CN115439654A - 动态约束下的弱监督农田地块精细化分割方法及系统 - Google Patents

动态约束下的弱监督农田地块精细化分割方法及系统 Download PDF

Info

Publication number
CN115439654A
CN115439654A CN202211385434.9A CN202211385434A CN115439654A CN 115439654 A CN115439654 A CN 115439654A CN 202211385434 A CN202211385434 A CN 202211385434A CN 115439654 A CN115439654 A CN 115439654A
Authority
CN
China
Prior art keywords
feature
deep learning
network model
training
learning network
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
CN202211385434.9A
Other languages
English (en)
Other versions
CN115439654B (zh
Inventor
张洪艳
曾薪鑫
张良培
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.)
Wuhan Digital Home Technology Co ltd
Original Assignee
Wuhan Digital Home Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Digital Home Technology Co ltd filed Critical Wuhan Digital Home Technology Co ltd
Priority to CN202211385434.9A priority Critical patent/CN115439654B/zh
Publication of CN115439654A publication Critical patent/CN115439654A/zh
Application granted granted Critical
Publication of CN115439654B publication Critical patent/CN115439654B/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
    • 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
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • 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
    • G06V20/188—Vegetation

Landscapes

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

Abstract

一种动态约束下弱监督农田地块精细化分割方法及系统，包括：首先，利用并行的小感受野卷积层进行特征提取、构建主干网络，通过加深网络层与固定特征图分辨率来平衡细节信息与语义类别信息；接着，增加输入数据的边缘先验信息以辅助网络模型识别农田地块边界；其次，结合聚类思想与深度学习技术，设计了样本选择模块与动态损失函数，借助粗标签中不同类别地物之间的类内不变性来帮助网络模型选择类别正确的标签作为训练样本，增强网络抗噪能力；最后，设计由交叉熵损失函数与动态损失函数两部分组成的损失函数。本发明无需准确精细的标签数据作为监督信息，利用高分辨率遥感影像与现有的可免费获取的土地覆盖数据产品实现农田地块精细化分割。

