二进制掩码对高阶特征中的同类特征进行过滤，生成每一种类别的相关性矩阵，得到语义增强掩码
Figure 346556DEST_PATH_IMAGE005
，实现类内特征的交互，进一步增强特征的鲁棒性。
对于语义增强掩码，设计二进制掩码
Figure 954255DEST_PATH_IMAGE024
对高阶特征
Figure 6525DEST_PATH_IMAGE021
进行过滤作为语义增强掩码
Figure 990661DEST_PATH_IMAGE005
，表示为：
Figure 648039DEST_PATH_IMAGE025
其中，
Figure 426639DEST_PATH_IMAGE024
为与高阶特征
Figure 966204DEST_PATH_IMAGE001
同样大小的二进制掩码，其对属于类k的高阶特征的行向量
Figure 488453DEST_PATH_IMAGE026
值取为1，其他取为0，
Figure 337DEST_PATH_IMAGE027
为点乘操作。
S403、在聚类过程中，将离聚类中心较远的点视为边界特征，并通过边界定位方式记住边界特征具体位置，生成细节补充掩码
Figure 215417DEST_PATH_IMAGE006
，解决对高阶特征产生的边界误差的问题，增强边缘信息的可靠性与鲁棒性。
对于细节补充掩码
Figure 242279DEST_PATH_IMAGE006
，在边界定位阶段，距离聚类质心较远的特征可以被视为边界特征，因此，首先，设置阈值
Figure 505901DEST_PATH_IMAGE028
并依据阈值判断高阶特征的行向量
Figure 931679DEST_PATH_IMAGE026
是否为边界特征；之后，通过索引定位图像中边界特征的位置，并将其保存在序列
Figure 317661DEST_PATH_IMAGE029
中：
Figure 566240DEST_PATH_IMAGE030
其中，
Figure 633553DEST_PATH_IMAGE031
表示序列，
Figure 916767DEST_PATH_IMAGE032
表示序列
Figure 942491DEST_PATH_IMAGE029
中i位置的索引，如果行向量
Figure 412787DEST_PATH_IMAGE026
属于边界特征，则其在序列
Figure 80529DEST_PATH_IMAGE029
中的对应位置为1，否则为0；
在细节补充掩码
Figure 483828DEST_PATH_IMAGE006
生成阶段，首先在低阶特征X的基础上利用注意力机制挖掘显著信息，获得显著掩码
Figure 946034DEST_PATH_IMAGE034
表示为：
Figure 372467DEST_PATH_IMAGE035
其中，
Figure 843899DEST_PATH_IMAGE036
和
Figure 101705DEST_PATH_IMAGE037
分别表示Sigmoid和ReLU函数，
Figure 935145DEST_PATH_IMAGE038
和
Figure 645612DEST_PATH_IMAGE039
为1×1的卷积，随后，将序列
Figure 920735DEST_PATH_IMAGE029
变形为
Figure 767469DEST_PATH_IMAGE040
并与显著掩码
Figure 40318DEST_PATH_IMAGE034
点乘过滤出细节补充掩码
Figure 972502DEST_PATH_IMAGE006
：
Figure 51316DEST_PATH_IMAGE041
。
S5、语义间解耦和语义内增强阶段：将步骤S4生成的三种掩码进行语义间解耦与语义内增强。
具体是：将生成的语义解耦掩码
Figure 752556DEST_PATH_IMAGE004
与低阶特征X执行点乘操作，生成语义间解耦特征
Figure 196307DEST_PATH_IMAGE008
，实现类解耦；公式如下：
Figure 881366DEST_PATH_IMAGE042
将生成的语义增强掩码
Figure 232713DEST_PATH_IMAGE043
与语义间解耦特征
Figure 257301DEST_PATH_IMAGE008
执行叉乘操作，生成语义内增强特征
Figure 665761DEST_PATH_IMAGE011
，实现类内特征的交互；公式如下：
Figure 838116DEST_PATH_IMAGE044
细节补充掩码
Figure 993154DEST_PATH_IMAGE006
与低阶特征X点乘生成细节补充特征
Figure 872249DEST_PATH_IMAGE012
，保证边缘特征鲁棒性；公式如下：
Figure 454540DEST_PATH_IMAGE045
最后，生成的三种特征通过级联操作，生成最终的特征Z，公式如下：
Figure 114191DEST_PATH_IMAGE046
