CN116416618A - 一种基于双一致性的半监督遥感图像语义分割方法 - Google Patents
一种基于双一致性的半监督遥感图像语义分割方法 Download PDFInfo
- Publication number
- CN116416618A CN116416618A CN202310184402.0A CN202310184402A CN116416618A CN 116416618 A CN116416618 A CN 116416618A CN 202310184402 A CN202310184402 A CN 202310184402A CN 116416618 A CN116416618 A CN 116416618A
- Authority
- CN
- China
- Prior art keywords
- model
- student
- semi
- groups
- supervision
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims 3
- 238000013136 deep learning model Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation 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
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06V10/20—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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于双一致性的半监督遥感图像语义分割方法，所述半监督语义分割方法包括：建立基于教师学生架构的半监督学习模型，利用标签数据对教师模型进行有监督学习训练，优化教师模型参数；学生模型由单编码双解码的深度学习模型组成，利用锐化函数降低学生模型预测的信息熵，首先使无标签数据通过教师模型产生伪标签对学生模型的预测结果进行半监督，其次通过两组学生模型间预测结果转化的两组伪标签进行交叉监督，通过这两组一致性任务对学生网络进行交替训练，使得模型能够充分理解无标签数据中的大量信息；训练完成后测试数据直接通过学生网络得到预测的语义标记图，将语义标记图映射到原始图像上，实现分割结果的可视化。
Description
技术领域
本发明涉及遥感图像处理技术领域，尤其是一种基于双一致性的半监督遥感图像语义分割方法。
背景技术
随着21世纪信息化时代计算机科学技术的持续发展，遥感成像所涉及到的传感器技术和空间科学技术也不断进步，遥感成像技术在对地观测方面变得愈加关键。遥感图像提供了大量观测任务的信息，遥感图像技术的发展促进了下游的军事，气象，交通等领域的发展。近几年卫星，无人机的成像发展迅速，遥感图像的获取愈加便捷，图像质量也不断上升，遥感图像数据急剧增长，现已进入了遥感大数据时代。
深度学习为图像解析任务解放了双手，实时智能化的图像处理技术为下游任务提供了发展基础。但是高效的深度学习架构模型依赖于大量人工标注数据集下的有监督学习。一个巨大的标签数据集需要花费大量的时间成本，人力成本。对于遥感数据集，由于空间分辨率更高，语义重叠杂乱，情况更加复杂导致标记遥感数据集的成本更高。同时用于语义分割任务的标签需要像素级别的注释，高昂的标注成本成为了制约遥感图像语义分割的发展主要问题之一。为了使大量的无标签的遥感数据发挥作用，降低图像标注成本，许多学者开始挖掘无标签数据中蕴藏的信息，探索使用无标签数据训练分割模型，这使得半监督学习模型成为了图像分割的发展热门。
发明内容
本发明的目的在于：针对现有遥感影像语义分割技术依赖大量标签数据的缺点，提供了一种基于双一致性的半监督遥感图像语义分割方法，以解决现有遥感图像语义分割技术存在的不足。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于双一致性的半监督遥感图像语义分割方法，所述半监督语义分割方法包括以下步骤：
S1.将数据集分为有标签数据集Dl，无标签数据集Du；
S2.将有标签数据集Dl通过教师模型，并与其真实标签计算监督损失优化教师模型参数；
S3.对于无标签数据，一致性原则表示对于同一像素点在经过不同扰动后预测结果应保持一致，对输入经过不同干扰后保持预测结果一致；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型；无标签数据通过教师模型生成预测结果，通过与预测结果与原图做Hadamard积生成对应伪标签Yt；无标签数据还需要通过学生模型的公用编码网络转化为特征向量，并通过两组学生解码网络进行预测；对于两组学生解码网络的预测结果，首先需要计算教师模型产生的伪标签对于两组学生模型的半监督损失，并通过两组半监督损失更新两组学生模型参数；通过两则学生模型的预测与原图做Hadamard积生成两组学生模型对应伪标签Ys1，Ys2，并交叉监督计算半监督损失并更新两组学生模型参数；
S4.根据预先构建的损失函数、所述监督损失，教师伪标签对学生的半监督损失，学生交叉监督的半监督损失生成对半监督分割模型进行训练，得到训练好的半监督语义分割模型；通过训练好的半监督语义分割模型进行遥感图像的语义分割；
优选的，所述S1步骤中教师模型由编码网络和解码网络的深度神经网络架构组成，在编码网络中加入了通道注意力机制以加强教师模型对特征提取的准确度，从而为学生模型提供优质的伪标签；学生模型由单编码网络双解码网络的架构组成，两个学生解码网络共用一个编码网络来工作，同时在两组学生模型预测后使用锐化函数减少无标签数据的熵,提高边缘轮廓的置信度；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型；
优选的，所述S2步骤中数据集采用两个公开的高分辨率遥感影像数据集:Potsdam和Vaihingen来进行模型的评估；两组数据集均被裁剪至512×512大小，数据集中随机选取10％做测试集，其余做训练集；对于训练集中的数据，随机选取50％删除其标签数据做半监督学习训练；
优选的，所述S3步骤中所述的模型训练需要计算有标签数据在教师模型下的预测并与其真实标签计算监督损失优化教师模型参数；对于无标签数据，首先让其通过教师模型生成预测结果，通过与预测结果与原图做Hadamard积生成对应伪标签Yt，其次，无标签数据还需要通过学生模型的公用编码网络转化为特征向量，并通过两组学生解码网络进行预测；对于两组学生解码网络的预测结果，首先需要计算教师模型产生的伪标签对于两组学生模型的半监督损失，并通过两组半监督损失更新两组学生模型参数；其次需要通过两则学生模型的预测与原图做Hadamard积生成两组学生模型对应伪标签Ys1，Ys2，并交叉监督计算半监督损失并更新两组学生模型参数；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型；训练参数设置迭代次数epoch为100，学习率初始化设置为0.00001，权重衰减设置为0.0001；批处理设置为4；损失函数选取语义分割较为通用的交叉熵损失函数；用带有默认参数的Adam优化器来训练模型。
附图说明
图1为本发明方法的流程示意图；
图2为本发明整体网络模型的结构示意图；
图3为Potsdam数据集上可视化结果；
图4为Vaihingen数据集上可视化结果；
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。如图1所示，在本发明本实施例中，半监督遥感图像语义分割方法包括以下步骤：
S1、建立基于双一致性的半监督遥感图像语义分割架构的深度神经网络模型；
S2、获取公开的遥感影像数据集；
S3、将训练的数据集输入到半监督网络模型型训练，得到最优的网络权重；
S4、将测试的原始图像输入到学生模型进行预测得到与原图像尺寸相同的语义标记；
S5、将语义标记图映射于原图像上，实现分割结果的可视化。
其中，在本实例中，网络的整体结构如图2所示，步骤S1具体包括：
S101：教师模型由编码网络和解码网络的深度神经网络架构组成，在编码网络中加入了通道注意力机制以加强教师模型对特征提取的准确度，从而为学生模型提供优质的伪标签。
S102：学生模型由单编码网络双解码网络的架构组成，两个学生解码网络共用一个编码网络来工作，同时在两组学生模型预测后使用锐化函数减少无标签数据的熵，提高边缘轮廓的置信度；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型。
步骤S2获取公开的城市道路图像的数据集，具体包括：
本发明使用ISPRS公开的两个高分辨率遥感影像数据集Potsdam数据集和Vaihingen数据集来进行模型的评估。这两个数据集是通过机载遥感设备航拍得到的两个高分辨率数据集，两组数据集都包括非常高分辨率的真实正射图片和源自密集图像匹配技术的相应数字标签图像。这两个数据集区域都涵盖了城市场景。Potsdam数据集共包含38副图像，均为tif格式的RGB3通道图像，图像的空间分辨率均为5cm，像素大小均为。该数据集为每幅图像提供了一个对应的标签图像，大小和格式均与原图一致，标签共分为6类，分别为不透水面，建筑物，低矮植物，树，车以及其他。Vaihingen数据集共包含33副图像，均为tif格式的RGB3通道图像，图像空间分辨率均为9cm，但像素大小并不统一，平均像素大小为，与Potsdam数据集相同，该数据集为每幅图像提供了与其对应的标签图像，大小和格式均与原图一致，标签共分为6类，分别为不透水面，建筑物，低矮植物，树，车以及其他。
两组数据集均被裁剪至512×512大小；数据集中随机选取10％做测试集；对于训练集中的数据，随机选取50％删除其标签数据进行半监督训练。
步骤S3具体包括：