Description

动态约束下的弱监督农田地块精细化分割方法及系统
技术领域
本发明属于农业遥感技术领域，具体涉及一种动态约束下的弱监督农田地块精细化分割方法。
背景技术
农业生产是社会经济发展的基础，对粮食安全、土地资源管理至关重要。农田地块是现代化农业中多数政策与农业研究的基础单位，及时准确的农田地块划定能为农民、管理者和决策者提供具有参考性、实践性的信息，对现代农业具有现实意义。然而，受地理环境、种植作物类型、种植管理模式等因素影响，农田地块具有多样化的特点，且具有高度的空间异质性，从而给农田地块精细化提取工作带来巨大挑战。
目前，农田地块分割与提取方法主要通过遥感技术进行，主要有基于传统图像分析技术的方法与基于深度学习技术的方法。其中，基于传统图像分析的方法可分为：基于边缘检测的方法、基于区域的方法以及混合的方法。这些方法能较好地在缺乏样本数据的情况下实现类型多样、面积较大的农田地块提取工作，但其依赖于先验知识、足够有效的特征工程或方法参数。此外，地块大小和形状的可变性意味着某些配置参数不允许在一个场景中对其他农业场景的地块进行适当的划分。
基于深度学习的方法则是网络模型从输入数据中进行学习目标地区的特征，通过推理预测来检验模型的学习效果。主要采用编解码结构的网络模型，通过编码器捕获多个空间尺度上各类型的农田地块及上下文信息，同时解码器将学习到的细节特征进行恢复以完成输入图像的准确分割，最终实现农田地块的分割与提取。该类方法需要大量的样本数据作为输入，样本的质量与数量对模型的学习效果、迁移应用有着重要的影响，但这些样本数据的获取是一个耗费时间、人力的过程。而可公开获取的遥感产品数据在空间尺度上不够精细，受到遥感数据、理论方法等制约因素影响，往往缺乏区域尺度的高分辨率精细分割结果。
发明内容
针对基于深度学习技术的农田地块精细化分割方法所需数据获取成本高的实际问题，本发明提出一种动态约束下弱监督农田地块精细化分割方法。通过设计样本选择模块与动态损失函数帮助网络模型选择类别正确的标签作为训练样本，利用小感受野的卷积层构建高分辨率特征提取模块，以缓解网络因分辨率不同导致的过拟合现象，加强高分辨率影像中每个像素的上下文信息与细节信息的捕获。此外，为增强网络从大量伪标签的数据准确地学习到目标地物的特征，该方法的损失函数由交叉熵损失函数与动态损失函数两部分组成。
本发明提出的动态约束下弱监督农田地块精细化分割方法，在网络编码部分采用了小感受野卷积层，采用组合不同感受野卷积层来获取输入数据中每一个位置的细节特征与局部上下文信息，通过加深网络层捕获更为高级的语义信息以增强网络的分类能力，使用保持与输入数据相同分辨率的策略以降低因标签和影像之间空间分辨率不匹配导致的细节损失。
同时，针对网络如何从大量伪标签中选择具有准确类别信息的标签这一问题，本发明结合聚类思想与深度学习技术，提出了样本选择模块与动态损失函数，通过计算每一批次的输入数据特征均值，该均值用以粗略区分伪标签与准确标签，采用动态损失函数衡量不同类标签之间的特征相似性，帮助网络进一步更为准确地区分伪标签与准确标签，从不同标签中学习到有效的信息。
因此，本发明在顾及已有深度学习方法中平衡细节信息与局部上下文信息的同时，在不增加数据获取成本的情况下，提供了如何从粗分辨率的伪标签信息中选择准确样本的参考方法，这为利用深度学习技术进行农田地块精细化分割及其后续应用，如农田面积统计、农田地块计数等，提供了重要的基础和应用支持。因此，动态约束下弱监督农田地块精细化分割方法不仅具有非常重要的学术价值并且具有重要的现实意义。
第一方面，提供一种用于地块精细化分割的深度学习网络模型训练方法，包括：
获取训练所述深度学习网络模型的地块影像数据；
利用边缘探测算子计算所述地块影像数据的边缘信息；
将所述地块影像数据输入到经过通道数扩增的所述深度学习网络模型的主干网络来提取地块标签对应的各类特征，所述主干网络包括多个多特征残差模块，所述多特征残差模块包括多个不同感受野的卷积层；
每个所述多特征残差模块先利用所述多个不同感受野的卷积层以并行的方式提 取输入数据
Figure 100002_DEST_PATH_IMAGE001
的特征，然后通过通道级联的方式进行特征融合得到融合特征图
Figure 100002_DEST_PATH_IMAGE002
，对融合特 征图
Figure 133953DEST_PATH_IMAGE002
进行降维操作，将降维操作后的融合特征图
Figure 785514DEST_PATH_IMAGE002
与输入数据
Figure 34093DEST_PATH_IMAGE001
（网络在训练过程中输入 到多特征残差模块的数据）进行逐元素相加，得到特征图
Figure 100002_DEST_PATH_IMAGE003
；
所有所述多特征残差模块输出的特征图
Figure 100002_DEST_PATH_IMAGE004
构成特征空间
Figure 100002_DEST_PATH_IMAGE005
，将特征空间
Figure 475308DEST_PATH_IMAGE005
与所述 边缘信息进行特征融合，融合后的特征图经通道数压缩后得到预测概率图
Figure 100002_DEST_PATH_IMAGE006
；
根据所述主干网络每次预测的置信概率从粗标签中选择可信子集作为监督源，置 信度阈值
Figure 100002_DEST_PATH_IMAGE007
通过对预测概率图
Figure 961784DEST_PATH_IMAGE006
进行平均计算得到，根据
Figure 253088DEST_PATH_IMAGE007
将
Figure 988963DEST_PATH_IMAGE006
划分
Figure 100002_DEST_PATH_IMAGE008
与
Figure 100002_DEST_PATH_IMAGE009
为两个子集；
利用损失函数对
Figure 296185DEST_PATH_IMAGE008
与
Figure 433905DEST_PATH_IMAGE009
同时进行监督，训练所述深度学习网络模型，直至训练 达到最大训练轮数或收敛；
训练结束后保存在训练过程中验证精度最优的参数组。
第二方面，提供一种用于地块精细化分割的深度学习网络模型训练系统，包括：
数据获取模块，其被配置为获取训练所述深度学习网络模型的地块影像数据；
边缘信息计算模块，其被配置为利用边缘探测算子计算所述地块影像数据的边缘信息；
主干网络，将所述地块影像数据输入到经过通道数扩增的所述深度学习网络模型 的所述主干网络来提取地块标签对应的各类特征，所述主干网络包括多个多特征残差模 块，所述多特征残差模块包括多个不同感受野的卷积层，每个所述多特征残差模块先利用 所述多个不同感受野的卷积层以并行的方式提取输入数据
Figure 161690DEST_PATH_IMAGE001
