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 PDFInfo
- 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
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
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,对融合特
征图进行降维操作,将降维操作后的融合特征图与输入数据(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;
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,对融合特征图进行降维操作,将降维操作后的融
合特征图与输入数据进行逐元素相加,得到特征图,所有所述多特征残差模块输出的
特征图构成特征空间,将特征空间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,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,置信度阈值通过对预测概率图进行平均计算得到,根据将
划分与为两个子集,利用损失函数对与同时进行监督,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。
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。置信度阈值通过对预测概率图进行平均计算得到,由此可将划分与为两个子集,如式(4)所
示。
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,用
于描述粗标签的类内不变性,对样本选择模块中的与同时起到监督作用。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对使用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将用于约束与,可描述为:
因此,最后网络的损失函数表达式如式(9)所示。
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,对融合特征图进行降维操作,将降维操作后的融合特征图与输入数据进行逐元素相加,得到特征图;
训练结束后保存在训练过程中验证精度最优的参数组。
损失函数表达式为:
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,对融合特征图进行降维操作,将降维操作后的融合特征
图与输入数据进行逐元素相加,得到特征图,所有所述多特征残差模块输出的特征图构成特征空间,将特征空间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,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,置信度阈值通过对预测概率图进行平均计算得到,根据将划分
与为两个子集,利用损失函数对与同时进行监督,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。
损失函数表达式为:
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。
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)
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)
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 |
-
2022
- 2022-11-07 CN CN202211385434.9A patent/CN115439654B/zh active Active
Patent Citations (6)
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)
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)
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 |