S301.将数据集分为有标签数据集Dl，无标签数据集Du；
S302.将有标签数据集Dl通过教师模型，并与其真实标签计算监督损失优化教师模型参数；
S303.对于无标签数据，一致性原则表示对于同一像素点在经过不同扰动后预测结果应保持一致，对输入经过不同干扰后保持预测结果一致；首先让其通过教师模型生成预测结果，通过与预测结果与原图做Hadamard积生成对应伪标签Yt，其次，无标签数据还需要通过学生模型的公用编码网络转化为特征向量，并通过两组学生解码网络进行预测；对于两组学生解码网络的预测结果，首先需要计算教师模型产生的伪标签对于两组学生模型的半监督损失，并通过两组半监督损失更新两组学生模型参数；其次需要通过两则学生模型的预测与原图做Hadamard积生成两组学生模型对应伪标签Ys1，Ys2，并交叉监督计算半监督损失并更新两组学生模型参数；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型；
S304.参数设置迭代次数epoch为100，学习率初始化设置为0.00001，权重衰减设置为0.0001；批处理设置为4；损失函数选取语义分割较为通用的交叉熵损失函数；用带有默认参数的Adam优化器来训练模型。
步骤S4中输入测试的原始图片，得到与原图片尺寸相同的语义标记图，具体为测试阶段，对输入图像无需进行预处理，直接获得分割的标记图。
步骤S5将语义标记图映射于原图像上，实现分割结果的可视化，具体为将不同的语义类别映射为不同的颜色，覆盖于原图像，从而对分割结果有直观的可视化结果，图3为Potsdam数据集上可视化结果，图4为Vaihingen数据集上的可视化结果。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种基于双一致性的半监督遥感图像语义分割方法，其特征在于，所述半监督遥感图像语义分割方法包括以下步骤；
建立教师学生架构的半监督学习模型，同时对于学生模型，采用单编码双解码的模型架构；
S1:将数据集分为有标签数据集Dl，无标签数据集Du；
S2:将有标签数据集Dl通过教师模型，并与其真实标签计算监督损失优化教师模型参数；
S3:对于无标签数据，一致性原则表示对于同一像素点在经过不同扰动后预测结果应保持一致，对输入经过不同干扰后保持预测结果一致；首先让其通过教师模型生成预测结果，通过与预测结果与原图做Hadamard积生成对应伪标签Yt，其次，无标签数据还需要通过学生模型的公用编码网络转化为特征向量，并通过两组学生解码网络进行预测；对于两组学生解码网络的预测结果，首先需要计算教师模型产生的伪标签对于两组学生模型的半监督损失，并通过两组半监督损失更新两组学生模型参数；其次需要通过两则学生模型的预测与原图做Hadamard积生成两组学生模型对应伪标签Ys1，Ys2，并交叉监督计算半监督损失并更新两组学生模型参数；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型；
S4:根据预先构建的损失函数、所述监督损失，教师伪标签对学生的半监督损失，学生交叉监督的半监督损失生成对半监督分割模型进行训练，得到训练好的半监督语义分割模型；通过训练好的半监督语义分割模型进行遥感图像的语义分割。
2.根据权力要求1所述的一种基于双一致性的半监督遥感图像语义分割方法，其特征在于，所述步骤S1具体包括：
对数据集对应的标签集合进行随机抽取，对于剩余数据，根据标签集合是否有与之对应的标签数据将其分为有标签数据集Dl，无标签数据集Du。
3.根据权力要求1所述的一种基于双一致性的半监督遥感图像语义分割方法，其特征在于，所述步骤S2具体包括：
教师模型由编码网络和解码网络的深度神经网络架构组成，在编码网络中加入了通道注意力机制以加强教师模型对特征提取的准确度，从而为学生模型提供优质的伪标签。
4.根据权力要求1所述的一种基于双一致性的半监督遥感图像语义分割方法，其特征在于，所述步骤S3具体包括：
学生模型由单编码网络双解码网络的架构组成，两个学生解码网络共用一个编码网络来工作，同时在两组学生模型预测后使用锐化函数减少无标签数据的熵，提高边缘轮廓的置信度；学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型。
5.根据权利要求1-4中任意一项所述的一种基于双一致性的半监督遥感图像语义分割方法，其特征在于：
所述的半监督遥感图像语义分割方法还包括设置于建立基于教师学生架构的网络模型步骤之后的训练步骤；所述训练步骤包括将训练好的数据分批次输入到网络模型中进行迭代训练，得到最优的网络权重。
6.根据权力要求5所述的一种基于双一致性的半监督遥感图像语义分割方法，其特征在于：所述训练步骤具体包括：