其中，concat表示特征的级联操作。
S6、图像输出阶段：生成的特征Z通过解码区反卷积操作生成遥感图像语义分割预测图，输出预测结果。其中关于解码区结构及方法可参考现有技术，此处不再过多赘述。
下面介绍本发明的损失，分割损失函数
Figure 10603DEST_PATH_IMAGE047
如下：
Figure 806521DEST_PATH_IMAGE048
其中，M是指遥感图像的所有像素个数，
Figure 559713DEST_PATH_IMAGE049
是第m个像素生成的预测结果，
Figure 441081DEST_PATH_IMAGE050
为第m个像素的多分类标签。
实施例2
基于高阶特征类解耦的海洋遥感图像语义分割系统，包括输入模块、高阶特征模块、高阶语义聚类模块、语义掩码生成模块、语义间解耦和语义内增强模块、细节补充特征生成模块、预测图生成模块、输出模块。
所述输入模块，用于获取待处理海洋遥感图像，输入深度卷积网络，获得低阶特征；
所述高阶特征模块，用于计算亲和矩阵并增强，获得高阶特征；
所述高阶语义聚类模块，用于对高阶特征的行向量进行像素聚类，将像素划分为不同的语义簇；
所述语义掩码生成模块，用于生成语义解耦掩码、语义增强掩码和细节补充掩码三种掩码；
所述语义间解耦和语义内增强模块，用于将生成的三种掩码进行语义间解耦和语义内增强，获得语义间解耦特征和语义内增强特征；
所述细节补充特征生成模块，用于将细节补充掩码与低阶特征点乘生成细节补充特征；
所述预测图生成模块，用于将所述语义间解耦和语义内增强模块、细节补充特征生成模块生成的三种特征通过级联操作，生成最终的特征Z，再反卷积获得遥感图像语义分割预测图；
所述输出模块，用于输出预测结果。
该系统用于实现如实施例1部分记载的基于高阶特征类解耦的海洋遥感图像语义分割方法，各模块的功能及数据处理方法可参考实施例1部分的记载，此处不再赘述。
综上所述，本发明在处理海洋遥感图像时，首先利用亲和矩阵将低阶特征表示转为高阶特征表示，在高阶特征的基础上，提出高阶语义聚类，将像素划分为不同的语义簇，然后本发明还设计了语义掩码生成模块（Semantic Mask Generation，SMG），其包含三种不同类型的掩码，分别为语义解耦掩码（Semantic Decoupling Mask，SDM）、语义增强掩码（Semantic Enhancement Mask，SEM）以及细节补充掩码（Details Supplementary Mask，DSM）。其中，SDM在高阶表征及聚类基础上，将聚类的质心作为语义解耦掩码
Figure 141184DEST_PATH_IMAGE004
；SEM同样在高阶表征及聚类基础上，设计二进制掩码对高阶表示进行过滤作为语义增强掩码
Figure 791608DEST_PATH_IMAGE005
；DSM在低阶特征基础上，利用边界特征定位以及注意力机制生成细节补充掩码
Figure 981281DEST_PATH_IMAGE006
，最后将三种掩码进行语义间解耦与语义内增强，并通过解码获得最终的遥感图像语义分割预测图，解决了海洋遥感图像空间布局失衡、类别尺度失衡、语义分布失衡问题。
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。

Claims (6)

1.基于高阶特征类解耦的海洋遥感图像语义分割方法，其特征在于，包括以下步骤：
S1、获取待处理海洋遥感图像，并通过深度卷积网络提取特征，获得低阶特征X；
S2、计算步骤S1提取的低阶特征X间的亲和矩阵并对亲和矩阵的行和列归一化操作，增强亲和矩阵，得到高阶特征
Figure 36007DEST_PATH_IMAGE001
；
S3、采用k-means聚类算法对步骤S2的高阶特征
Figure 584800DEST_PATH_IMAGE002
的行向量
Figure 876104DEST_PATH_IMAGE003
进行像素聚类，将像素划分为不同的语义簇，得到聚类后的亲和矩阵；
S4、在步骤S3聚类的基础上，生成三种不同类型的掩码，分别是语义解耦掩码
Figure 815241DEST_PATH_IMAGE004
、语义增强掩码
Figure 482983DEST_PATH_IMAGE005
和细节补充掩码
Figure 886283DEST_PATH_IMAGE006
，具体方法如下：
S401、利用每个聚类簇的质心生成语义解耦掩码
Figure 20592DEST_PATH_IMAGE007
来实现语义的解耦；
S402、采用二进制掩码对高阶特征中的同类特征进行过滤，生成每一种类别的相关性矩阵，得到语义增强掩码
Figure 243763DEST_PATH_IMAGE008
；
S403、在聚类过程中，将离聚类中心较远的点视为边界特征，并通过边界定位方式记住边界特征具体位置，生成细节补充掩码
Figure 590562DEST_PATH_IMAGE006