的特征，然后通过通道级联的 方式进行特征融合得到融合特征图
Figure 384861DEST_PATH_IMAGE002
，对融合特征图
Figure 793977DEST_PATH_IMAGE002
进行降维操作，将降维操作后的融 合特征图
Figure 284738DEST_PATH_IMAGE002
与输入数据
Figure 183424DEST_PATH_IMAGE001
进行逐元素相加，得到特征图
Figure 159471DEST_PATH_IMAGE003
，所有所述多特征残差模块输出的 特征图
Figure 903436DEST_PATH_IMAGE003
构成特征空间
Figure 15748DEST_PATH_IMAGE005
，将特征空间
Figure 23018DEST_PATH_IMAGE005
与所述边缘信息进行特征融合，融合后的特征图 经通道数压缩后得到预测概率图
Figure 220782DEST_PATH_IMAGE006
，根据所述主干网络每次预测的置信概率从粗标签中选 择可信子集作为监督源，置信度阈值
Figure 266973DEST_PATH_IMAGE007
通过对预测概率图
Figure 499371DEST_PATH_IMAGE006
进行平均计算得到，根据
Figure 739859DEST_PATH_IMAGE007
将
Figure 159339DEST_PATH_IMAGE006
划分
Figure 713949DEST_PATH_IMAGE008
与
Figure 800853DEST_PATH_IMAGE009
为两个子集，利用损失函数对
Figure 914041DEST_PATH_IMAGE008
与
Figure 86396DEST_PATH_IMAGE009
同时进行监督，训练所述深度学习 网络模型，直至训练达到最大训练轮数或收敛，训练结束后保存在训练过程中验证精度最 优的参数组。
第三方面，提供一种动态约束下的弱监督农田地块精细化分割方法，包括：获取地块影像数据；将所述地块影像数据输入到深度学习网络模型对农田地块进行分割，所述深度学习网络模型利用所述的用于地块精细化分割的深度学习网络模型训练方法进行训练。
第四方面，提供一种动态约束下的弱监督农田地块精细化分割系统，包括：数据获取模块，其被配置为获取地块影像数据；深度学习网络模型，将所述地块影像数据输入到该深度学习网络模型对农田地块进行分割，该深度学习网络模型利用所述的用于地块精细化分割的深度学习网络模型训练系统进行训练。
第五方面，提供一种计算机，包括：处理器；存储器，包括一个或多个程序模块；其中，所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个程序模块包括用于实现所述的用于地块精细化分割的深度学习网络模型训练方法的指令。
第六方面，提供一种存储介质，用于存储非暂时性指令，当所述非暂时性指令由处理器执行时能够实现所述的用于地块精细化分割的深度学习网络模型训练方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明一实施例提供的网络模型结构图。
图2a为本发明一实施例提供的多特征残差模块
图2b为本发明一实施例提供的与样本选择模块示意图。
图3为本发明一实施例提供的本发明算法与4中经典分割算法的定量评价结果及其模型参数量，实验区域为Navarra地区。
图4为本发明一实施例提供的本发明算法的可视化结果，展示图位于Navarra地区，航空影像。
图5为本发明一实施例提供的迁移测试可视化结果，展示图位于中国新疆，GF-2影像。
具体实施方式
针对实际情况中区域尺度刻画农田地块尺度的准确标签数据获取成本高的难题，本发明提出了一种动态约束下的弱监督农田地块精细化分割方法及系统，利用并行的小感受野卷积层进行特征提取、构建主干网络，通过加深网络层与固定特征图分辨率来平衡细节信息与语义类别信息：前者能捕获高级语义信息，后者可以降低细节信息丢失。同时，顾及细节信息与语义类别的小感受野主干网络能缓解网络因标签与影像之间空间分辨差异大导致的过拟合问题。运用深度学习技术，从聚类的角度实现了样本选择模块与动态损失函数的设计，帮助网络从伪标签中获取准确标签，增强了网络的抗噪能力。另外，无需依据经验设定的样本选择阈值以及极小的模型参数量极大地提升了网络的实用性。
下面首先结合图1详细说明用于地块精细化分割的深度学习网络模型训练方法。
步骤11，根据给定的输入影像数据，利用边缘探测算子计算得到边缘信息。用于捕获输入图像的边缘检测算子，包括但不限于：Canny算子、Sobel算子、Prewitt算子、Roberts算子、Laplacian或Gaussian算子。
步骤12，构建主要的网络模块，设计动态损失函数，并搭建深度学习网络模型。其中，步骤2具体实现方法如下所示。
步骤12-1，扩增特征通道数。对于输入数据而言，为保证网络在后期有足够的特征参数、保证低维特征的表达，在网络开始有一个通道数扩增的操作，该操作分别由一个3*3卷积层、ReLU函数与批量归一化层（Batch Normalization Layer, BN层）组成。
步骤12-2，构建主干网络。主干网络用于提取准确的农田地块标签对应的各类特征，由多个多特征残差模块组成。参见图2（a），多特征残差模块由多个不同感受野的卷积层组成，采用并行的方式提取特征，最后将不同感受野的特征进行融合。另外，为避免大感受野的采样导致特征图分辨率下降，各层卷积核的数量与感受野的大小成反比。用于构建主干网络的多特征残差模块数量、多特征残差模块中不同感受野数量均依据实际情况进行确定，其中多特征残差模块使用的小卷积核包括但不限于1*1卷积层、2*2卷积层、3*3卷积层以及各类具有小感受野的不规则卷积、空洞卷积等卷积方式。
将输入多特征残差模型的数据记为
Figure 100002_DEST_PATH_IMAGE010
，其中
Figure 100002_DEST_PATH_IMAGE011
、
Figure 100002_DEST_PATH_IMAGE012
、
Figure 100002_DEST_PATH_IMAGE013
分别为输 入数据的长、宽、通道数，N为输入模块的
Figure 100002_DEST_PATH_IMAGE014
数量。1*1卷积层和3*3卷积层分别 定义为：
Figure 100002_DEST_PATH_IMAGE015
,
Figure 100002_DEST_PATH_IMAGE016
，其中
Figure 693964DEST_PATH_IMAGE013
表示输入通道数，
Figure 100002_DEST_PATH_IMAGE017
表示输出通道数。
输入数据
Figure 104217DEST_PATH_IMAGE001
分别经过1*1卷积层和3*3卷积层，接着均进行ReLU函数与BN层等计算， 得到两个特征图，通过通道级联的方式进行特征融合，融合后的特征图记为
