CN115641511A - 一种基于感受野提升网络的遥感图像野外建筑分割方法 - Google Patents
一种基于感受野提升网络的遥感图像野外建筑分割方法 Download PDFInfo
- Publication number
- CN115641511A CN115641511A CN202211532677.0A CN202211532677A CN115641511A CN 115641511 A CN115641511 A CN 115641511A CN 202211532677 A CN202211532677 A CN 202211532677A CN 115641511 A CN115641511 A CN 115641511A
- Authority
- CN
- China
- Prior art keywords
- output
- representing
- receptive field
- module
- field
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种基于感受野提升网络的遥感图像野外建筑分割方法,包括:获取遥感野外建筑图像,根据感受野提升网络得到特征图像,将所述特征图像输入至野外建筑分割网络,得到分割结果。本发明没有使用下采样‑上采样的整体架构,而采取平铺式的网络整体架构,从而避免了信息丢失特征损失的问题;通过构建融合串行与并行双链路的感受野提升模块,并将其为主体构成了本发明所述网络,极大地增大了网络的感受野,使得网络能够在面对较大地面覆盖区域、建筑物数量较少且分布稀疏的情况时,能够参考的更多,考虑的更多,提高对野外遥感图像的建筑物的分割精度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于感受野提升网络的遥感图像野外建筑分割方法。
背景技术
对于建筑物观测是遥感图像中重要的地物信息内容,在城市建设规划、土地利用情况检测统计中起到了重要的作用。近年来,随着深度学习技术的发展,基于深度神经网络进行遥感图像中建筑物的提取分割得到了广泛的研究兴趣,许多此类方法得以提出。
目前有许多基于深度神经网络的遥感图像建筑物提取分割方法,且取得了较好的表现。然而,这些方法主要面向建筑物分布较为集中、密集的地面区域,如城市街区。然而,在面向建筑物分布较为稀疏的地面场景时,比如野外,这些方法仍存在提取分割精度不高的问题。其原因主要包括:(1)其深度网络大多整体上采取-下采样的计算操作,而在进行下采样(例如池化)时,往往存在着信息丢失的问题,进而使得某些细小建筑物被忽略或错检;(2)其深度网络往往感受野较小,无法对较大区域内数量较少分布稀疏的建筑物得到感知。因此,为实现对于建筑物数量较少、分布较为稀疏的遥感图像建筑物分割,本发明提出了一种基于串并行感受野提升网络的遥感图像野外建筑分割方法。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题,提供一种基于感受野提升网络的遥感图像野外建筑分割方法。
为实现上述目的,本发明提供的一种基于感受野提升网络的遥感图像野外建筑分割方法,包括:
获取遥感野外建筑图像;
根据感受野提升网络得到特征图像;
将所述特征图像输入至野外建筑分割网络,得到分割结果。
根据本发明的一个方面,所述根据感受野提升网络得到特征图像的方法为:
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块,将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像;
对所述遥感野外建筑图像进行预处理,其公式为,
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块,其公式为,
将通过叠加模块后的输出进行精细化处理,其公式为,
对精细化处理后的输出进行第一次特征提取,其公式为,
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出,其公式为,
对跳转连接后的输出进行第二次特征提取,其公式为,
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像,其公式为,
根据本发明的一个方面,使用所述感受野提升模块的方法进一步包括,
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路,将通过第二个所述卷积模块后的输出进行预处理,其公式为,
根据本发明的一个方面,将通过预处理后的特征输入至所述并行感受野提升链路,所述并行感受野提升链路包含四条并行分支,将预处理后的特征输入至四条并行分支,其公式为,
对通过四条并行分支后的输出进行通道级别的叠加操作,其公式为,
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果,其公式为,
根据本发明的一个方面,将通过预处理后的特征输入至所述串行感受野提升链路,所述串行感受野提升链路包含三个串联组件,将预处理后的特征依次输入至三个串联组件,其公式为,
根据本发明的一个方面,叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过三个组件后的输出,其公式为,
进行跳转后,得到通过所述感受野提升模块的输出,其公式为,
根据本发明的一个方面,使用二元交叉熵损失函数对所述野外建筑分割网络进行训练,其中公式为,
为实现上述目的,本发明提供一种基于感受野提升网络的遥感图像野外建筑分割系统,包括:
遥感野外建筑图像获取模块:获取遥感野外建筑图像;
特征图像获取模块:根据感受野提升网络得到特征图像;
分割结果获取模块:将所述特征图像输入至野外建筑分割网络,得到分割结果。
为实现上述目的,本发明提供一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,计算机程序被处理器执行时实现上述针对一种基于感受野提升网络的遥感图像野外建筑分割方法。
为实现上述目的,本发明提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述针对一种基于感受野提升网络的遥感图像野外建筑分割方法。
基于此,本发明的有益效果在于:
(1)没有使用下采样-上采样的整体架构,而采取平铺式的网络整体架构,从而避免了信息丢失特征损失的问题;