；
S5、将步骤S4生成的三种掩码进行语义间解耦与语义内增强，具体是：将生成的语义解耦掩码
Figure 603296DEST_PATH_IMAGE007
与低阶特征X执行点乘操作，生成语义间解耦特征
Figure 705244DEST_PATH_IMAGE009
，实现类解耦；将生成的语义增强掩码
Figure 415711DEST_PATH_IMAGE010
与语义间解耦特征
Figure 425256DEST_PATH_IMAGE011
执行叉乘操作，生成语义内增强特征
Figure 740831DEST_PATH_IMAGE012
，实现类内特征的交互；细节补充掩码
Figure 544839DEST_PATH_IMAGE006
与低阶特征X点乘生成细节补充特征
Figure 8181DEST_PATH_IMAGE013
；生成的三种特征通过级联操作，生成最终的特征Z；
S6、生成的特征Z通过反卷积操作生成遥感图像语义分割预测图，输出预测结果。
2.根据权利要求1所述的基于高阶特征类解耦的海洋遥感图像语义分割方法，其特征在于，步骤S2中，首先计算亲和矩阵S，将每个像素的特征级表示转化为相似度表示，公式如下：
Figure 555837DEST_PATH_IMAGE014
其中，T表示矩阵的转置，
Figure 725918DEST_PATH_IMAGE015
表示叉乘操作；然后，采用以下公式增强亲和矩阵S：
Figure 966407DEST_PATH_IMAGE016
其中，
Figure 651466DEST_PATH_IMAGE017
是亲和矩阵第i行第j列的相似度，
Figure 2813DEST_PATH_IMAGE018
为训练参数，
Figure 24471DEST_PATH_IMAGE019
表示亲和矩阵行或列的大小，
Figure 701440DEST_PATH_IMAGE020
和
Figure 77058DEST_PATH_IMAGE021
表示分别对矩阵行和列进行归一化操作，
Figure 700937DEST_PATH_IMAGE002
为最终得到的高阶特征。
3.根据权利要求2所述的基于高阶特征类解耦的海洋遥感图像语义分割方法，其特征在于，步骤S4中，对于语义解耦掩码
Figure 642348DEST_PATH_IMAGE004
，聚类的质心可以完全反映某个类别特征表示，因此，对质心
Figure 490219DEST_PATH_IMAGE022
变形为
Figure 25236DEST_PATH_IMAGE023
作为语义解耦掩码
Figure 983965DEST_PATH_IMAGE004
；
对于语义增强掩码，设计二进制掩码
Figure 717566DEST_PATH_IMAGE024
对高阶特征
Figure 470758DEST_PATH_IMAGE002
进行过滤作为语义增强掩码
Figure 617706DEST_PATH_IMAGE005
，表示为：
Figure 111616DEST_PATH_IMAGE025
其中，
Figure 965303DEST_PATH_IMAGE024
为与高阶特征
Figure 623817DEST_PATH_IMAGE001
同样大小的二进制掩码，其对属于类k的高阶特征的行向量
Figure 258061DEST_PATH_IMAGE003
值取为1，其他取为0，
Figure 496275DEST_PATH_IMAGE026
为点乘操作；
对于细节补充掩码
Figure 266785DEST_PATH_IMAGE006
，在边界定位阶段，首先，设置阈值
Figure 361780DEST_PATH_IMAGE027
并依据阈值判断高阶特征的行向量
Figure 217741DEST_PATH_IMAGE003
是否为边界特征；之后，通过索引定位图像中边界特征的位置，并将其保存在序列
Figure 259646DEST_PATH_IMAGE028
中：
Figure 619083DEST_PATH_IMAGE029
其中，
Figure 150559DEST_PATH_IMAGE030
表示序列，
Figure 228236DEST_PATH_IMAGE031
表示序列
Figure 70903DEST_PATH_IMAGE028
中i位置的索引，
Figure 816005DEST_PATH_IMAGE032
为簇；如果行向量
Figure 252802DEST_PATH_IMAGE003
属于边界特征，则其在序列
Figure 21038DEST_PATH_IMAGE028
中的对应位置为1，否则为0；
在细节补充掩码
Figure 201484DEST_PATH_IMAGE006
生成阶段，首先在低阶特征X的基础上利用注意力机制挖掘显著信息，获得显著掩码
Figure 801093DEST_PATH_IMAGE033
表示为：