Figure 889770DEST_PATH_IMAGE002
，可以描述 为：
Figure 100002_DEST_PATH_IMAGE018
（1）
该模块最后输出的特征图记为
Figure 516798DEST_PATH_IMAGE003
，对
Figure 209948DEST_PATH_IMAGE002
使用1*1卷积层进行降维，并将所得特征图 与输入数据
Figure 943548DEST_PATH_IMAGE001
进行逐元素相加，得到
Figure 696741DEST_PATH_IMAGE003
，可表示为：
Figure 100002_DEST_PATH_IMAGE019
（2）
步骤12-3，输出预测概率图。主干网络中最后一个多特征残差模块的输出特征
Figure 100002_DEST_PATH_IMAGE020
(
Figure 100002_DEST_PATH_IMAGE021
)与边缘检测算子进行特征融合，融合后的特征图经通道数压缩后得到预测概率图， 将网络得到的预测概率图记为
Figure 100002_DEST_PATH_IMAGE022
，则
Figure 420852DEST_PATH_IMAGE006
可表示为：
Figure 100002_DEST_PATH_IMAGE023
（3）
式中
Figure 100002_DEST_PATH_IMAGE024
表示输入数据经边缘检测后得到的边缘信息。
步骤12-4，构建样本选择模块。参见图2（b），该模块的主要作用是根据网络每次预 测的置信概率从粗标签中选择可信子集作为监督源。置信度阈值
Figure 100002_DEST_PATH_IMAGE025
通过对预测概率图
Figure 557173DEST_PATH_IMAGE022
进行平均计算得到，由此可将
Figure 207597DEST_PATH_IMAGE006
划分
Figure 69374DEST_PATH_IMAGE008
与
Figure 438038DEST_PATH_IMAGE009
为两个子集，如式（4）所 示。
Figure 100002_DEST_PATH_IMAGE026
（4）
Figure 100002_DEST_PATH_IMAGE027
式中，
Figure 100002_DEST_PATH_IMAGE028
表示预测概率图中位置为i,j的像元,
Figure 100002_DEST_PATH_IMAGE029
。
可见，置信度阈值
Figure 100002_DEST_PATH_IMAGE030
并不是一个固定的经验参数，其不需要手动进行调节，而是通 过对每一批次输入图像所得预测概率图的进行平均计算得到，因此，阈值
Figure 784575DEST_PATH_IMAGE007
是一个动态变 化的值。
样本选择模块的特征图来源包括但不限于：直接对主干网络各层级特征图进行1*1卷积操作降维、使用均值池化或最大值池化等操作对主干网络各层级特征图进行降维。
步骤12-5，设计动态损失函数。动态损失函数是一种自监督损失函数，记为
Figure 100002_DEST_PATH_IMAGE031
，用 于描述粗标签的类内不变性，对样本选择模块中的
Figure 23926DEST_PATH_IMAGE008
与
Figure 853342DEST_PATH_IMAGE009
同时起到监督作用。首先，为 了描述输入数据中每一个位置的特征空间，将每一个多特征残差模块得到的特征图
Figure 974882DEST_PATH_IMAGE003
经过 降维、通道级联后得到多层次网络特征图（与步骤12-2“通过通道级联的方式进行特征融 合，融合后的特征图记为
Figure 100002_DEST_PATH_IMAGE032
对
Figure 984164DEST_PATH_IMAGE002
使用1*1卷积层进行降维”在操作上是一样的，都是对特 征图进行卷积降维再级联，步骤12-2是多特征残差模块内部的，步骤12-5则是对多个多特 征残差模块输出图进行的），由多层次网络特征图构成的特征空间
Figure 609180DEST_PATH_IMAGE005
将用于约束
Figure 875077DEST_PATH_IMAGE008
与
Figure 156016DEST_PATH_IMAGE009
，
Figure 798350DEST_PATH_IMAGE005
可描述为：
Figure 100002_DEST_PATH_IMAGE033
（5）
式中
Figure 510829DEST_PATH_IMAGE020
代表第b个多特征残差模块得到的特征图。
其次，为了度量
Figure 150889DEST_PATH_IMAGE008
与
Figure 715863DEST_PATH_IMAGE009
之间的特征相似性，对两者的类内方差进行修正，如公 式（6）所示。
Figure 100002_DEST_PATH_IMAGE034
（6）
式中，
Figure 100002_DEST_PATH_IMAGE035
表示第b个特征中第l类的预测结果在特征空间预测图
Figure 99571DEST_PATH_IMAGE005
中的类内方 差；
Figure 100002_DEST_PATH_IMAGE036
与
Figure 100002_DEST_PATH_IMAGE037
分别指
Figure 73080DEST_PATH_IMAGE008
与
Figure 680779DEST_PATH_IMAGE009
在预测图
Figure 998628DEST_PATH_IMAGE005
中的像素占比；
Figure 100002_DEST_PATH_IMAGE038
、
Figure 100002_DEST_PATH_IMAGE039
与
Figure 100002_DEST_PATH_IMAGE040
分别指
Figure 825508DEST_PATH_IMAGE008
、
Figure 279623DEST_PATH_IMAGE009
以及预测概率图
Figure 323802DEST_PATH_IMAGE006
在特征空间
Figure 863368DEST_PATH_IMAGE005
中对应的均值。
最后，动态损失函数
Figure 385616DEST_PATH_IMAGE031
表示为
Figure 419473DEST_PATH_IMAGE035
在所有类别和特征空间
Figure 368974DEST_PATH_IMAGE005
之间比例因子为
Figure DEST_PATH_IMAGE041
的和，如公式（7）所示。
Figure DEST_PATH_IMAGE042
需要注意的是，本发明的损失函数由两部分组成，另一部分损失函数为交叉熵损 失函数，记为