数据集采用两个公开的高分辨率遥感影像数据集:Potsdam和Vaihingen来进行模型的评估；两组数据集均被裁剪至512×512大小；数据集中随机选取10％做测试集，其余做训练集；对于训练集中的数据，随机选取50％删除其标签数据；参数设置迭代次数epoch为100，学习率初始化设置为0.00001，权重衰减设置为0.0001；批处理设置为4；损失函数选取语义分割较为通用的交叉熵损失函数；用带有默认参数的Adam优化器来训练模型。
7.一种基于双一致性的半监督遥感图像语义分割方法，其特征在于：
它包括模型构建单元、训练单元、可视化单元；所述模型单元用于建立由教师学生架构组成的半监督语义分割模型，教师模型由带有通道注意力机制的编码解码语义分割网络组成，通道注意力能够帮助教师模型加强特征提取能力优化教师模型参数，从而更好的生成伪标签,学生模型由单编码双解码架构组成，两组解码网络公用一个编码网络，同时通过锐化函数对两组解码网络的预测结果进行处理降低学生模型无监督预测的信息熵，提高边缘轮廓的置信度；所述训练单元对于输入半监督语义分割模型的有标签数据集Dl，让其通过教师模型并与其对应的真实标签数据进行监督学习，计算监督损失并更新教师模型参数，对于无标签数据集Du，首先让其通过教师模型进行预测并通过原图与该预测进行Hadamard积生成教师模型预测的伪标签Yt，其次让无标签数据通过学生模型生成学生模型的两组预测结果，对于两组学生解码网络的预测结果，首先需要计算教师模型产生的伪标签对于两组学生模型的半监督损失，并通过两组半监督损失更新两组学生模型参数，其次需要通过两则学生模型的预测与原图做Hadamard积生成两组学生模型对应伪标签Ys1，Ys2，并交叉监督计算半监督损失并更新两组学生模型参数，学生模型的半监督共分为两组，第一是教师模型的伪标签对于两组学生模型的半监督，其次是两组学生模型产生的伪标签的交叉监督，两组半监督任务均在一致性原则下交替训练模型；训练单元数据集采用两个公开的高分辨率遥感影像数据集:Potsdam和Vaihingen来进行模型的评估；两组数据集均被裁剪至512×512大小，数据集中随机选取10％做测试集，其余做训练集；对于训练集中的数据，随机选取50％删除其标签数据，参数设置迭代次数epoch为100，学习率初始化设置为0.00001，权重衰减设置为0.0001，批处理设置为4，损失函数选取语义分割较为通用的交叉熵损失函数，用带有默认参数的Adam优化器来训练模型；所述可视化单元用于将语义标记图映射到原始图像上，实现分割结果的可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310184402.0A CN116416618A (zh) | 2023-03-01 | 2023-03-01 | 一种基于双一致性的半监督遥感图像语义分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310184402.0A CN116416618A (zh) | 2023-03-01 | 2023-03-01 | 一种基于双一致性的半监督遥感图像语义分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116416618A true CN116416618A (zh) | 2023-07-11 |
Family
ID=87052287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310184402.0A Pending CN116416618A (zh) | 2023-03-01 | 2023-03-01 | 一种基于双一致性的半监督遥感图像语义分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116416618A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665064A (zh) * | 2023-07-27 | 2023-08-29 | 城云科技（中国）有限公司 | 基于生成蒸馏与特征扰动的城市变化图生成方法及其应用 |
| CN117237343A (zh) * | 2023-11-13 | 2023-12-15 | 安徽大学 | 半监督rgb-d图像镜面检测方法、存储介质及计算机设备 |
| CN117475155A (zh) * | 2023-12-26 | 2024-01-30 | 厦门瑞为信息技术有限公司 | 基于半监督学习的轻量级遥感图像分割方法 |
-
2023
- 2023-03-01 CN CN202310184402.0A patent/CN116416618A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665064A (zh) * | 2023-07-27 | 2023-08-29 | 城云科技（中国）有限公司 | 基于生成蒸馏与特征扰动的城市变化图生成方法及其应用 |