(2)通过构建融合串行与并行双链路的感受野提升模块,并将其为主体构成了本发明所述网络,极大地增大了网络的感受野,使得网络能够在面对较大地面覆盖区域、建筑物数量较少且分布稀疏的情况时,能够参考的更多,考虑的更多,提高对野外遥感图像的建筑物的分割精度。
附图说明
图1示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的流程图;
图2示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升网络的流程图;
图3示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升模块的结构图;
图4示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容,应当理解,论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容,而不是暗示对本发明的范围的任何限制。
如本文中所使用的,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”,术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的流程图,如图1所示,本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法,包括:
获取遥感野外建筑图像;
根据感受野提升网络得到特征图像;
将所述特征图像输入至野外建筑分割网络,得到分割结果。
根据本发明的一个实施方式,图2示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升网络的流程图,如图2所示,所述根据感受野提升网络得到特征图像的方法为:
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块,将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像;
对所述遥感野外建筑图像进行预处理,其公式为,
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块,其公式为,
将通过叠加模块后的输出进行精细化处理,其公式为,
对精细化处理后的输出进行第一次特征提取,其公式为,
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出,其公式为,
对跳转连接后的输出进行第二次特征提取,其公式为,
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像,其公式为,
根据本发明的一个实施方式,图3示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升模块的结构图,如图3所示,使用所述感受野提升模块的方法进一步包括,
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路,将通过第二个所述卷积模块后的输出进行预处理,其公式为,
根据本发明的一个实施方式,将通过预处理后的特征输入至所述并行感受野提升链路,所述并行感受野提升链路包含四条并行分支,将预处理后的特征输入至四条并行分支,其公式为,
对通过四条并行分支后的输出进行通道级别的叠加操作,其公式为,
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果,其公式为,
根据本发明的一个实施方式,将通过预处理后的特征输入至所述串行感受野提升链路,所述串行感受野提升链路包含三个串联组件,将预处理后的特征依次输入至三个串联组件,其公式为,
根据本发明的一个实施方式,叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过三个组件后的输出,其公式为,
进行跳转后,得到通过所述感受野提升模块的输出,其公式为,
根据本发明的一个实施方式,使用二元交叉熵损失函数对所述野外建筑分割网络进行训练,其中公式为,
不仅如此,为实现上述发明目的,本发明还提供一种基于感受野提升网络的遥感图像野外建筑分割系统,图4示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割系统的流程图,如图4所示,根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割系统,该系统包括:
遥感野外建筑图像获取模块:获取遥感野外建筑图像;
特征图像获取模块:根据感受野提升网络得到特征图像;
分割结果获取模块:将所述特征图像输入至野外建筑分割网络,得到分割结果。
根据本发明的一个实施方式,图2示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升网络的流程图,如图2所示,所述根据感受野提升网络得到特征图像的方法为:
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块,将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像;
对所述遥感野外建筑图像进行预处理,其公式为,
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块,其公式为,
将通过叠加模块后的输出进行精细化处理,其公式为,
对精细化处理后的输出进行第一次特征提取,其公式为,
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出,其公式为,
对跳转连接后的输出进行第二次特征提取,其公式为,
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像,其公式为,
根据本发明的一个实施方式,图3示意性表示根据本发明的一种基于感受野提升网络的遥感图像野外建筑分割方法的感受野提升模块的结构图,如图3所示,使用所述感受野提升模块的方法进一步包括,
所述感受野提升模块包含并行感受野提升链路和串行感受野提升链路,将通过第二个所述卷积模块后的输出进行预处理,其公式为,
根据本发明的一个实施方式,将通过预处理后的特征输入至所述并行感受野提升链路,所述并行感受野提升链路包含四条并行分支,将预处理后的特征输入至四条并行分支,其公式为,
对通过四条并行分支后的输出进行通道级别的叠加操作,其公式为,
