CN116469005A - 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法 - Google Patents

一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法 Download PDF

Info

Publication number
CN116469005A
CN116469005A CN202310317304.XA CN202310317304A CN116469005A CN 116469005 A CN116469005 A CN 116469005A CN 202310317304 A CN202310317304 A CN 202310317304A CN 116469005 A CN116469005 A CN 116469005A
Authority
CN
China
Prior art keywords
building roof
building
remote sensing
scale
convolution
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
Application number
CN202310317304.XA
Other languages
English (en)
Inventor
林绍福
张畅
刘希亮
姚昕
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202310317304.XA priority Critical patent/CN116469005A/zh
Publication of CN116469005A publication Critical patent/CN116469005A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种利用GF‑2遥感影像进行多尺度建筑物屋顶识别的方法，该方法基于DeepLabv3+网络结构，在编码阶段针对空间金字塔池化结构增加了基于归一化的注意力机制NAM，抑制不显著的特征，更好的提取建筑物屋顶多尺度特征。利用不同膨胀率的深度可分离卷积代替ASPP结构中传统的空洞卷积，综合深度可分离卷积和空洞卷积的优点，提高了模型的高效性。在解码阶段特征融合的过程中，将主干网络ResNet101的底层和中层输出的特征通过自注意力与卷积集合模块，以得到更加精细的识别结果。利用本发明实现对建筑物屋顶的提取，能够处理建筑物屋顶边缘识别不精细的问题，同时也有效优化了不同尺度建筑物屋顶的识别准确性。

Description

一种利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法
技术领域
本发明涉及时空遥感、建筑物屋顶影像分割、建筑物屋顶多尺度特征提取、注意力机制技术，具体涉及一种基于GF-2遥感影像多尺度建筑物屋顶提取的ADSN_DeepLabv3+网络。
背景技术
建筑是人们赖以生存的首要物质空间，而屋顶是构成建筑的重要元素，建筑物的数量、屋顶大小等信息对于土地利用、建筑物专题制图、人口统计、建筑物屋顶利用等应用是必不可少的。而传统的建筑物屋顶统计数据通过人工判读统计的方式，消耗人力资源。基于GF-2遥感影像的建筑物屋顶自动提取为提取建筑物屋顶信息提供了高效、低成本的解决方案。基于GF-2遥感影像进行多尺度建筑物屋顶提取极大减少人力资源，有助于实现建筑物的动态监测，且具有更高的精确度。
为此，本专利提出一种基于GF-2遥感影像多尺度建筑物屋顶提取的ADSN_DeepLabv3+网络，以解决建筑物屋顶多尺度信息利用不充分、边缘识别不精细的问题。该方法基于DeepLabv3+网络结构，在编码阶段针对空间金字塔池化结构(Atrous SpatialPyramid Pooling，ASPP)增加了基于归一化的注意力机制模块(NAM)，抑制不显著的特征，更好的提取建筑物屋顶多尺度特征。利用不同膨胀率的深度可分离卷积代替ASPP结构中传统的空洞卷积，综合深度可分离卷积和空洞卷积的优点，提高了模型的高效性。在解码阶段特征融合的过程中，将主干网络ResNet101的底层和中层输出的特征通过自注意力与卷积集合模块(ACmix)，以增强模型的表征力，捕捉更多的特征，并和编码器中输出的特征进行特征融合，丰富图像的几何细节信息，以得到更加精细的识别结果。该发明能够处理建筑物屋顶边缘识别不精细的问题，同时也有效优化了不同尺度建筑物屋顶的识别准确性。