| CN116665064B (zh) * | 2023-07-27 | 2023-10-13 | 城云科技（中国）有限公司 | 基于生成蒸馏与特征扰动的城市变化图生成方法及其应用 |
| CN117237343A (zh) * | 2023-11-13 | 2023-12-15 | 安徽大学 | 半监督rgb-d图像镜面检测方法、存储介质及计算机设备 |
| CN117237343B (zh) * | 2023-11-13 | 2024-01-30 | 安徽大学 | 半监督rgb-d图像镜面检测方法、存储介质及计算机设备 |
| CN117475155A (zh) * | 2023-12-26 | 2024-01-30 | 厦门瑞为信息技术有限公司 | 基于半监督学习的轻量级遥感图像分割方法 |
| CN117475155B (zh) * | 2023-12-26 | 2024-04-02 | 厦门瑞为信息技术有限公司 | 基于半监督学习的轻量级遥感图像分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN116416618A (zh) | 一种基于双一致性的半监督遥感图像语义分割方法 | |
| CN112308860B (zh) | 基于自监督学习的对地观测图像语义分割方法 | |
| WO2022111219A1 (zh) | 一种域自适应设备运检系统和方法 | |
| Schmidt et al. | Visualizing the consequences of climate change using cycle-consistent adversarial networks | |
| CN111340738B (zh) | 一种基于多尺度渐进融合的图像去雨方法 | |
| CN111368846B (zh) | 一种基于边界语义分割的道路积水识别方法 | |
| CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
| CN111626947A (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
| CN115761222B (zh) | 图像分割方法、遥感图像分割方法以及装置 | |
| 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 | |
| CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
| CN111627103A (zh) | 基于行人活动和密度感知的智慧城市cim成像方法 | |
| CN113988147A (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
| CN114022777A (zh) | 一种遥感影像地物要素的样本制作方法及装置 | |
| He et al. | Semantic segmentation of remote sensing images with self-supervised semantic-aware inpainting | |
| Zhu et al. | Learning knowledge representation with meta knowledge distillation for single image super-resolution | |
| Yao et al. | Cloud Detection in Optical Remote Sensing Images with Deep Semi-supervised and Active Learning | |
| CN116663736A (zh) | 基于双区域位置先验和全局时空表示的短临降水预报方法 | |
| Bellusci et al. | Semantic interpretation of raw survey vehicle sensory data for lane-level HD map generation | |
| CN113591614B (zh) | 一种基于紧邻空间特征学习的遥感影像道路提取方法 | |
| CN116385716A (zh) | 一种基于遥感图的三维地图地物数据自动化生产方法 | |
| CN115797904A (zh) | 一种智能驾驶视觉感知中多场景多任务的主动学习方法 | |
| CN111666849B (zh) | 多视角深度网络迭代进化的多源遥感影像水体检测方法 | |
| Zhao et al. | Label Freedom: Stable Diffusion for Remote Sensing Image Semantic Segmentation Data Generation |
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 |