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果,其公式为,
根据本发明的一个实施方式,将通过预处理后的特征输入至所述串行感受野提升链路,所述串行感受野提升链路包含三个串联组件,将预处理后的特征依次输入至三个串联组件,其公式为,
根据本发明的一个实施方式,叠加通过预处理后的特征输入、通过所述并行感受野提升链路后的计算结果和通过三个组件后的输出,其公式为,
进行跳转后,得到通过所述感受野提升模块的输出,其公式为,
根据本发明的一个实施方式,使用二元交叉熵损失函数对所述野外建筑分割网络进行训练,其中公式为,
为实现上述发明目的,本发明还提供一种电子设备,该电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,计算机程序被处理器执行时实现上述一种基于感受野提升网络的遥感图像野外建筑分割方法。
为实现上述发明目的,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述一种基于感受野提升网络的遥感图像野外建筑分割方法。
基于此,本发明的有益效果在于,没有使用下采样-上采样的整体架构,而采取平铺式的网络整体架构,从而避免了信息丢失特征损失的问题;通过构建融合串行与并行双链路的感受野提升模块,并将其为主体构成了本发明所述网络,极大地增大了网络的感受野,使得网络能够在面对较大地面覆盖区域、建筑物数量较少且分布稀疏的情况时,能够参考的更多,考虑的更多,提高对野外遥感图像的建筑物的分割精度。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外,在本发明实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的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,本申请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所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。例如上述特征与本申请中公开的(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。
应理解,本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
Claims (10)
1.一种基于感受野提升网络的遥感图像野外建筑分割方法,其特征在于,包括:
获取遥感野外建筑图像;
根据感受野提升网络得到特征图像;
将所述特征图像输入至野外建筑分割网络,得到分割结果。
2.根据权利要求1所述的一种基于感受野提升网络的遥感图像野外建筑分割方法,其特征在于,所述根据感受野提升网络得到特征图像的方法为:
所述感受野提升网络包含融合串行与并行双链路的感受野提升模块、卷积模块和叠加模块,将所述遥感野外建筑图像输入至所述感受野提升模块得到所述特征图像;
对所述遥感野外建筑图像进行预处理,其公式为,
将通过第二个所述卷积模块后的输出依次输出入至三个所述感受野提升模块,其公式为,
将通过叠加模块后的输出进行精细化处理,其公式为,
对精细化处理后的输出进行第一次特征提取,其公式为,
跳转连接通过第一次特征提取后的输出和表示通过第一个所述卷积模块后的输出,其公式为,
对跳转连接后的输出进行第二次特征提取,其公式为,
对第二次特征提取后的输出进行Sigmoid激活处理得到所述特征图像,其公式为,
4.根据权利要求3所述的一种基于感受野提升网络的遥感图像野外建筑分割方法,其特征在于,将通过预处理后的特征输入至所述并行感受野提升链路,所述并行感受野提升链路包含四条并行分支,将预处理后的特征输入至四条并行分支,其公式为,
对通过四条并行分支后的输出进行通道级别的叠加操作,其公式为,
对叠加后的输出进行精细化处理得到通过所述并行感受野提升链路后的计算结果,其公式为,
8.一种基于感受野提升网络的遥感图像野外建筑分割系统,其特征在于,包括:
遥感野外建筑图像获取模块:获取遥感野外建筑图像;
特征图像获取模块:根据感受野提升网络得到特征图像;
分割结果获取模块:将所述特征图像输入至野外建筑分割网络,得到分割结果。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的一种基于感受野提升网络的遥感图像野外建筑分割方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种基于感受野提升网络的遥感图像野外建筑分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532677.0A CN115641511B (zh) | 2022-12-02 | 2022-12-02 | 一种基于感受野提升网络的遥感图像野外建筑分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532677.0A CN115641511B (zh) | 2022-12-02 | 2022-12-02 | 一种基于感受野提升网络的遥感图像野外建筑分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641511A true CN115641511A (zh) | 2023-01-24 |
CN115641511B CN115641511B (zh) | 2023-03-28 |
Family
ID=84948432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211532677.0A Active CN115641511B (zh) | 2022-12-02 | 2022-12-02 | 一种基于感受野提升网络的遥感图像野外建筑分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641511B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130575A1 (en) * | 2017-10-30 | 2019-05-02 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