Figure DEST_PATH_IMAGE043
，其表达式如式（8）所示。
Figure DEST_PATH_IMAGE044
Figure DEST_PATH_IMAGE045
式中，
Figure DEST_PATH_IMAGE046
表示像素i的标签值，
Figure DEST_PATH_IMAGE047
表示像素i对应的预测输出概率值。
因此，最后网络的损失函数表达式如式（9）所示。
Figure DEST_PATH_IMAGE048
（9）
步骤13，将高分辨率遥感影像及对应的土地覆盖产品数据一起输入到网络中，设置网络初始参数，根据网络损失函数训练网络模型，直至训练达到最大训练轮数或收敛。
用于网络弱监督的标签数据，包括但不限于：ESA World Cover产品、EsriLandCover产品、Globeland30、FROM-GLC、AGLC等可免费获取到的各类数据产品。
步骤14，网络训练结束后，保存在训练过程中验证精度最优的参数组，使用该组参数对不同于训练数据的区域进行测试，实现农田地块精细化分割。
在一些实施例中，还提供一种用于地块精细化分割的深度学习网络模型训练系统，包括：数据获取模块、边缘信息计算模块和主干网络。数据获取模块被配置为获取训练所述深度学习网络模型的地块影像数据。边缘信息计算模块被配置为利用边缘探测算子计算所述地块影像数据的边缘信息。关于主干网络参见上文步骤11-步骤14，此处不再赘述。
下面简要说明上述用于地块精细化分割的深度学习网络模型训练方法及系统一些参数的选择。
本发明中使用的边缘检测算子用于辅助网络捕获更为精细的边缘细节信息，通过与主干网络特征融合增强网络对细节的学习。本实施例采用Canny边缘检测算子，使用3*3窗口进行高斯滤波去噪后，通过Sobel算子进行梯度计算，并给定10与100两个非极大值抑制阈值，结合梯度幅度处理后得到边缘信息图。具体实施过程中，本领域技术人员可根据实际情况进行适当修正。
对于给定的输入影像数据，网络模型的起始卷积操作由一个3*3卷积层、ReLU函数与批量归一化层（Batch Normalization Layer, BN层）组成，用于扩增特征参数，本实施例在该操作中的通道维度由3变为64。
本发明中主要的网络模块有：主干网络与样本选择模块。其中主干网络由7个多特征残差模块组成。多特征残差模块由1*1卷积层和3*3卷积层采用并行、残差相加的模式组成。两个卷积层的输出通道数分别为输入通道数、输入通道数的一半。本实施例中输入主干网络的特征通道数为64，多特征残差模块中间过程产生的特征图通道数为96，经过多特征残差模块后输出通道数仍为64。具体实施过程中，本领域技术人员可以根据实际中可获取的中低分辨率标签数据与高分辨率影像数据之间的空间分辨率差异、硬件设备进行适当调整，选取适合实际任务中不同倍率空间分辨率的卷积核大小、模块数量及通道数。
将高分辨率遥感影像及对应的土地覆盖产品数据一起输入到网络中，设置网络初始参数，根据网络损失函数训练网络模型，直至训练达到最大训练轮数或收敛。
本实施例中的影像大小为512×512，共有RGB三个波段，空间分辨率为1米。获取到可利用的标签数据来源于欧空局2021年发布的ESA World Cover产品，空间分辨率为10米。训练过程中使用到的数据有：高分辨率影像数据、World Cover产品处理后的粗分辨率标签数据。
本实施例的网络模型运行环境及相关参数设置如下：网络模型基于PyTorch框架，使用Titan RTX显卡进行训练；网络初始参数使用Kaiming Normal方法进行初始化；训练过程中使用Adam优化器，权重系数为0.001，其余参数为默认值；初始学习率为1e-4，学习率调整策略为ReduceLROnPlateau，模式为“min”；网络训练时每一批次输入数量为4；训练过程中采用数据增强的方式有水平翻转、垂直翻转、随机裁剪等；训练共进行70个轮次，保存训练过程中验证集精度最高的模型用于测试；在损失函数中，动态损失函数与二元交叉熵损失函数的权重均为1。具体实施时本领域技术人员可以根据具体使用的影像对网络参数进行调整。
实施例中测试数据分别来源于相同成像环境不同地区的影像、不同传感器不同地区的影像，用于定量评价网络模型效果的数据为人工标注的高精度标签。
图3示出了本发明算法与四中经典分割算法的定量评价结果及其模型参数量，实验区域为Navarra地区。图4展示了本发明算法的可视化结果，展示图位于Navarra地区，航空影像。图5展示了迁移测试可视化结果，展示图位于中国新疆，GF-2影像。
在一些实施例中，还提供一种动态约束下的弱监督农田地块精细化分割方法，包括：步骤21，获取地块影像数据；步骤22，将地块影像数据输入到通过上述步骤11-14训练好的深度学习网络模型对农田地块进行分割。
在一些实施例中，还提供一种动态约束下的弱监督农田地块精细化分割系统，包括：数据获取模块，其被配置为获取地块影像数据；深度学习网络模型，将所述地块影像数据输入到该深度学习网络模型对农田地块进行分割，该深度学习网络模型利用所述的用于地块精细化分割的深度学习网络模型训练系统进行训练。
在一些实施例中，还提供一种计算机。计算机包括处理器和存储器。存储器用于存储非暂时性指令(例如一个或多个程序模块)。处理器用于运行非暂时性指令，非暂时性指令被处理器运行时可以执行上文所述的用于地块精细化分割的深度学习网络模型训练方法、动态约束下的弱监督农田地块精细化分割方法中的一个或多个步骤。存储器和处理器可以通过总线系统和/或其它形式的连接机构互连。
例如，处理器可以是中央处理单元(CPU)、图形处理单元(GPU)或者具有数据处理能力和/或程序执行能力的其它形式的处理单元。例如，中央处理单元(CPU)可以为X86或ARM架构等。处理器可以为通用处理器或专用处理器，可以控制计算机中的其它组件以执行期望的功能。
例如，存储器可以是易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、可擦除可编程只读存储器(EPROM)、紧凑型光盘只读储存器(CD-ROM)、USB存储器、闪存等。在存存储器上可以存储一个或多个程序模块，处理器可以运行一个或多个程序模块，以实现计算机的各种功能。
在一些实施例中，还提供一种存储介质，该存储介质用于存储非暂时性指令，当非暂时性指令由计算机执行时可以实现上述的用于地块精细化分割的深度学习网络模型训练方法、动态约束下的弱监督农田地块精细化分割方法中的一个或多个步骤。也就是本申请实施例提供的用于地块精细化分割的深度学习网络模型训练方法及系统、动态约束下的弱监督农田地块精细化分割方法及系统以软件的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。关于存储介质的相关说明可以参考上文计算机的存储器的相应描述，此处不再赘述。

Claims (10)

1.一种用于地块精细化分割的深度学习网络模型训练方法，其特征在于，包括：
获取训练所述深度学习网络模型的地块影像数据；
利用边缘探测算子计算所述地块影像数据的边缘信息；
将所述地块影像数据输入到经过通道数扩增的所述深度学习网络模型的主干网络来提取地块标签对应的各类特征，所述主干网络包括多个多特征残差模块，所述多特征残差模块包括多个不同感受野的卷积层；
每个所述多特征残差模块先利用所述多个不同感受野的卷积层以并行的方式提取输 入数据
Figure DEST_PATH_IMAGE001
的特征，然后通过通道级联的方式进行特征融合得到融合特征图
Figure DEST_PATH_IMAGE002
，对融合特征图
Figure 590553DEST_PATH_IMAGE002
进行降维操作，将降维操作后的融合特征图
Figure 916492DEST_PATH_IMAGE002
与输入数据
Figure DEST_PATH_IMAGE003
进行逐元素相加，得到特征图
Figure DEST_PATH_IMAGE004
；
所有所述多特征残差模块输出的特征图
Figure DEST_PATH_IMAGE005
构成特征空间
Figure DEST_PATH_IMAGE006
，将特征空间
Figure 391205DEST_PATH_IMAGE006
与所述边缘 信息进行特征融合，融合后的特征图经通道数压缩后得到预测概率图
Figure DEST_PATH_IMAGE007
；
根据所述主干网络每次预测的置信概率从粗标签中选择可信子集作为监督源，置信度 阈值
Figure DEST_PATH_IMAGE008
通过对预测概率图
Figure 714870DEST_PATH_IMAGE007
进行平均计算得到，根据
Figure DEST_PATH_IMAGE009
将
Figure 399667DEST_PATH_IMAGE007
划分
Figure DEST_PATH_IMAGE010
与
Figure DEST_PATH_IMAGE011
为两个子集；
利用损失函数对
Figure 466980DEST_PATH_IMAGE010
与
Figure 484615DEST_PATH_IMAGE011
同时进行监督，训练所述深度学习网络模型，直至训练达到 最大训练轮数或收敛；
训练结束后保存在训练过程中验证精度最优的参数组。
2.根据权利要求1所述的方法，其特征在于，利用多个所述多特征残差模块进行堆叠构 建所述主干网络以降低不准确标签与高分影像之间的空间分辨率差异带来的影响，所述多 特征残差模块利用小感受野卷积层提取不同尺度的特征，使用通道级联得到融合特征
Figure 41498DEST_PATH_IMAGE002
， 最后以残差形式对所述多特征残差模块的输入数据
Figure 479170DEST_PATH_IMAGE003
与融合特征
Figure 412491DEST_PATH_IMAGE002
进行融合得到特征图
Figure 284632DEST_PATH_IMAGE004
， 特征图
Figure 215679DEST_PATH_IMAGE004
表示为：
Figure DEST_PATH_IMAGE012
式中
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE014
、
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
分别为输入数据的长、宽、通道数，N为输入模块的
Figure DEST_PATH_IMAGE017
数量；
Figure DEST_PATH_IMAGE018
则是指输入通道数为
Figure DEST_PATH_IMAGE019
，输出通道数为
Figure 156959DEST_PATH_IMAGE016
的1*1卷积操作；
Figure 628392DEST_PATH_IMAGE002
描述为：
Figure DEST_PATH_IMAGE020
式中concat表示通道级联。
3.根据权利要求1所述的方法，其特征在于，利用损失函数对
Figure 587995DEST_PATH_IMAGE010
与
Figure 486681DEST_PATH_IMAGE011
同时进行监督， 训练所述深度学习网络模型的方法为：
利用特征空间
Figure 134831DEST_PATH_IMAGE006
约束
Figure 144376DEST_PATH_IMAGE010
与
Figure 522268DEST_PATH_IMAGE011
，
Figure 326275DEST_PATH_IMAGE006
描述为：
Figure DEST_PATH_IMAGE021
式中
Figure DEST_PATH_IMAGE022
代表第b个多特征残差模块得到的特征图；
按下式对
Figure 163519DEST_PATH_IMAGE010
与
Figure 976754DEST_PATH_IMAGE011
两者的类内方差进行修正以度量
Figure 943573DEST_PATH_IMAGE010
与
Figure 918483DEST_PATH_IMAGE011
之间的特征相似性
Figure DEST_PATH_IMAGE023
式中，
Figure DEST_PATH_IMAGE024
表示第b个特征中第l类的预测结果在特征空间预测图
Figure 243023DEST_PATH_IMAGE006
中的类内方差；
Figure DEST_PATH_IMAGE025
与
Figure DEST_PATH_IMAGE026
分别指
Figure 894DEST_PATH_IMAGE010
与
Figure 822220DEST_PATH_IMAGE011
在预测图
Figure 732144DEST_PATH_IMAGE006
中的像素占比；
Figure DEST_PATH_IMAGE027
、
Figure DEST_PATH_IMAGE028
与
Figure DEST_PATH_IMAGE029
分 别指
Figure 311024DEST_PATH_IMAGE010
、
Figure 200483DEST_PATH_IMAGE011
以及预测概率图
Figure 345157DEST_PATH_IMAGE007
在特征空间
Figure 160404DEST_PATH_IMAGE006
中对应的均值；
动态损失函数
Figure DEST_PATH_IMAGE030
表示为
Figure 288897DEST_PATH_IMAGE024
在所有类别和特征空间
Figure 982046DEST_PATH_IMAGE006
之间比例因子为
Figure DEST_PATH_IMAGE031
的和
Figure DEST_PATH_IMAGE032
损失函数由两部分组成，另一部分损失函数为交叉熵损失函数，记为
Figure DEST_PATH_IMAGE033
，其表达式 为：
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
式中，
Figure DEST_PATH_IMAGE036
表示像素i的标签值，
Figure DEST_PATH_IMAGE037
表示像素i对应的预测输出概率值；
损失函数表达式为：
Figure DEST_PATH_IMAGE038
。
4.一种用于地块精细化分割的深度学习网络模型训练系统，其特征在于，包括：
数据获取模块，其被配置为获取训练所述深度学习网络模型的地块影像数据；
边缘信息计算模块，其被配置为利用边缘探测算子计算所述地块影像数据的边缘信息；
主干网络，将所述地块影像数据输入到经过通道数扩增的所述深度学习网络模型的所 述主干网络来提取地块标签对应的各类特征，所述主干网络包括多个多特征残差模块，所 述多特征残差模块包括多个不同感受野的卷积层，每个所述多特征残差模块先利用所述多 个不同感受野的卷积层以并行的方式提取输入数据
Figure 964915DEST_PATH_IMAGE003
的特征，然后通过通道级联的方式进 行特征融合得到融合特征图
Figure 718107DEST_PATH_IMAGE002
，对融合特征图
Figure 301273DEST_PATH_IMAGE002
进行降维操作，将降维操作后的融合特征 图
Figure 532534DEST_PATH_IMAGE002
与输入数据
Figure 182958DEST_PATH_IMAGE003
进行逐元素相加，得到特征图
Figure 372631DEST_PATH_IMAGE004
，所有所述多特征残差模块输出的特征图
Figure 944558DEST_PATH_IMAGE004
构成特征空间
Figure 979510DEST_PATH_IMAGE006
，将特征空间
Figure 982976DEST_PATH_IMAGE006
与所述边缘信息进行特征融合，融合后的特征图经通道 数压缩后得到预测概率图
Figure 343550DEST_PATH_IMAGE007
，根据所述主干网络每次预测的置信概率从粗标签中选择可信 子集作为监督源，置信度阈值
Figure DEST_PATH_IMAGE039
通过对预测概率图
Figure 871614DEST_PATH_IMAGE007
进行平均计算得到，根据
Figure 444678DEST_PATH_IMAGE009
将
Figure 335274DEST_PATH_IMAGE007
划分
Figure 601170DEST_PATH_IMAGE010
与
Figure 177383DEST_PATH_IMAGE011
为两个子集，利用损失函数对
Figure 819716DEST_PATH_IMAGE010
与
Figure 502502DEST_PATH_IMAGE011
同时进行监督，训练所述深度学习网络模 型，直至训练达到最大训练轮数或收敛，训练结束后保存在训练过程中验证精度最优的参 数组。
5.根据权利要求4所述的系统，其特征在于，利用多个所述多特征残差模块进行堆叠构 建所述主干网络以降低不准确标签与高分影像之间的空间分辨率差异带来的影响，所述多 特征残差模块利用小感受野卷积层提取不同尺度的特征，使用通道级联得到融合特征
Figure 939299DEST_PATH_IMAGE002
， 最后以残差形式对所述多特征残差模块的输入数据
Figure 504273DEST_PATH_IMAGE003
与融合特征
Figure 684718DEST_PATH_IMAGE002
进行融合得到特征图
Figure 284327DEST_PATH_IMAGE004
， 特征图
Figure 593823DEST_PATH_IMAGE004
表示为：
Figure 646093DEST_PATH_IMAGE012
式中
Figure 364650DEST_PATH_IMAGE013
，
Figure 84345DEST_PATH_IMAGE014
、
Figure 862945DEST_PATH_IMAGE015
、
Figure 402510DEST_PATH_IMAGE016
分别为输入数据的长、宽、通道数，N为输入模块的
Figure 462494DEST_PATH_IMAGE017
数量；
Figure 771115DEST_PATH_IMAGE018
则是指输入通道数为
Figure 986196DEST_PATH_IMAGE019
，输出通道数为
Figure 747479DEST_PATH_IMAGE016
的1*1卷积操作；
Figure 73418DEST_PATH_IMAGE002
描述为：
Figure 439808DEST_PATH_IMAGE020
式中concat表示通道级联。
6.根据权利要求4所述的系统，其特征在于，利用损失函数对
Figure 560211DEST_PATH_IMAGE010
与
Figure 838483DEST_PATH_IMAGE011
同时进行监督， 训练所述深度学习网络模型的方法为：
利用特征空间
Figure 702534DEST_PATH_IMAGE006
约束
Figure 720169DEST_PATH_IMAGE010
与
Figure 480314DEST_PATH_IMAGE011
，
Figure 216189DEST_PATH_IMAGE006
描述为：
Figure 618351DEST_PATH_IMAGE021
式中
Figure 21651DEST_PATH_IMAGE022
代表第b个多特征残差模块得到的特征图；
按下式对
Figure 247971DEST_PATH_IMAGE010
与
Figure 205562DEST_PATH_IMAGE011
两者的类内方差进行修正以度量
Figure 880257DEST_PATH_IMAGE010
与
Figure 872484DEST_PATH_IMAGE011
之间的特征相似性
Figure 505591DEST_PATH_IMAGE023
式中，
Figure 216058DEST_PATH_IMAGE024
表示第b个特征中第l类的预测结果在特征空间预测图
Figure 491181DEST_PATH_IMAGE006
中的类内方差；
Figure 836450DEST_PATH_IMAGE025
与
Figure 906037DEST_PATH_IMAGE026
分别指
Figure 41483DEST_PATH_IMAGE010
与
Figure 854718DEST_PATH_IMAGE011
在预测图
Figure 87117DEST_PATH_IMAGE006
中的像素占比；
Figure 62026DEST_PATH_IMAGE027
、
Figure 747085DEST_PATH_IMAGE028
与
Figure 800230DEST_PATH_IMAGE029
分 别指
Figure 621555DEST_PATH_IMAGE010
、
Figure 767366DEST_PATH_IMAGE011
以及预测概率图
Figure 674142DEST_PATH_IMAGE007
在特征空间
Figure 94759DEST_PATH_IMAGE006
中对应的均值；
动态损失函数
Figure 770591DEST_PATH_IMAGE030
表示为
Figure 352882DEST_PATH_IMAGE024
在所有类别和特征空间
Figure 448752DEST_PATH_IMAGE006
之间比例因子为
Figure 141901DEST_PATH_IMAGE031
的和
Figure 937819DEST_PATH_IMAGE032
损失函数由两部分组成，另一部分损失函数为交叉熵损失函数，记为
Figure 956590DEST_PATH_IMAGE033
，其表达式 为：
Figure DEST_PATH_IMAGE040
Figure 41221DEST_PATH_IMAGE035
式中，
Figure 538061DEST_PATH_IMAGE036
表示像素i的标签值，
Figure 890283DEST_PATH_IMAGE037
表示像素i对应的预测输出概率值；
损失函数表达式为：
Figure 814377DEST_PATH_IMAGE038
。
7.一种动态约束下的弱监督农田地块精细化分割方法，其特征在于，包括：获取地块影像数据；将所述地块影像数据输入到深度学习网络模型对农田地块进行分割，所述深度学习网络模型利用权利要求1～3任一项所述的用于地块精细化分割的深度学习网络模型训练方法进行训练。
8.一种动态约束下的弱监督农田地块精细化分割系统，其特征在于，包括：数据获取模块，其被配置为获取地块影像数据；深度学习网络模型，将所述地块影像数据输入到该深度学习网络模型对农田地块进行分割，该深度学习网络模型利用权利要求4～6任一项所述的用于地块精细化分割的深度学习网络模型训练系统进行训练。
9.一种计算机，其特征在于，包括：
处理器；
存储器，包括一个或多个程序模块；
其中，所述一个或多个程序模块被存储在所述存储器中并被配置为由所述处理器执行，所述一个或多个程序模块包括用于实现权利要求1-3任一项所述的用于地块精细化分割的深度学习网络模型训练方法的指令。
10.一种存储介质，用于存储非暂时性指令，其特征在于，当所述非暂时性指令由处理器执行时能够实现权利要求1-3任一项所述的用于地块精细化分割的深度学习网络模型训练方法。
CN202211385434.9A 2022-11-07 2022-11-07 动态约束下的弱监督农田地块精细化分割方法及系统 Active CN115439654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211385434.9A CN115439654B (zh) 2022-11-07 2022-11-07 动态约束下的弱监督农田地块精细化分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211385434.9A CN115439654B (zh) 2022-11-07 2022-11-07 动态约束下的弱监督农田地块精细化分割方法及系统

Publications (2)

Publication Number Publication Date
CN115439654A true CN115439654A (zh) 2022-12-06
CN115439654B CN115439654B (zh) 2023-03-24

Family

ID=84252205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211385434.9A Active CN115439654B (zh) 2022-11-07 2022-11-07 动态约束下的弱监督农田地块精细化分割方法及系统

Country Status (1)

Country Link
CN (1) CN115439654B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721301A (zh) * 2023-08-10 2023-09-08 中国地质大学（武汉） 目标场景分类模型训练方法、分类方法、设备及存储介质
CN117593201A (zh) * 2024-01-18 2024-02-23 杭州稻道农业科技有限公司 一种基于高分卫星影像的小田并大田的整合方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781897A (zh) * 2019-10-22 2020-02-11 北京工业大学 一种基于深度学习的语义边缘检测方法
CN111275713A (zh) * 2020-02-03 2020-06-12 武汉大学 一种基于对抗自集成网络的跨域语义分割方法
CN112381097A (zh) * 2020-11-16 2021-02-19 西南石油大学 一种基于深度学习的场景语义分割方法
CN113989501A (zh) * 2021-10-22 2022-01-28 深圳大学 一种图像分割模型的训练方法及相关装置
CN114943876A (zh) * 2022-06-20 2022-08-26 南京信息工程大学 一种多级语义融合的云和云影检测方法、设备及存储介质
US11429664B1 (en) * 2022-03-21 2022-08-30 Verkada Inc. Hyperzoom attribute analytics on the edge

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781897A (zh) * 2019-10-22 2020-02-11 北京工业大学 一种基于深度学习的语义边缘检测方法
CN111275713A (zh) * 2020-02-03 2020-06-12 武汉大学 一种基于对抗自集成网络的跨域语义分割方法
CN112381097A (zh) * 2020-11-16 2021-02-19 西南石油大学 一种基于深度学习的场景语义分割方法
CN113989501A (zh) * 2021-10-22 2022-01-28 深圳大学 一种图像分割模型的训练方法及相关装置
US11429664B1 (en) * 2022-03-21 2022-08-30 Verkada Inc. Hyperzoom attribute analytics on the edge
CN114943876A (zh) * 2022-06-20 2022-08-26 南京信息工程大学 一种多级语义融合的云和云影检测方法、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAI HUAN等: "MAENet: Multiple Attention Encoder–Decoder Network for Farmland Segmentation of Remote Sensing Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
曾薪鑫，张洪艳: "基于多尺度语义信息增强的农田地块提取网络", 《电子科技》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721301A (zh) * 2023-08-10 2023-09-08 中国地质大学（武汉） 目标场景分类模型训练方法、分类方法、设备及存储介质
CN116721301B (zh) * 2023-08-10 2023-10-24 中国地质大学（武汉） 目标场景分类模型训练方法、分类方法、设备及存储介质
CN117593201A (zh) * 2024-01-18 2024-02-23 杭州稻道农业科技有限公司 一种基于高分卫星影像的小田并大田的整合方法

Also Published As

Publication number Publication date
CN115439654B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN115439654B (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
CN114120102A (zh) 边界优化的遥感图像语义分割方法、装置、设备及介质
CN109086811B (zh) 多标签图像分类方法、装置及电子设备
Deng et al. Deep learning-based automatic detection of productive tillers in rice
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
Narisetti et al. Semi-automated root image analysis (saRIA)
CN113780296A (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
Wang et al. Field rice panicle detection and counting based on deep learning
CN110751644B (zh) 道路表面裂纹检测方法
Yuan et al. A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
US11790410B2 (en) System and method for natural capital measurement
CN113111947B (zh) 图像处理方法、装置和计算机可读存储介质
Yue et al. Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram
CN114821102A (zh) 密集柑橘数量检测方法、设备、存储介质及装置
CN110852358A (zh) 一种基于深度学习的车辆类型判别方法
Narisetti et al. Fully-automated root image analysis (faRIA)
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
Deb et al. LS-Net: A convolutional neural network for leaf segmentation of rosette plants
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
Oga et al. River state classification combining patch-based processing and CNN
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN113313169A (zh) 基于深度学习的训练素材智能识别方法、装置和设备

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