发明内容
本发明的技术解决问题是：为了解决基于GF-2遥感影像的建筑物屋顶多尺度信息利用不充分、边缘识别不精细的问题，提出一种基于GF-2遥感影像多尺度建筑物屋顶提取的ADSN_DeepLabv3+网络，实现对多尺度建筑物屋顶的提取，并保证识别的准确性。
本发明的技术解决方案为：一种利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，首先获取GF-2遥感数据，对数据进行存储、预处理和数据集划分，形成建筑物屋顶样本库。基于建筑物屋顶样本库，搭建ADSN_DeepLabv3+网络的编码-解码结构，在编码器中，主干网络选择ResNet101网络，输出的特征图传入ASPP结构，针对ASPP模块进行改进，构建不同扩张率的深度可分离卷积DSDConv代替其中的传统空洞卷积，获取多个较大感受野的同时，降低了参数量和计算复杂度，提高了模型的高效性。注意力机制可以帮助神经网络抑制通道中或者是空间中不太显著的特征，因此将NAM引入ASPP结构中，在每一个DSDConv卷积操作之后增加NAM结构，抑制不显著特征，更好的提取了多尺度的特征，并对特征进行融合，最终在编码区的到一个语义信息更加详细的高级特征图。在解码阶段，嵌入ACmix结构，主干网络ResNet 101的浅层和中层输出的大尺寸特征中包含丰富的小尺度信息，通过ACmix结构，对输出的大尺度特征进行学习，通过ACmix内部的卷积以及自注意力机制捕捉更多的特征，最后输出的特征图与编码器得到的高级特征图进行融合，得到更加精细的识别结果。基于构建的ADSN_DeepLabv3+网络，在训练集上进行训练，优化模型参数，直至ADSN_DeepLabv3+模型收敛。基于收敛后的ADSN_DeepLabv3+建筑物屋顶提取模型，对测试集进行预测，输出建筑物屋顶提取结果。其具体步骤如下：
(1)获取GF-2遥感数据，对数据进行存储和预处理。
步骤(1)中，对于获取的GF-2遥感数据，采用标准数据结构进行数据规约。
进一步，对GF-2遥感数据进行高效存储。既可以采用关系型数据库，通过结构化方式，也可以采用NoSQL数据库，通过非结构化方式，进行数据的逻辑存储与管理；既可以采用集中式高性能存储设备，也可以采用分布式集群方式进行建筑物遥感影像数据的物理存储与优化。
更进一步，对建筑物遥感影像数据进行预处理，具体步骤包括：
(a)写入空间信息。在确保精度的前提下，将研究区的空间信息写入高分遥感影像中。
(b)地理配准。利用ArcGIS工具将建筑物屋顶矢量图和高分遥感影像进行地理配准。
(c)图像切割。将配准好的样本标签数据与原始遥感影像切割为500*500像素的图像。
(d)图像过滤。将(c)中原始数据与对应的样本标签数据进行对照，过滤掉无建筑物、建筑物大量未标注的影像，自此建筑物屋顶光伏样本数据库构建完成。
(2)对步骤(1)中获取的具有空间信息的建筑物遥感影像数据集进行屋顶识别，构建多尺度建筑物屋顶提取模型ADSN_DeepLabv3+，具体步骤包括：
(a)构建ADSN_DeepLabv3+网络的编码结构。编码器主要用于提取建筑物屋顶的多尺度特征。选择ResNet101为主干网络，利用残差结构，通过四层卷积，特征图缩小为原来的1/16，将通过主干网络的深层特征图输入到改进的ASPP结构中以提取建筑物屋顶多尺度特征。改进的ASPP结构包含一个1×1卷积、三个3×3的深度可分离空洞卷积，膨胀率分别为(6,12,18)以及一个全局池化操作，引入NAM模块，将每一次操作得到的特征图输入到NAM中，以抑制不明显特征，将通过NAM后输出的特征图进行融合作为改进的ASPP结构的输出，更好的提取了建筑物的多尺度特征，最后通过1×1卷积得到经过编码器特征提取后输出的高级特征图。
(b)构建ADSN_DeepLabv3+网络的解码结构。解码器的作用主要是改善分割结果。骨干网络中的浅层和中层输出的大尺寸特征中包含丰富的小尺度信息，因此在解码阶段嵌入ACmix结构对浅层和中层输出的大尺度特征进行学习，通过ACmix内部的卷积以及自注意力机制捕捉更多的特征。将通过ACmix结构的中层特征图与经过4倍上采样后的解码阶段输出的高级特征图进行融合，通过3×3卷积以及2倍上采样后与通过ACmix结构的浅层特征图相融合，更好的利用了建筑物屋顶的深浅层特征，最后经过3×3卷积以及2倍上采样得到建筑物屋顶的识别结果。经过ACmix结构以及上采样层能够更好地利用建筑物屋顶的多尺度特征进行特征融合，恢复建筑物屋顶的空间信息，得到更加精细的结果。
(3)基于构建的ADSN_DeepLabv3+建筑物屋顶提取网络，在训练集上进行训练，优化模型参数，直至ADSN_DeepLabv3+网络收敛。
(a)多尺度建筑物屋顶特征模型训练。初始时将模型学习率设为0.001，对训练集和验证集进行200轮次训练，观察模型训练的损失loss值以及结果Acc、Precision、Recall、F1-Score等值，利用参数调优的方式，提高Acc、F1-Score值。
(b)多尺度建筑物屋顶特征模型验证。将过程(a)训练轮次中最优模型保留，利用该模型对验证集进行第一轮验证生成预测集，查看预测结果较低的图片，在训练集中添加相同类别数据，使模型可以学习到该类特征。
(c)重复(a)和(b)的过程，直至模型精度达到可用水平，保留最优模型，至此建筑物屋顶提取模型构建完成。
(4)基于收敛后的ADSN_DeepLabv3+建筑物屋顶提取网络，对测试集进行预测，利用输出概率获得建筑物屋顶提取结果，具体步骤包括：利用模型对测试集进行建筑物屋顶特征提取，存储提取结果。
本发明与现有技术相比的优点在于：
1、在编码阶段，构建不同扩张率的深度可分离卷积DSDConv代替传统的空洞卷积，该卷积融合了空洞卷积及深度可分离卷积的优点，获取多个较大感受野的同时，还降低了参数量和计算复杂度，提高了模型的高效性；
2、将NAM引入ASPP结构中，在每一个DSDConv卷积操作之后增加NAM结构，抑制不显著特征，更好的提取了多尺度的特征；
3、在解码阶段嵌入ACmix结构，主干网络ResNet 101的浅层和中层输出的大尺寸特征中包含丰富的小尺度信息，通过ACmix结构，对输出的大尺度特征进行学习，通过ACmix内部的卷积以及自注意力机制捕捉更多的特征。最后输出的特征图与编码器得到的高级特征图进行融合，得到更加精细的识别结果。
附图说明
图1为本发明的整体流程图。
图2为ADSN_DeepLabv3+的网络结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
如图1、图2所示，本发明包括以下步骤：
1、数据存储及预处理：对GF-2遥感数据进行存储，可以采用集中式高性能计算设施，利用高性能服务器、高速网络和高速存储设备集群，物理存储高分遥感数据，也可以采用分布式集群方式，利用分布式计算环境和存储结构进行建筑物高分遥感数据的物理存储。数据预处理的步骤包括：写入空间信息、地理配准、图像切割、图像过滤；
写入空间信息。在确保精度的前提下，将研究区的空间信息写入高分遥感影像中。
地理配准。利用ArcGIS工具将建筑物屋顶矢量图和高分遥感影像进行地理配准。
图像切割。将配准好的样本标签数据与原始遥感影像切割为500*500像素的图像。
图像过滤。将原始数据与对应的样本标签数据进行对照，过滤掉无建筑物、建筑物大量未标注的影像，自此建筑物屋顶光伏样本数据库构建完成。
2、对建筑物遥感影像数据集进行屋顶识别，构建多尺度建筑物屋顶提取模型ADSN_DeepLabv3+网络，具体步骤包括：构建多尺度建筑物屋顶特征学习模型、多尺度建筑物屋顶特征模型训练、多尺度建筑物屋顶特征模型测试、模型调优、存储最优模型；
构建建筑物屋顶特征学习模型：首先构建ADSN_DeepLabv3+网络的编码结构。编码器主要用于提取建筑物屋顶的多尺度特征。选择ResNet101为主干网络，利用残差结构，通过四层卷积，特征图缩小为原来的1/16，将通过主干网络的深层特征图输入到改进的ASPP结构中以提取建筑物屋顶多尺度特征。改进的ASPP结构包含一个1×1卷积、三个3×3的深度可分离空洞卷积，膨胀率分别为(6,12,18)以及一个全局池化操作，引入NAM模块，将每一次操作得到的特征图输入到NAM中，以抑制不明显特征，将通过NAM后输出的特征图进行融合作为改进的ASPP结构的输出，更好的提取了建筑物的多尺度特征，最后通过1×1卷积得到经过编码器特征提取后输出的高级特征图。构建ADSN_DeepLabv3+网络的解码结构。解码器的作用主要是改善分割结果。骨干网络中的浅层和中层输出的大尺寸特征中包含丰富的小尺度信息，因此在解码阶段嵌入ACmix结构对浅层和中层输出的大尺度特征进行学习，通过ACmix内部的卷积以及自注意力机制捕捉更多的特征。将通过ACmix结构的中层特征图与经过4倍上采样后的解码阶段输出的高级特征图进行融合，通过3×3卷积以及2倍上采样后与通过ACmix结构的浅层特征图相融合，更好的利用了建筑物屋顶的深浅层特征，最后经过3×3卷积以及2倍上采样得到建筑物屋顶的识别结果。经过ACmix结构以及上采样层能够更好地利用建筑物屋顶的多尺度特征进行特征融合，恢复建筑物屋顶的空间信息，得到更加精细的结果。