US11308714B1 (en) * | 2018-08-23 | 2022-04-19 | Athenium Llc | Artificial intelligence system for identifying and assessing attributes of a property shown in aerial imagery |
CN114612493A (zh) * | 2022-03-07 | 2022-06-10 | 南京理工大学 | 基于fpga的脉冲神经网路图像分割方法 |
CN114612782A (zh) * | 2022-03-15 | 2022-06-10 | 哈尔滨理工大学 | 一种基于遥感影像的建筑物检测系统 |
CN114764856A (zh) * | 2021-01-13 | 2022-07-19 | 华为技术有限公司 | 图像语义分割方法和图像语义分割装置 |
CN114821069A (zh) * | 2022-05-27 | 2022-07-29 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
CN114998587A (zh) * | 2022-05-25 | 2022-09-02 | 西安建筑科技大学 | 一种遥感影像建筑物语义分割方法及系统 |
-
2022
- 2022-12-02 CN CN202211532677.0A patent/CN115641511B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190130575A1 (en) * | 2017-10-30 | 2019-05-02 | Beijing Curacloud Technology Co., Ltd. | Systems and methods for image segmentation using a scalable and compact convolutional neural network |
US11308714B1 (en) * | 2018-08-23 | 2022-04-19 | Athenium Llc | Artificial intelligence system for identifying and assessing attributes of a property shown in aerial imagery |
CN114764856A (zh) * | 2021-01-13 | 2022-07-19 | 华为技术有限公司 | 图像语义分割方法和图像语义分割装置 |
CN114612493A (zh) * | 2022-03-07 | 2022-06-10 | 南京理工大学 | 基于fpga的脉冲神经网路图像分割方法 |
CN114612782A (zh) * | 2022-03-15 | 2022-06-10 | 哈尔滨理工大学 | 一种基于遥感影像的建筑物检测系统 |
CN114998587A (zh) * | 2022-05-25 | 2022-09-02 | 西安建筑科技大学 | 一种遥感影像建筑物语义分割方法及系统 |
CN114821069A (zh) * | 2022-05-27 | 2022-07-29 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115641511B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347859B (zh) | 一种光学遥感图像显著性目标检测方法 | |
CN112991354A (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
CN112561876B (zh) | 基于图像的池塘和水库的水质检测方法及系统 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
CN110543890A (zh) | 一种基于特征金字塔的深度神经网络图像匹配方法 | |
CN113034505A (zh) | 一种基于边缘感知网络的腺体细胞图像分割方法及装置 | |
CN112017192A (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN116797787B (zh) | 基于跨模态融合与图神经网络的遥感影像语义分割方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN112861931A (zh) | 一种基于差异注意力神经网络的多级别变化检测方法 | |
CN113298817A (zh) | 一种准确率高的遥感图像语义分割方法 | |
CN109766918A (zh) | 基于多层次上下文信息融合的显著性物体检测方法 | |
CN113553973A (zh) | 一种基于双向注意力的伪装物体检测方法 | |
CN113222819A (zh) | 一种基于深度卷积神经网络的遥感图像超分辨重建方法 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN116543165B (zh) | 一种基于双通道复合深度网络的遥感图像果树分割方法 | |
Hu et al. | Supervised multi-scale attention-guided ship detection in optical remote sensing images | |
CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
CN112330562A (zh) | 一种异构遥感图像变换方法及系统 | |
CN117058367A (zh) | 高分辨率遥感影像建筑物语义分割方法及装置 | |
CN115641511A (zh) | 一种基于感受野提升网络的遥感图像野外建筑分割方法 | |
CN115482463A (zh) | 一种生成对抗网络矿区土地覆盖识别方法及系统 | |
CN113887470B (zh) | 基于多任务注意力机制的高分辨率遥感图像地物提取方法 | |
CN116012702A (zh) | 一种遥感影像场景级变化检测方法 | |
CN115861818A (zh) | 基于注意力机制联合卷积神经网络的细小水体提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |