CN115984705B - 一种基于卷积网络的大幅遥感网络图像桥梁分割方法 - Google Patents
一种基于卷积网络的大幅遥感网络图像桥梁分割方法 Download PDFInfo
- Publication number
- CN115984705B CN115984705B CN202310119584.3A CN202310119584A CN115984705B CN 115984705 B CN115984705 B CN 115984705B CN 202310119584 A CN202310119584 A CN 202310119584A CN 115984705 B CN115984705 B CN 115984705B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- recalibration
- image
- network
- scale remote
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 21
- 230000010339 dilation Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000020411 cell activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种基于卷积网络的大幅遥感网络图像桥梁分割方法,包括:通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理;通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像。本发明提出的多层重校准扩张卷积网络能够由浅入深地、感受野由小变大地提取大幅遥感图像的不同尺度的特征,同时能够相应地在不同深度和不同大小感受野时提取相应地特征权重,进而对特征进行重校准。从而能够在大幅遥感图像中,准确地对占幅比较很小的桥梁区域进行分割。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
背景技术
桥梁是采用遥感图像进行地面监测的重要内容之一,在军事和民事上均有着广泛的应用和实际意义。目前基于深度学习的遥感图像分割方法主要集中于一些典型目标,包括陆地、农田、水面等。而桥梁目标具有独特的特点,往往桥梁目标在遥感图像,尤其是大幅遥感图像中的占比很小,且呈现细长状、条状。这使得现有的方法难以在通过大幅遥感图像对桥梁目标实现高精度的分割。
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,提供一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
为实现上述目的,本发明提供的一种基于卷积网络的大幅遥感网络图像桥梁分割方法,包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理;
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像;
其中,重校准扩张卷积网络包括编码器和解码器;
编码器由重校准扩张卷积模块和最大池化操作组成。
根据本发明的一个方面,大幅遥感网络图像桥梁分割方法还包括:
对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练;
基于训练后的重校准扩张卷积网络对大幅遥感图像进行桥梁分割测试,得到分割测试后的大幅遥感图像。
根据本发明的一个方面,通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行重校准处理的过程可形式化的总结为,
根据本发明的一个方面,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像包括:
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割过程中,包括五个编码器和五个解码器对大幅遥感图像的处理过程;
五个编码器均由一个重校准扩张卷积模块和一个最大化操作构成,五个编码器设置的扩张率分别为1、2、4、8和16,五个编码器前后衔接,前一个的输出即为下一个的输入,通过五个编码器的处理过程形式化的表示为,
五个解码器均由一个重校准扩张卷积模块和一个转置卷积组成,五个解码器前后衔接,通过五个解码器的处理过程形式化的表示为,
其中,第一个解码器的输入为第五个编码器的输出,第二个至第五个解码器各自的输入分别为前一个解码器的第二特征和相同级别编码器的第二特征的通道叠加结果,第五个解码器的第二特征即为重校准扩张卷积网络最终输出。
根据本发明的一个方面,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像的过程形式化的总结为:
根据本发明的一个方面,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
采用二元交叉熵损失和骰子损失构成总体损失函数并对重校准扩张卷积网络进行训练,具体过程表示为,
通过总体损失函数对重校准扩张卷积网络进行桥梁分割训练,总体损失下降趋势达到稳定时,重校准扩张卷积网络训练完毕。
根据本发明的一个方面,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
利用训练完毕的重校准扩张卷积网络,对测试的大幅遥感图像进行桥梁分割预测,该过程形式化的表示为,
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上述针对一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
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卷积网络的大幅遥感网络图像桥梁分割方法。
基于此,本发明的有益效果在于:
本发明提出的多层重校准扩张卷积网络能够由浅入深地、感受野由小变大地提取大幅遥感图像的不同尺度的特征,同时能够相应地在不同深度和不同大小感受野时提取相应地特征权重,进而对特征进行重校准。从而能够在大幅遥感图像中,准确地对占幅比较很小的桥梁区域进行分割。
附图说明
图1示意性表示根据本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法的流程图;
图2示意性表示根据本发明的注意力重校准扩张卷积模块示意图;
图3示意性表示根据本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法的结构示意图。
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卷积网络的大幅遥感网络图像桥梁分割方法的流程图,图2示意性表示根据本发明的注意力重校准扩张卷积模块示意,图3示意性表示根据本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法的结构示意图;如图1所示,本发明的一种基于卷积网络的大幅遥感网络图像桥梁分割方法,包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理;
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像;
其中,重校准扩张卷积网络包括编码器和解码器;
编码器由重校准扩张卷积模块和最大池化操作组成。
根据本发明的一个实施方式,大幅遥感网络图像桥梁分割方法还包括:
对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练;
基于训练后的重校准扩张卷积网络对大幅遥感图像进行桥梁分割测试,得到分割测试后的大幅遥感图像。
根据本发明的一个实施方式,通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行重校准处理的过程可形式化的总结为,
根据本发明的一个实施方式,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像包括:
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割过程中,包括五个编码器和五个解码器对大幅遥感图像的处理过程;
五个编码器均由一个重校准扩张卷积模块和一个最大化操作构成,五个编码器设置的扩张率分别为1、2、4、8和16,五个编码器前后衔接,前一个的输出即为下一个的输入,通过五个编码器的处理过程形式化的表示为,
五个解码器均由一个重校准扩张卷积模块和一个转置卷积组成,五个解码器前后衔接,通过五个解码器的处理过程形式化的表示为,
其中,第一个解码器的输入为第五个编码器的输出,第二个至第五个解码器各自的输入分别为前一个解码器的第二特征和相同级别编码器的第二特征的通道叠加结果,第五个解码器的第二特征即为重校准扩张卷积网络最终输出。
根据本发明的一个实施方式,通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像的过程形式化的总结为:
根据本发明的一个实施方式,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
采用二元交叉熵损失和骰子损失构成总体损失函数并对重校准扩张卷积网络进行训练,具体过程表示为,
通过总体损失函数对重校准扩张卷积网络进行桥梁分割训练,总体损失下降趋势达到稳定时,重校准扩张卷积网络训练完毕。
根据本发明的一个实施方式,对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练包括:
利用训练完毕的重校准扩张卷积网络,对测试的大幅遥感图像进行桥梁分割预测,该过程形式化的表示为,
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一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
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卷积网络的大幅遥感网络图像桥梁分割方法。
基于此,本发明的有益效果在于,本发明提出的多层重校准扩张卷积网络能够由浅入深地、感受野由小变大地提取大幅遥感图像的不同尺度的特征,同时能够相应地在不同深度和不同大小感受野时提取相应地特征权重,进而对特征进行重校准。从而能够在大幅遥感图像中,准确地对占幅比较很小的桥梁区域进行分割。
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 (7)
1.一种基于卷积网络的大幅遥感网络图像桥梁分割方法,其特征在于,所述大幅遥感网络图像桥梁分割方法包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理;
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像;
其中,重校准扩张卷积网络包括编码器和解码器;
编码器由重校准扩张卷积模块和最大池化操作组成;通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行特征校准处理包括:
通过重校准扩张卷积模块对大幅遥感网络图像第一特征进行重校准处理的过程可形式化的总结为,
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割,得到分割后的大幅遥感图像包括:
通过重校准扩张卷积网络对大幅遥感图像进行桥梁分割过程中,包括五个编码器和五个解码器对大幅遥感图像的处理过程;
五个编码器均由一个重校准扩张卷积模块和一个最大化操作构成,五个编码器设置的扩张率分别为1、2、4、8和16,五个编码器前后衔接,前一个的输出即为下一个的输入,通过五个编码器的处理过程形式化的表示为,
五个解码器均由一个重校准扩张卷积模块和一个转置卷积组成,五个解码器前后衔接,通过五个解码器的处理过程形式化的表示为,
2.根据权利要求1所述的大幅遥感网络图像桥梁分割方法,其特征在于,大幅遥感网络图像桥梁分割方法还包括:
对重校准扩张卷积网络进行大幅遥感网络图像桥梁分割训练;
