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 PDF

Info

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
Application number
CN202310119584.3A
Other languages
English (en)
Other versions
CN115984705A (zh
Inventor
李冠群
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.)
Genyu Muxing Beijing Space Technology Co ltd
Original Assignee
Genyu Muxing Beijing Space 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 Genyu Muxing Beijing Space Technology Co ltd filed Critical Genyu Muxing Beijing Space Technology Co ltd
Priority to CN202310119584.3A priority Critical patent/CN115984705B/zh
Publication of CN115984705A publication Critical patent/CN115984705A/zh
Application granted granted Critical
Publication of CN115984705B publication Critical patent/CN115984705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于卷积网络的大幅遥感网络图像桥梁分割方法
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：
在重校准扩张卷积模块下采样空间内采用卷积进行预处理，并使用双线性插值使重校准扩张卷积模块上采样回原始的空间尺寸，再使用
Figure SMS_1
函数提取权重；该过程形式化的表示为，
Figure SMS_2
；
其中，
Figure SMS_3
表示大幅遥感网络图像第一特征，
Figure SMS_4
表示进入下采样空间所采用的平均池化，
Figure SMS_5
表示在下采样空间内进行预处理而使用的卷积，
Figure SMS_6
表示双线性插值操作，/>
Figure SMS_7
表示提取到的校准所用的权重；
提取权重后利用矿长率为
Figure SMS_8
的扩张卷积对大幅遥感网络图像第一特征进行精细处理，再利用权重进行重校准处理，最后采用修正线性单元得到重校准扩张卷积模块的大幅遥感网络图像第二特征，该过程形式化的表示为，
Figure SMS_9
；
其中，
Figure SMS_10
表示扩张率为/>
Figure SMS_11
的扩张卷积，
Figure SMS_12
和/>
Figure SMS_13
分别表示两个特征矩阵间的对应元素相乘和相加，
Figure SMS_14
表示修正线性单元激活层；
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，
Figure SMS_15
；
其中，
Figure SMS_16
表示采用扩张率为/>
Figure SMS_17
的扩张卷积的重校准扩张卷积模块，
Figure SMS_18
表示重校准扩张卷积模块的大幅遥感网络图像第二特征。
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，
Figure SMS_19
；
Figure SMS_20
；
Figure SMS_21
；
Figure SMS_22
；
Figure SMS_23
；
其中，
Figure SMS_24
表示最大池化操作，
Figure SMS_25
表示大幅遥感网络图像，
Figure SMS_26
，/>
Figure SMS_27
，/>
Figure SMS_28
，/>
Figure SMS_29
，/>
Figure SMS_30
分别为第一个、第二个、第三个、第四个和第五个编码器的第二特征；
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，
Figure SMS_31
；
Figure SMS_32
；
Figure SMS_33
；
Figure SMS_34
；
Figure SMS_35
；/>
其中，
Figure SMS_36
表示转置卷积，
Figure SMS_37
表示多个特征的通道叠加操作，
Figure SMS_38
，/>
Figure SMS_39
，/>
Figure SMS_40
，/>
Figure SMS_41
，/>
Figure SMS_42
分别表示第一个、第二个、第三个、第四个和第五个解码器的第二特征；
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
Figure SMS_43
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：
Figure SMS_44
；
其中，
Figure SMS_45
表示多层重校准扩张卷积网络，
Figure SMS_46
表示与输入大幅遥感图像/>
Figure SMS_47
对应的输出结果。
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，
Figure SMS_48
；
Figure SMS_49
；
Figure SMS_50
；
其中，
Figure SMS_51
表示与用于训练的大幅遥感图像/>
Figure SMS_52
相对应的桥梁分割标签，
Figure SMS_53
表示二元交叉熵计算操作，
Figure SMS_54
表示骰子系数计算操作，
Figure SMS_55
表示二元交叉熵损失，
Figure SMS_56
表示骰子损失，
Figure SMS_57
示总体损失；
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，
Figure SMS_58
；
其中，
Figure SMS_59
表示待测试的大幅遥感图像，
Figure SMS_60
表示训练完毕的重校准扩张卷积网络，
Figure SMS_61
表示与其对应的桥梁分割结果。
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：
在重校准扩张卷积模块下采样空间内采用卷积进行预处理，并使用双线性插值使重校准扩张卷积模块上采样回原始的空间尺寸，再使用
Figure SMS_62
函数提取权重；该过程形式化的表示为，
Figure SMS_63
；
其中，
Figure SMS_64
表示大幅遥感网络图像第一特征，
Figure SMS_65
表示进入下采样空间所采用的平均池化，
Figure SMS_66
表示在下采样空间内进行预处理而使用的卷积，
Figure SMS_67
表示双线性插值操作，
Figure SMS_68
表示提取到的校准所用的权重；
提取权重后利用矿长率为
Figure SMS_69
的扩张卷积对大幅遥感网络图像第一特征进行精细处理，再利用权重进行重校准处理，最后采用修正线性单元得到重校准扩张卷积模块的大幅遥感网络图像第二特征，该过程形式化的表示为，
Figure SMS_70
；
其中，
Figure SMS_71
表示扩张率为/>
Figure SMS_72
的扩张卷积，
Figure SMS_73
和/>
Figure SMS_74
分别表示两个特征矩阵间的对应元素相乘和相加，
Figure SMS_75
表示修正线性单元激活层；
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，
Figure SMS_76
；
其中，
Figure SMS_77
表示采用扩张率为/>
Figure SMS_78
的扩张卷积的重校准扩张卷积模块，
Figure SMS_79
表示重校准扩张卷积模块的大幅遥感网络图像第二特征。
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，
Figure SMS_80
；
Figure SMS_81
；
Figure SMS_82
；
Figure SMS_83
；
Figure SMS_84
；
其中，
Figure SMS_85
表示最大池化操作，
Figure SMS_86
表示大幅遥感网络图像，
Figure SMS_87
，/>
Figure SMS_88
，/>
Figure SMS_89
，/>
Figure SMS_90
，/>
Figure SMS_91
分别为第一个、第二个、第三个、第四个和第五个编码器的第二特征；/>
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，
Figure SMS_92
；
Figure SMS_93
；
Figure SMS_94
；
Figure SMS_95
；
Figure SMS_96
；
其中，
Figure SMS_97
表示转置卷积，
Figure SMS_98
表示多个特征的通道叠加操作，
Figure SMS_99
，/>
Figure SMS_100
，/>
Figure SMS_101
，/>
Figure SMS_102
，/>
Figure SMS_103
分别表示第一个、第二个、第三个、第四个和第五个解码器的第二特征；
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
Figure SMS_104
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：
Figure SMS_105
；
其中，
Figure SMS_106
表示多层重校准扩张卷积网络，
Figure SMS_107
表示与输入大幅遥感图像/>
Figure SMS_108
对应的输出结果。
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，
Figure SMS_109
；
Figure SMS_110
；
Figure SMS_111
；
其中，
Figure SMS_112
表示与用于训练的大幅遥感图像/>
Figure SMS_113
相对应的桥梁分割标签，
Figure SMS_114
表示二元交叉熵计算操作，
Figure SMS_115
表示骰子系数计算操作，
Figure SMS_116
表示二元交叉熵损失，
Figure SMS_117
表示骰子损失，
Figure SMS_118
示总体损失；
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，
Figure SMS_119
；
其中，
Figure SMS_120
表示待测试的大幅遥感图像，
Figure SMS_121
表示训练完毕的重校准扩张卷积网络，
Figure SMS_122
表示与其对应的桥梁分割结果。
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：
在重校准扩张卷积模块下采样空间内采用卷积进行预处理，并使用双线性插值使重校准扩张卷积模块上采样回原始的空间尺寸，再使用
Figure QLYQS_1
函数提取权重；该过程形式化的表示为，
Figure QLYQS_2
；
其中，
Figure QLYQS_3
表示大幅遥感网络图像第一特征，
Figure QLYQS_4
表示进入下采样空间所采用的平均池化，
Figure QLYQS_5
表示在下采样空间内进行预处理而使用的卷积，
Figure QLYQS_6
表示双线性插值操作，
Figure QLYQS_7
表示提取到的校准所用的权重；
提取权重后利用矿长率为
Figure QLYQS_8
的扩张卷积对大幅遥感网络图像第一特征进行精细处理，再利用权重进行重校准处理，最后采用修正线性单元得到重校准扩张卷积模块的大幅遥感网络图像第二特征，该过程形式化的表示为，
Figure QLYQS_9
；
其中，
Figure QLYQS_10
表示扩张率为/>
Figure QLYQS_11
的扩张卷积，
Figure QLYQS_12
和/>
Figure QLYQS_13
分别表示两个特征矩阵间的对应元素相乘和相加，
Figure QLYQS_14
表示修正线性单元激活层；
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，
Figure QLYQS_15
；
其中，
Figure QLYQS_16
表示采用扩张率为/>
Figure QLYQS_17
的扩张卷积的重校准扩张卷积模块，
Figure QLYQS_18
表示重校准扩张卷积模块的大幅遥感网络图像第二特征；
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，
Figure QLYQS_19
；
Figure QLYQS_20
；
Figure QLYQS_21
；
Figure QLYQS_22
；
Figure QLYQS_23
；
其中，
Figure QLYQS_24
表示最大池化操作，
Figure QLYQS_25
表示大幅遥感网络图像，
Figure QLYQS_26
，/>
Figure QLYQS_27
，/>
Figure QLYQS_28
，/>
Figure QLYQS_29
，/>
Figure QLYQS_30
分别为第一个、第二个、第三个、第四个和第五个编码器的第二特征；
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，
Figure QLYQS_31
；
Figure QLYQS_32
；
Figure QLYQS_33
；
Figure QLYQS_34
；
Figure QLYQS_35
；
其中，
Figure QLYQS_36
表示转置卷积，
Figure QLYQS_37
表示多个特征的通道叠加操作，
Figure QLYQS_38
，/>
Figure QLYQS_39
，/>
Figure QLYQS_40
，/>
Figure QLYQS_41
，/>
Figure QLYQS_42
分别表示第一个、第二个、第三个、第四个和第五个解码器的第二特征；
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
Figure QLYQS_43
即为重校准扩张卷积网络最终输出。
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。
3.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，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：
Figure QLYQS_44
；
其中，
Figure QLYQS_45
表示多层重校准扩张卷积网络，
Figure QLYQS_46
表示与输入大幅遥感图像/>
Figure QLYQS_47
对应的输出结果。
4.根据权利要求2所述的大幅遥感网络图像桥梁分割方法，其特征在于，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，
Figure QLYQS_48
；
Figure QLYQS_49
；
Figure QLYQS_50
；
其中，
Figure QLYQS_51
表示与用于训练的大幅遥感图像/>
Figure QLYQS_52
相对应的桥梁分割标签，
Figure QLYQS_53
表示二元交叉熵计算操作，
Figure QLYQS_54
表示骰子系数计算操作，
Figure QLYQS_55
表示二元交叉熵损失，
Figure QLYQS_56
表示骰子损失，
Figure QLYQS_57
示总体损失；
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。
5.根据权利要求2所述的大幅遥感网络图像桥梁分割方法，其特征在于，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，
Figure QLYQS_58
；
其中，
Figure QLYQS_59
表示待测试的大幅遥感图像，
Figure QLYQS_60
表示训练完毕的重校准扩张卷积网络，
Figure QLYQS_61
表示与其对应的桥梁分割结果。
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。
CN202310119584.3A 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 Active CN115984705B (zh)

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)

* Cited by examiner, † Cited by third party
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

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