Figure 408791DEST_PATH_IMAGE034
其中，
Figure 664323DEST_PATH_IMAGE035
和
Figure 382881DEST_PATH_IMAGE036
分别表示Sigmoid和ReLU函数，
Figure 102575DEST_PATH_IMAGE037
和
Figure 84437DEST_PATH_IMAGE038
为1×1的卷积，随后，将序列
Figure 624003DEST_PATH_IMAGE028
变形为
Figure 411831DEST_PATH_IMAGE039
并与显著掩码
Figure 717523DEST_PATH_IMAGE033
点乘过滤出细节补充掩码
Figure 870286DEST_PATH_IMAGE006
：
Figure 631569DEST_PATH_IMAGE040
。
4.根据权利要求1所述的基于高阶特征类解耦的海洋遥感图像语义分割方法，其特征在于，步骤S5中，语义解耦掩码
Figure 223087DEST_PATH_IMAGE004
与低阶特征X执行点乘操作，生成语义间解耦特征
Figure 589478DEST_PATH_IMAGE009
，公式如下：
Figure 709880DEST_PATH_IMAGE041
语义增强掩码
Figure 489618DEST_PATH_IMAGE008
与语义间解耦特征
Figure 353668DEST_PATH_IMAGE009
执行叉乘操作，生成语义内增强特征
Figure 574565DEST_PATH_IMAGE012
，公式如下：
Figure 131449DEST_PATH_IMAGE042
细节补充掩码
Figure 132903DEST_PATH_IMAGE006
与低阶特征X点乘生成细节补充特征
Figure 800644DEST_PATH_IMAGE013
，公式如下：
Figure 873118DEST_PATH_IMAGE043
最后，生成的三种特征通过级联操作，生成最终的特征Z，公式如下：
Figure 866482DEST_PATH_IMAGE044
其中，concat表示特征的级联操作。
5.根据权利要求3所述的基于高阶特征类解耦的海洋遥感图像语义分割方法，其特征在于，分割损失函数
Figure 89653DEST_PATH_IMAGE045
如下：
Figure 498769DEST_PATH_IMAGE046
其中，M是指遥感图像的所有像素个数，
Figure 490995DEST_PATH_IMAGE047
是第m个像素生成的预测结果，
Figure 655260DEST_PATH_IMAGE048
为第m个像素的多分类标签。
6.基于高阶特征类解耦的海洋遥感图像语义分割系统，其特征在于，实现如权利要求1-5任一项所述的基于高阶特征类解耦的海洋遥感图像语义分割方法，所述系统包括输入模块、高阶特征模块、高阶语义聚类模块、语义掩码生成模块、语义间解耦和语义内增强模块、细节补充特征生成模块、预测图生成模块、输出模块；
所述输入模块，用于获取待处理海洋遥感图像，输入深度卷积网络，获得低阶特征；
所述高阶特征模块，用于计算亲和矩阵并增强，获得高阶特征；
所述高阶语义聚类模块，用于对高阶特征的行向量进行像素聚类，将像素划分为不同的语义簇；
所述语义掩码生成模块，用于生成语义解耦掩码、语义增强掩码和细节补充掩码三种掩码；
所述语义间解耦和语义内增强模块，用于将生成的三种掩码进行语义间解耦和语义内增强，获得语义间解耦特征和语义内增强特征；
所述细节补充特征生成模块，用于将细节补充掩码与低阶特征点乘生成细节补充特征；
所述预测图生成模块，用于将所述语义间解耦和语义内增强模块、细节补充特征生成模块生成的三种特征通过级联操作，生成最终的特征Z，再反卷积获得遥感图像语义分割预测图；
所述输出模块，用于输出预测结果。
CN202211154802.9A 2022-09-22 2022-09-22 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统 Active CN115272681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154802.9A CN115272681B (zh) 2022-09-22 2022-09-22 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154802.9A CN115272681B (zh) 2022-09-22 2022-09-22 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统

Publications (2)

Publication Number Publication Date
CN115272681A true CN115272681A (zh) 2022-11-01