基于训练后的重校准扩张卷积网络对大幅遥感图像进行桥梁分割测试,得到分割测试后的大幅遥感图像。
6.一种电子设备,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5中任一项所述的一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
7.一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5中任一项所述的一种基于卷积网络的大幅遥感网络图像桥梁分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310119584.3A CN115984705B (zh) | 2023-02-16 | 2023-02-16 | 一种基于卷积网络的大幅遥感网络图像桥梁分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310119584.3A CN115984705B (zh) | 2023-02-16 | 2023-02-16 | 一种基于卷积网络的大幅遥感网络图像桥梁分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984705A CN115984705A (zh) | 2023-04-18 |
CN115984705B true CN115984705B (zh) | 2023-06-13 |
Family
ID=85963238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310119584.3A Active CN115984705B (zh) | 2023-02-16 | 2023-02-16 | 一种基于卷积网络的大幅遥感网络图像桥梁分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984705B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10402943B2 (en) * | 2016-10-20 | 2019-09-03 | Htc Corporation | Image enhancement device and method for convolutional network apparatus |
CN114022785A (zh) * | 2021-11-15 | 2022-02-08 | 中国华能集团清洁能源技术研究院有限公司 | 一种遥感影像语义分割方法、系统、设备及存储介质 |
CN114187520B (zh) * | 2021-12-15 | 2022-09-27 | 中国科学院地理科学与资源研究所 | 一种建筑物提取模型的构建及应用方法 |
CN115700763A (zh) * | 2022-10-26 | 2023-02-07 | 中国电子科技集团公司第五十四研究所 | 一种应用于高分辨率遥感图像的端到端语义分割方法 |
-
2023
- 2023-02-16 CN CN202310119584.3A patent/CN115984705B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115984705A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN111242037B (zh) | 基于结构信息的车道线检测方法 | |
CN109376804B (zh) | 基于注意力机制和卷积神经网络高光谱遥感图像分类方法 | |
CN108171701B (zh) | 基于u网络和对抗学习的显著性检测方法 | |
CN112184577B (zh) | 基于多尺度自注意生成对抗网络的单幅图像去雾方法 | |
CN108345827B (zh) | 识别文档方向的方法、系统和神经网络 | |
CN107220606A (zh) | 基于一维卷积神经网络的雷达辐射源信号的识别方法 | |
CN112862774B (zh) | 一种遥感影像建筑物精确分割方法 | |
CN110060286B (zh) | 一种单目深度估计方法 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN112801280A (zh) | 视觉深度自适应神经网络的一维卷积位置编码方法 | |
CN112017192A (zh) | 基于改进U-Net网络的腺体细胞图像分割方法及系统 | |
CN115953303A (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
CN116258874A (zh) | 基于深度条件扩散网络的sar识别数据库样本姿态扩充方法 | |
CN114998756A (zh) | 一种基于yolov5的遥感图像检测方法、装置及存储介质 | |
CN114529793A (zh) | 一种基于门控循环特征融合的深度图像修复系统及方法 | |
CN112800851B (zh) | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 | |
CN115984705B (zh) | 一种基于卷积网络的大幅遥感网络图像桥梁分割方法 | |
CN116109829B (zh) | 一种基于融合网络的珊瑚礁水域图像分割方法 | |
CN110517272B (zh) | 基于深度学习的血细胞分割方法 | |
CN116681978A (zh) | 一种基于注意力机制和多尺度特征融合的显著性目标检测方法 | |
CN112215241B (zh) | 一种基于小样本学习的图像特征提取装置 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及系统 | |
CN113989507A (zh) | 一种水下图像语义分割模型及分割方法 |
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 |