多尺度建筑物屋顶特征模型训练：初始时将模型学习率设为0.01，对训练集和验证集进行200轮次训练，观察模型训练结果ACC、precision、recall、F1等值，在确保precision与recall值相差不多的前提下，利用参数调优的方式，提高precision值。
多尺度建筑物屋顶特征模型验证：将过程(a)训练轮次中最优模型保留，利用该模型对验证集进行第一轮验证生成预测集，查看预测结果较低的图片，在训练集中添加相同类别数据，使模型可以学习到该类特征。
模型调优：重复模型训练和模型测试的过程，直至模型精度达到可用水平，保留最优模型，至此建筑物提取模型构建完成。
存储最优模型：采用集中式高性能计算设施或利用分布式计算环境和存储结构，将调优后最后一轮次模型保留。
3、基于多尺度建筑物屋顶特征模型对全部建筑物屋顶提取遥感影像数据集进行提取，具体步骤包括：全部建筑物屋顶特征提取、存储预测结果；
多尺度建筑物屋顶特征提取：将全部建筑物屋顶遥感影像数据集放入测试集中，利用最优多尺度建筑物屋顶特征提取模型进行建筑物屋顶特征提取，建筑物屋顶特征提取结果precision集，即为建筑物屋顶提取后数据。
存储预测结果：采用集中式高性能计算设施或利用分布式计算环境和存储结构，将建筑物屋顶提取后数据进行物理存储。
需要说明的是，本发明实施例的方法适用于多尺度建筑物屋顶特征提取。
以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，该方法的实施步骤如下：
(1)获取GF-2遥感数据，对GF-2遥感数据进行存储和预处理获取建筑物屋顶数据，对建筑物屋顶进行标记，构造建筑物屋顶提取样本数据库，并按8:2的比例将数据集随机拆分为训练集和测试集；
(2)构建基于GF-2遥感影像多尺度建筑物屋顶提取的ADSN_DeepLabv3+网络的编码结构，获得多尺度建筑物屋顶的高级特征图aux，所述多尺度建筑物屋顶提取网络ADSN_DeepLabv3+网络的编码结构包括骨干网络模块、改进的ASPP模块、特征输出模块；
所述骨干网络模块为ResNet101网络，利用残差结构，包括四个卷积组以及一个池化层，以进行建筑物屋顶的特征提取；
所述改进的ASPP模块包括一个1×1卷积、三个3×3的深度可分离空洞卷积，膨胀率分别为(6,12,18)以及一个全局池化操作，引入NAM模块，将每一次操作得到的特征图输入到NAM中，以抑制不明显特征，将通过NAM后输出的特征图进行融合作为改进的ASPP结构的输出，更好的提取建筑物多尺度特征；
所述特征输出模块包括一个1×1卷积，将通过改进的ASPP模块输出的特征图进行1×1卷积操作，得到经过编码器特征提取后输出的高级特征图；
(3)构建多尺度建筑物屋顶提取网络ADSN_DeepLabv3+的解码结构，得到最终建筑物屋顶识别结果；所述多尺度建筑物屋顶提取网络ADSN_DeepLabv3+的解码结构包括上采样模块、特征融合模块；
所述上采样模块包括对解码阶段生成的高级特征图进行4倍上采样操作，以及对特征融合后的特征图进行两次2倍上采样操作，以恢复识别结果的空间细节信息；
所述特征融合模块包括嵌入自注意力与卷积集合模块(ACmix)结构对骨干网络中的浅层和中层输出的大尺度特征进行学习，通过ACmix内部的卷积以及自注意力机制捕捉更多的特征；将通过ACmix结构的中层特征图与经过4倍上采样后的解码阶段输出的高级特征图进行融合，通过3×3卷积以及2倍上采样后与通过ACmix结构的浅层特征图相融合，更好的利用了建筑物屋顶的深浅层特征，最后经过3×3卷积以及2倍上采样得到建筑物屋顶的识别结果；
(4)基于解码结构和编码结构构建ADSN_DeepLabv3+，编码结构与解码结构相结合，编码结构主要用于多尺度特征提取，解码结构用于特征融合以及恢复空间细节信息，以得到更加精细的建筑物屋顶提取结果；