CN115272681B CN115272681B (zh) 2022-12-20

Family

ID=83756448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154802.9A Active CN115272681B (zh) 2022-09-22 2022-09-22 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统

Country Status (1)

Country Link
CN (1) CN115272681B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229277A (zh) * 2023-05-08 2023-06-06 中国海洋大学 基于语义相关性的强抗干扰海洋遥感图像语义分割方法
CN116311253A (zh) * 2023-05-18 2023-06-23 中国海洋大学 基于尺度分离的海洋遥感图像语义分割方法及系统

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189601A1 (en) * 2017-01-04 2018-07-05 Qualcomm Incorporated Systems and methods for mapping based on multi-journey data
US20190042826A1 (en) * 2017-08-04 2019-02-07 Oregon Health & Science University Automatic nuclei segmentation in histopathology images
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
CN113159051A (zh) * 2021-04-27 2021-07-23 长春理工大学 一种基于边缘解耦的遥感图像轻量化语义分割方法
CN113221977A (zh) * 2021-04-26 2021-08-06 中国科学院大学 一种基于抗混叠语义重构的小样本语义分割方法
CN113505792A (zh) * 2021-06-30 2021-10-15 中国海洋大学 面向非均衡遥感图像的多尺度语义分割方法及模型
CN113989460A (zh) * 2021-10-19 2022-01-28 中国海洋大学 用于增强现实场景的实时天空替换特效控制方法及装置
CN113989851A (zh) * 2021-11-10 2022-01-28 合肥工业大学 一种基于异构融合图卷积网络的跨模态行人重识别方法
CN114022724A (zh) * 2021-10-08 2022-02-08 郑州大学 基于风格迁移的生成对抗网络的管道病害图像数据增强方法
CN114359526A (zh) * 2021-12-29 2022-04-15 中山大学 基于语义gan的跨域图像风格迁移方法
CN114373106A (zh) * 2021-12-28 2022-04-19 华南理工大学 基于上下文解耦和数据增强的弱监督语义分割方法及装置
WO2022084618A1 (fr) * 2020-10-20 2022-04-28 Biomerieux Procédé de classification d'une image d'entrée représentant une particule dans un échantillon
CN114419323A (zh) * 2022-03-31 2022-04-29 华东交通大学 基于跨模态学习与领域自适应rgbd图像语义分割方法
CN114511737A (zh) * 2022-01-24 2022-05-17 北京建筑大学 图像识别域泛化模型的训练方法
CN114565767A (zh) * 2022-03-11 2022-05-31 北京达佳互联信息技术有限公司 图像分割方法及装置
US20220207866A1 (en) * 2020-12-25 2022-06-30 Nec Corporation Method, device, and computer readable storage medium for image processing
US20220230321A1 (en) * 2021-01-15 2022-07-21 Adobe Inc. Generating class-agnostic object masks in digital images
CN114782688A (zh) * 2022-03-28 2022-07-22 西南科技大学 一种基于张量子空间聚类的自然图像分割方法和系统
CN115035295A (zh) * 2022-06-15 2022-09-09 湖北工业大学 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法
CN115049936A (zh) * 2022-08-12 2022-09-13 武汉大学 一种面向高分遥感影像的边界增强型语义分割方法
CN115082927A (zh) * 2022-07-05 2022-09-20 陈湘 一种显微影像中针尖定位及语义分割方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180189601A1 (en) * 2017-01-04 2018-07-05 Qualcomm Incorporated Systems and methods for mapping based on multi-journey data
US20190042826A1 (en) * 2017-08-04 2019-02-07 Oregon Health & Science University Automatic nuclei segmentation in histopathology images
WO2022084618A1 (fr) * 2020-10-20 2022-04-28 Biomerieux Procédé de classification d'une image d'entrée représentant une particule dans un échantillon
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
US20220207866A1 (en) * 2020-12-25 2022-06-30 Nec Corporation Method, device, and computer readable storage medium for image processing
US20220230321A1 (en) * 2021-01-15 2022-07-21 Adobe Inc. Generating class-agnostic object masks in digital images
CN113221977A (zh) * 2021-04-26 2021-08-06 中国科学院大学 一种基于抗混叠语义重构的小样本语义分割方法
CN113159051A (zh) * 2021-04-27 2021-07-23 长春理工大学 一种基于边缘解耦的遥感图像轻量化语义分割方法
CN113505792A (zh) * 2021-06-30 2021-10-15 中国海洋大学 面向非均衡遥感图像的多尺度语义分割方法及模型
CN114022724A (zh) * 2021-10-08 2022-02-08 郑州大学 基于风格迁移的生成对抗网络的管道病害图像数据增强方法
CN113989460A (zh) * 2021-10-19 2022-01-28 中国海洋大学 用于增强现实场景的实时天空替换特效控制方法及装置
CN113989851A (zh) * 2021-11-10 2022-01-28 合肥工业大学 一种基于异构融合图卷积网络的跨模态行人重识别方法
CN114373106A (zh) * 2021-12-28 2022-04-19 华南理工大学 基于上下文解耦和数据增强的弱监督语义分割方法及装置
CN114359526A (zh) * 2021-12-29 2022-04-15 中山大学 基于语义gan的跨域图像风格迁移方法
CN114511737A (zh) * 2022-01-24 2022-05-17 北京建筑大学 图像识别域泛化模型的训练方法
CN114565767A (zh) * 2022-03-11 2022-05-31 北京达佳互联信息技术有限公司 图像分割方法及装置
CN114782688A (zh) * 2022-03-28 2022-07-22 西南科技大学 一种基于张量子空间聚类的自然图像分割方法和系统
CN114419323A (zh) * 2022-03-31 2022-04-29 华东交通大学 基于跨模态学习与领域自适应rgbd图像语义分割方法
CN115035295A (zh) * 2022-06-15 2022-09-09 湖北工业大学 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法
CN115082927A (zh) * 2022-07-05 2022-09-20 陈湘 一种显微影像中针尖定位及语义分割方法及装置
CN115049936A (zh) * 2022-08-12 2022-09-13 武汉大学 一种面向高分遥感影像的边界增强型语义分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAO HU 等: "Semantic segmentation based on semantic edge optimization", 《2021 INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION ENGINEERING AND COMPUTER SCIENCE (EIECS)》 *
LIJUN REN 等: "Research on the Application of Semantic Segmentation of driverless vehicles in Park Scene", 《2020 13TH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN (ISCID)》 *
张哲晗等: "基于编码-解码卷积神经网络的遥感图像语义分割", 《光学学报》 *
蔡烁等: "基于深度卷积网络的高分遥感图像语义分割", 《信号处理》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116229277A (zh) * 2023-05-08 2023-06-06 中国海洋大学 基于语义相关性的强抗干扰海洋遥感图像语义分割方法
CN116229277B (zh) * 2023-05-08 2023-08-08 中国海洋大学 基于语义相关性的强抗干扰海洋遥感图像语义分割方法
CN116311253A (zh) * 2023-05-18 2023-06-23 中国海洋大学 基于尺度分离的海洋遥感图像语义分割方法及系统
CN116311253B (zh) * 2023-05-18 2023-07-21 中国海洋大学 基于尺度分离的海洋遥感图像语义分割方法及系统

Also Published As

Publication number Publication date
CN115272681B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN115272681B (zh) 基于高阶特征类解耦的海洋遥感图像语义分割方法及系统
CN109086824B (zh) 一种基于卷积神经网络的海底底质声呐图像分类方法
CN109671070B (zh) 一种基于特征加权和特征相关性融合的目标检测方法
CN108122008B (zh) 基于稀疏表示和多特征决策级融合的sar图像识别方法
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN113569667B (zh) 基于轻量级神经网络模型的内河船舶目标识别方法及系统
Zhang et al. Efficient feature learning and multi-size image steganalysis based on CNN
CN113379618B (zh) 基于残差密集连接和特征融合的光学遥感图像去云方法
CN111080678B (zh) 一种基于深度学习的多时相sar图像变化检测方法
CN109559315B (zh) 一种基于多路径深度神经网络的水面分割方法
CN112288026B (zh) 一种基于类激活图的红外弱小目标检测方法
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN111310690B (zh) 基于cn和三通道胶囊网络的森林火灾识别方法及装置
CN115147632A (zh) 基于密度峰值聚类算法的图像类别自动标注方法及装置
CN111027570B (zh) 一种基于细胞神经网络的图像多尺度特征提取方法
CN115272838A (zh) 基于信息融合技术的海洋浮游生物自动识别方法及系统
CN114581646A (zh) 文本识别方法、装置、电子设备及存储介质
CN116152678A (zh) 小样本条件下基于孪生神经网络的海洋承灾体识别方法
CN113139618B (zh) 一种基于集成防御的鲁棒性增强的分类方法及装置
CN111291712B (zh) 基于插值的cn和胶囊网络的森林火灾识别方法及装置
CN111291651B (zh) 用于遥感场景分类的多任务神经网络框架及分类方法
CN115272529B (zh) 布局优先的多尺度解耦海洋遥感图像上色方法及系统
CN116977694A (zh) 一种基于不变特征提取的高光谱对抗样本防御方法
CN112949422B (zh) 一种基于自监督光谱匹配框架的高光谱目标检测方法
Qin et al. Improved YOLOv7 model for underwater sonar image object detection

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