CN116310871A - 融合空洞空间金字塔池化的内陆水体提取方法 - Google Patents
融合空洞空间金字塔池化的内陆水体提取方法 Download PDFInfo
- Publication number
- CN116310871A CN116310871A CN202310270858.9A CN202310270858A CN116310871A CN 116310871 A CN116310871 A CN 116310871A CN 202310270858 A CN202310270858 A CN 202310270858A CN 116310871 A CN116310871 A CN 116310871A
- Authority
- CN
- China
- Prior art keywords
- water body
- module
- network
- aspp
- body extraction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011176 pooling Methods 0.000 title claims abstract description 27
- 238000003809 water extraction Methods 0.000 title claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 79
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000002679 ablation Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 244000208060 Lawsonia inermis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Astronomy & Astrophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种融合空洞空间金字塔池化的内陆水体提取方法。该方法包括：构建水体提取网络；水体提取网络采用SegFormer网络作为框架，并对其中的解码器进行改进得到新的解码器；新的解码器自上向下包括依次连接的第一1×1卷积层、ASPP模块、第一上采样模块和语义融合模块；输入的遥感图像经过编码器进行特征提取之后，进入新的解码器进行处理；其中，所述语义融合模块对编码器中最底层提取的特征图和第一上采样模块输出的特征图进行融合后的输出作为水体提取结果；对所述水体提取网络进行训练，得到水体提取网络模型；使用训练好的水体提取网络模型对输入的遥感影像进行水体提取。在水体边缘完整性检测、减少细小水体、支流漏检、误检上具有较好的效果。
Description
技术领域
本发明涉及水体提取技术领域，尤其涉及一种融合空洞空间金字塔池化的内陆水体提取方法。
背景技术
水体信息的提取和分布研究，对水资源调查、生态保护、灾害监测具有重要意义。传统的水体提取方法主要基于水体的地物波谱特性，利用先验信息区分水体和非水体。在大量复杂背景地物场景下，特别是植被和人工建筑分布密集、存在遮盖的影像中，传统方法空间上下文信息部分丢失严重，水体提取结果较为破碎。且传统方法对场景依赖性强，自动化程度低，难以满足实时更新要求和大范围场景应用。
近年来，基于卷积神经网络的分类方法在水色遥感方面也开展了研究。相关研究综述了深度学习方法利用信息融合技术以及多种网络来构建水体提取模型。FCN网络提出特征提取模块，通过连续的上采样和最大池化层实现水体特征多尺度分割。UNet网络使用跳跃连接结合了解码器的高级语义信息和编码器详细的低级特征。Hrnet网络通过级联多尺度分辨率特征，有效减少特征信息损失。PSPNet网络通过金字塔池化模块和金字塔场景解析模块藕合不同区域语义特征，水体边缘分割精度有所提升。Deeplab系列网络采用非对称结构，聚合浅层细节信息和深层语义信息。SegFormer网络通过剪除位置编码、使用MLP(Multilayer Perceptron)多层感知机进行特征提取，增大感受野实现高阶水体语义的表达。尽管上述水体提取网络都具备了较高的检测精度，但是信息缺失问题没有得到有效的改善，实际应用中支流水体丢失严重、水体边缘较为粗糙，在复杂环境下的水体提取效果有待进一步提升。
发明内容
针对现有的水体提取网络输出的检测结果存在水体细节特征信息缺失严重的问题，本发明提供一种融合空洞空间金字塔池化的内陆水体提取方法。
本发明提供一种融合空洞空间金字塔池化的内陆水体提取方法，包括：
步骤1：构建水体提取网络；所述水体提取网络采用SegFormer网络作为框架，并对SegFormer网络中的解码器进行改进得到新的解码器；所述新的解码器自上向下包括依次连接的第一1×1卷积层、ASPP模块、第一上采样模块和语义融合模块；输入的遥感图像经过编码器进行特征提取之后，进入新的解码器进行处理；其中，所述语义融合模块对编码器中最底层提取的特征图和第一上采样模块输出的特征图进行融合后的输出作为水体提取结果；
步骤2：对所述水体提取网络进行训练，得到水体提取网络模型；
步骤3：使用训练好的水体提取网络模型对输入的遥感影像进行水体提取。
进一步地，所述ASPP模块的数据处理过程为：
将输入特征F增广成i组，记为ASPPi，i＝1,2,3,4；分组特征ASPPi分别各自经过膨胀率为1，3，11，17的空洞卷积层处理，得到处理后的分组特征ASPPi'；
将输入特征F进行池化再上采样并行运算后与所有的分组特征ASPPi'拼接融合，拼接融合后的特征即为ASPP模块的最终输出。
进一步地，所述语义融合模块包括第二1×1卷积层、第二上采样模块、网络级联层和第三1×1卷积层；
编码器中最底层提取的特征图作为第二1×1卷积层的输入；
第二1×1卷积层的输出和第一上采样模块的输出经网络级联层处理后，再依次输入至第二上采样模块和第三1×1卷积层，第三1×1卷积层的输出为检测结果。
进一步地，步骤2中，采用迁移学习策略，使用在ImageNet-1K数据集的预训练权重对水体提取网络进行训练。
本发明的有益效果：
针对遥感影像水体提取中语义和细节特征信息缺失、非水体信息误提漏提等问题，本发明在SegFormer检测网络的基础上进行改进，采用ASPP模块，一方面在输入特征图上应用多采样率空洞卷积、多接收野卷积，探索多尺度上下文信息，另一方面在不同分辨率上以池化操作捕获丰富的上下文信息，逐渐恢复空间信息来捕捉清晰的目标边界，以克服水体特征信息丢失和远距离信息缺少相关性的问题，实现了在响应语义特征的同时涵盖更多几何信息。
并且，在输出部分使用语义融合模块，聚合浅层粗略信息和深层精细信息，通过Shuffle混洗实现不同层特征信息交互，有效缓解因数据源冗杂造成图像分辨率差异化而导致的特征信息缺失情况，从而解决水体提取中细小水体、支流丢失、边缘不准确等问题，抑制复杂干扰信息对提取结果的影响。
附图说明
图1为本发明实施例提供的融合空洞空间金字塔池化的内陆水体提取方法的流程示意图；
图2为本发明实施例提供的水体提取网络的结构示意图；
图3为本发明实施例提供的合理膨胀率空洞卷积示意图；
图4为本发明实施例提供的空洞卷积“网格效应”示意图；
图5为本发明实施例提供的ASPP模块的数据处理过程示意图；
图6为本发明实施例提供的Shuffle混洗示意图；
图7为本发明实施例提供的语义融合模块的结构示意图；
图8为本发明实施例提供的数据集样例；
图9为本发明实施例提供的现有网络与本发明方法的实验预测结果：(a)列为原影像，(h)列为数据集标签，(b)～(f)为现有网络检测结果，分别为Hrnet、PSPNet、UNet、Deeplabv3+、原SegFormer，(g)列为本发明的改进网络检测结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明实施例提供一种融合空洞空间金字塔池化的内陆水体提取方法，包括：
S101：构建水体提取网络；
具体地，如图2所示，所述水体提取网络采用SegFormer网络作为框架，包括编码器和解码器。其中，编码器包括四个特征提取阶段。本实施例对SegFormer网络中的解码器进行改进得到新的解码器；所述新的解码器自上向下包括依次连接的第一1×1卷积层、ASPP模块、第一上采样模块和语义融合模块(Semantic Fusion Module，SFM)；输入的遥感图像经过编码器进行特征提取之后，进入新的解码器进行处理；其中，所述语义融合模块对编码器中最底层提取的特征图和第一上采样模块输出的特征图进行融合后的输出作为水体提取结果；ASPP指空洞空间金字塔池化。
S102：对所述水体提取网络进行训练，得到水体提取网络模型；
S103：使用训练好的水体提取网络模型对输入的遥感影像进行水体提取。
针对现有网络模型在遥感影像中水体提取中适用性不强的问题，本发明实施例提供的内陆水体提取方法，通过优化SegFormer网络结构，融合ASPP模块，克服了细小水体信息丢失和远距离信息缺少相关性的问题，在不使用池化层的前提下获取不同尺度特征信息，捕捉清晰的高分辨率水域边缘信息，进一步解决多尺度特征获取不足而造成的信息缺失问题。
实施例2
在上述实施例的基础上，本发明实施例中对ASPP模块作了进一步设计。
如图5所示，本实施例中的ASPP模块的数据处理过程如下：将输入特征F增广成i组，记为ASPPi，i＝1,2,3,4；分组特征ASPPi分别各自经过膨胀率为1，3，11，17的空洞卷积层处理，得到处理后的分组特征ASPPi'；将输入特征F进行池化再上采样并行运算后与所有的分组特征ASPPi'拼接融合，拼接融合后的特征即为ASPP模块的最终输出。
具体地，将深层次网络特征按不同膨胀率扩张，利用ASPP模块捕获多尺度特征上下文信息，并引入全局平均池化模块对上下文信息补充和完善。
空洞卷积相比于传统的卷积层和池化层，优势体现在以下两个方面：①使用空洞卷积替换后尽可能避免了计算参数增加的同时，使得合理膨胀的新参数可被训练，在训练的过程中性能可以不断优化。②可通过设置不同空洞率来改变感受野的大小来得到不同分辨率下的特征图，减少了下采样过程中位置信息的丢失。
本实施例将常规卷积替换成空洞卷积，并通过改变空洞卷积的空洞率来改变池化过程中的感受野。实验中发现，不同的膨胀率对模型性能也存在一定的影响。通过研究发现：①使用相同膨胀率的空洞卷积将会造成卷积核不连续，导致“网格效应”，如图4。②膨胀率组合之间不能含有大于1的公约数，且膨胀率的取值Ri需满足公式(1)如下。③假设N个卷积核大小为k×k的空洞卷积所对应的膨胀率分别为[r1,...,ri,...rn]，则需满足R2≤k，其中ri代表第i个空洞卷积的膨胀率，Ri代表第i层空洞卷积最大的膨胀率，默认Rn＝rn。基于上述结论，本实施例设计了膨胀率为1，3，11，17的空洞卷积组合。
Ri＝max[Ri+1-2ri,Ri+1-2(Ri+1-ri),ri] (1)
本实施例中，ASPP模块由一系列不同膨胀率的空洞卷积和空间金字塔池化结构组成，通过并联多个不同膨胀率的空洞卷积提取图像的多尺度信息。ASPP模块克服了使用单一空洞卷积时由于网格效应导致的局部信息丢失和远距离信息缺少相关性的缺点，可以在不使用池化层的前提下获取不同尺度特征信息，获取清晰的水体边缘信息。
实施例3
在上述各实施例的基础上，为了实现浅层特征和深层特征的有效融合，本实施例提供一种语义融合模块的结构。
如图7所示，所述语义融合模块包括第二1×1卷积层、第二上采样模块、网络级联层和第三1×1卷积层；编码器中最底层提取的特征图作为第二1×1卷积层的输入；第二1×1卷积层的输出和第一上采样模块的输出经网络级联层处理后，再依次输入至第二上采样模块和第三1×1卷积层，第三1×1卷积层的输出为检测结果。
本实施例中的语义融合模块对浅层粗略特征提取获得的细节信息和经过ASPP多尺度空洞金字塔池化网络运算后得到的深层精细化语义信息进行融合，并对融合信息进行通道混洗(如图6所示)，通过网络自主学习预测不同分辨率特征之间的“语义流”信息，将粗略特征矫正为具有更高分辨率的精细特征，并通过混洗不同通道信息调和多尺度信息，加强不同分组特征通道之间的信息交流，从而将语义信息从深层有效地传输到浅层，实现不同分辨率特征之间有效融合。
实施例4
为了验证本发明提出方法的有效性和泛化性能，本实施例还提供有下述实验数据。
一、实验数据集
针对当前缺乏专业用于内陆水体提取研究的数据集的问题，本研究中选取丹江口库区的湖泊众多、水系丰富的河南邓州地区作为研究区，使用该地区无人机遥感影像构建内陆水体提取数据集。其中无人机遥感影像由UltraCamXp航摄仪获取，影像航摄时间2019年5月，成像比例尺(96DPI)1:1000，地面分辨率0.1米，包含1109幅影像，单张样片影像裁切后大小在200到5000像素。
二、实验环境及参数设置
实验操作系统为Windows11，搭载的CPU版本为12th Gen Intel(R)Core(TM)i9-12900H，GPU为NVIDIAGeForceRTX3080TI，深度学习框架为torch1.11.0+cu115。实验采用迁移学习策略，使用在ImageNet-1K数据集的预训练权重进行训练，网络模型通过迁移学习，依靠其不饱和持续学习的能力从而提高检测结果的准确度。训练配置信息如表1所示：
表1：数据集训练配置
| 类目 | 数据集 |
| 输入尺寸 | 200-5000 |
| 训练尺寸 | 512*512 |
| 测试尺寸 | 512*512 |
| 迭代次数 | 500 |
| 单次训练数 | 8 |
| 优化器 | Sgd |
| 学习率衰减 | Cos |
| 权重衰减 | 0.0005 |
| 学习率 | 1.00E-05 |
三、消融实验
(一)不同机制消融实验
为探讨本文所作出的改进策略对网络模型的贡献程度，以SegFormer为基线系统在河南邓州内陆水体数据集进行消融实验，实验参数设置及实验环境保持一致。通过mIoU(mean Intersection over Union)平均交并比、F1分数、Precision精确值、Recall召回率几个评价指标对模型性能提升效果进行评估，其中mIoU指预测水体像素数量与真实水体像素的交集和并集的百分比平均值；F1分数综合考虑精度和召回率的影响；精确值是指模型能够正确预测水体与真实水体的像素百分比；召回率是指真实水体中被正确预测的百分比。
不同机制消融实验评价指标对比如下表2所示。
表2：消融实验精度对比
由表2实验结果可得，在河南邓州内陆水体数据集上进行实验时，本发明的改进网络各项精度指标最佳提升为：mIoU提升了2.12％，F1提升了1.29％，Precision提升了0.82％，Recall提升了1.75％，在对网络进行优化后，本发明的维改进网络具有更强的特征提取和特征融合能力，能够更好的恢复和关注到不同层语义信息和特征信息，有效的提升了模型整体的分割精度。
(二)空洞空间金字塔池化解码模块膨胀率消融实验
本实验还验证了不同膨胀率组合对ASPP模块性能的影响。从表3可知：(1)不使用相同连续卷积：当组合为1,3,6,9时比组合1,2,2,2精度提升0.49％。(2)大扩张核效果较好：当使用1，6，12，18的膨胀率比使用1，3，6，9的组合精度提升0.43％。(3)互质数组合效果更好，当使用1，5，11，17的膨胀率比使用1，6，12，18的组合精度提升0.62％。(4)第二个卷积核膨胀率不可大于卷积核最大尺寸：当使用1，3，11，17的膨胀率比使用1，5，11，17的组合精度提升0.92％。
基于此，选取非连续、公约数为1、扩张率大的1，3，11，17空洞卷积组合，实验中，该组合较其他组合精度提升了0.92％-3.74％。
表3：不同膨胀率对ASPP模块性能影响
| 膨胀率组合 | mIoU |
| 1，3，3，3 | 90.78 |
| 1，3，6，9 | 91.17 |
| 1，6，12，18 | 91.6 |
| 1，5，11，17 | 92.22 |
| 1，3，11，17 | 93.14 |
四、对比实验
依托0.1米高分辨率无人机遥感影像的水体数据集，能够实现高精度像素级标签解析，更准确表示出水体的范围、分布及其几何轮廓。本实验中，将原数据集标签信息在影像上可视化，与实验结果进行比对。为了验证本发明方案的有效性，选择了几种经典的主流的深度学习语义分割算法如：Hrnet、PSPNet、UNet、Deeplabv3+以及原SegFormer网络与本发明改进方案进行对比，对比结果如下：
表4：不同方法精度比较
从表4中可知，与近几年的主流方法及原SegFormer模型相比，本发明的改进方法在总体实验精度都要优于对比方法。其中，mIoU达到93.14％，F1分数96.83％，Precision达97.62％，召回率达96.06％，本发明的改进方法较对比方法的mIoU值最优提升了7.81％。网络改进之后，针对多场景影像应用性增强，面对复杂场景和阴影遮挡表现出更强的鲁棒性，验证了本发明方案的有效性。
图8中展示了Hrnet、PSPNet、UNet、Deeplabv3+、原SegFormer算法以及本发明方案的实验预测结果。基于检测结果可视化图，对不同算法的性能进行评估，其中(a)列为原影像，(h)列为数据集标签，(b)～(f)为对比网络检测结果，(g)列为本发明的改进网络检测结果。从图8中可以看出，本发明方法能够更有效的捕获图像中不同尺度的上下文信息，语义融合模块也能将上下文信息和空间细节信息有效融合，验证了所提方法高效语义分割性能。
实验结果表明，本文方法能够实现在多要素、多场景光学影像下水体要素信息的充分挖掘，对水体信息进行像素级解构，有效整合水体深层语义与浅层地物的形状、结构、纹理、色调等信息，通过检测网络的优化改进建立比原检测网络更高准确率和更深层次的检测模型，能够实现内陆水体的高精度提取。本发明方法可应用于内陆水体遥感提取和水资源分布检测，为水体观测和水资源测绘生产提供有力支撑。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.融合空洞空间金字塔池化的内陆水体提取方法，其特征在于，包括：
步骤1：构建水体提取网络；所述水体提取网络采用SegFormer网络作为框架，并对SegFormer网络中的解码器进行改进得到新的解码器；所述新的解码器自上向下包括依次连接的第一1×1卷积层、ASPP模块、第一上采样模块和语义融合模块；输入的遥感图像经过编码器进行特征提取之后，进入新的解码器进行处理；其中，所述语义融合模块对编码器中最底层提取的特征图和第一上采样模块输出的特征图进行融合后的输出作为水体提取结果；
步骤2：对所述水体提取网络进行训练，得到水体提取网络模型；
步骤3：使用训练好的水体提取网络模型对输入的遥感影像进行水体提取。
2.根据权利要求1所述的融合空洞空间金字塔池化的内陆水体提取方法，其特征在于，所述ASPP模块的数据处理过程为：
将输入特征F增广成i组，记为ASPPi，i=1,2,3,4；分组特征ASPPi分别各自经过膨胀率为1，3，11，17的空洞卷积层处理，得到处理后的分组特征ASPPi'；
将输入特征F进行池化再上采样并行运算后与所有的分组特征ASPPi'拼接融合，拼接融合后的特征即为ASPP模块的最终输出。
3.根据权利要求1所述的融合空洞空间金字塔池化的内陆水体提取方法，其特征在于，所述语义融合模块包括第二1×1卷积层、第二上采样模块、网络级联层和第三1×1卷积层；
编码器中最底层提取的特征图作为第二1×1卷积层的输入；
第二1×1卷积层的输出和第一上采样模块的输出经网络级联层处理后，再依次输入至第二上采样模块和第三1×1卷积层，第三1×1卷积层的输出为检测结果。
4.根据权利要求1所述的融合空洞空间金字塔池化的内陆水体提取方法，其特征在于，步骤2中，采用迁移学习策略，使用在ImageNet-1K数据集的预训练权重对水体提取网络进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310270858.9A CN116310871A (zh) | 2023-03-20 | 2023-03-20 | 融合空洞空间金字塔池化的内陆水体提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310270858.9A CN116310871A (zh) | 2023-03-20 | 2023-03-20 | 融合空洞空间金字塔池化的内陆水体提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310871A true CN116310871A (zh) | 2023-06-23 |
Family
ID=86837612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310270858.9A Pending CN116310871A (zh) | 2023-03-20 | 2023-03-20 | 融合空洞空间金字塔池化的内陆水体提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310871A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935226A (zh) * | 2023-08-01 | 2023-10-24 | 西安电子科技大学 | 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质 |
-
2023
- 2023-03-20 CN CN202310270858.9A patent/CN116310871A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935226A (zh) * | 2023-08-01 | 2023-10-24 | 西安电子科技大学 | 一种基于HRNet的改进型遥感图像道路提取方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419449B (zh) | 一种自注意力多尺度特征融合的遥感图像语义分割方法 | |
| CN111325165B (zh) | 考虑空间关系信息的城市遥感影像场景分类方法 | |
| CN112381097A (zh) | 一种基于深度学习的场景语义分割方法 | |
| CN113052210A (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
| CN117078943B (zh) | 融合多尺度特征和双注意力机制的遥感影像道路分割方法 | |
| CN114943963A (zh) | 一种基于双分支融合网络的遥感图像云和云影分割方法 | |
| CN110717921B (zh) | 改进型编码解码结构的全卷积神经网络语义分割方法 | |
| CN114283158A (zh) | 一种视网膜血管图像分割方法、装置及计算机设备 | |
| CN113312993B (zh) | 一种基于PSPNet的遥感数据土地覆盖分类方法 | |
| CN113780132A (zh) | 一种基于卷积神经网络的车道线检测方法 | |
| CN113269133A (zh) | 一种基于深度学习的无人机视角视频语义分割方法 | |
| CN117830788B (zh) | 一种多源信息融合的图像目标检测方法 | |
| CN114943902A (zh) | 基于多尺度特征感知网络的城市植被无人机遥感分类方法 | |
| CN114463340B (zh) | 一种边缘信息引导的敏捷型遥感图像语义分割方法 | |
| CN116310871A (zh) | 融合空洞空间金字塔池化的内陆水体提取方法 | |
| CN112560624A (zh) | 基于模型深度集成的高分遥感影像语义分割方法 | |
| CN113298817A (zh) | 一种准确率高的遥感图像语义分割方法 | |
| CN116071668A (zh) | 基于多尺度特征融合的无人机航拍图像目标检测方法 | |
| CN116524189A (zh) | 一种基于编解码索引化边缘表征的高分辨率遥感图像语义分割方法 | |
| CN115330703A (zh) | 基于上下文信息融合的遥感影像云与云阴影检测方法 | |
| CN114639002A (zh) | 一种基于多模式特征的红外与可见光图像融合方法 | |
| CN116778346B (zh) | 一种基于改进自注意力机制的管线识别方法及系统 | |
| CN112164065B (zh) | 一种基于轻量化卷积神经网络的实时图像语义分割方法 | |
| 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 | |
| CN116740419A (zh) | 一种基于图调控网络的目标检测方法 |
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 |