(5)基于构建的ADSN_DeepLabv3+多尺度建筑物屋顶提取模型，在训练集上进行训练，观察模型训练的损失loss值以及结果Acc、Precision、Recall、F1-Score等值，利用参数调优的方式调整学习率以及迭代次数，直至ADSN_DeepLabv3+模型收敛；
(6)基于收敛后的ADSN_DeepLabv3+多尺度建筑物屋顶提取模型，对测试集进行预测，利用输出概率获得建筑物屋顶提取结果。
2.根据权利要求1所述的利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，所述步骤(1)中，对于GF-2遥感影像的存储，既能够采用集中式高性能存储设备，也能够采用分布式集群方式进行数据的物理存储与优化；对于GF-2遥感影像数据的处理，包括写入空间信息、地理配准、图像切割、图像过滤；对于GF-2遥感影像数据的划分，采用公开划分方式8:2的比例，将其拆分为训练集和测试集。
3.根据权利要求1所述的利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，所述步骤(2)中，采用编码结构构建多尺度建筑物屋顶提取网络ADSN_DeepLabv3+，包括：
(1)ASPP结构中构建不同扩张率的深度可分离卷积DSDConv替换ASPP中的空洞卷积；
(2)将基于归一化的注意力机制模块NAM引入ASPP结构中，在每一个DSDConv卷积操作之后增加NAM结构。
4.根据权利要求1所述的利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，所述步骤(3)中，增加特征融合模块构建多尺度建筑物屋顶提取网络ADSN_DeepLabv3+的解码结构，以提取精细的建筑物屋顶识别结果。
5.根据权利要求1所述的利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，所述步骤(4)中，基于解码结构和编码结构构建ADSN_DeepLabv3+，采用改进的编码-解码结构进行多尺度建筑物屋顶提取；ADSN_DeepLabv3+模型分为两部分编码器和解码器，将建筑物屋顶特征提取作为编码器，输出的高级特征图作为解码器的输入，骨干网络的中层以及浅层特征图作为特征融合的输入，解码器用于上采样恢复图像的空间细节信息，进行深层特征与浅层特征的融合，得到更加精细的建筑物屋顶识别结果。
6.根据权利要求1所述的利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，所述步骤(5)中，基于构建的ADSN_DeepLabv3+建筑物屋顶提取模型，在训练集上进行训练，包括：
(1)初始化ADSN_DeepLabv3+建筑物提取模型参数，固定训练集的裁剪大小，每批次输入张数，以及初始学习率；
(2)多尺度建筑物屋顶识别网络采用PyTorch框架进行训练，根据分割损失函数计算真实标签与概率图的损失值，其中分割损失函数由二值交叉熵损失和均方损失共同构成；
(3)通过后向反馈不断更新网络参数，直至网络收敛。
7.根据权利要求1所述的利用GF-2遥感影像进行多尺度建筑物屋顶识别的方法，其特征在于，所述步骤(6)中，基于收敛后的ADSN_DeepLabv3+建筑物屋顶提取模型，对测试集进行预测，包括：
(1)输入测试集影像，对其进行归一化操作；
(2)将归一化后的影像输入到已经训练好的模型中，得到测试集的建筑物屋顶分割图。
CN202310317304.XA 2023-03-27 2023-03-27 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法 Pending CN116469005A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310317304.XA CN116469005A (zh) 2023-03-27 2023-03-27 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310317304.XA CN116469005A (zh) 2023-03-27 2023-03-27 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法

Publications (1)

Publication Number Publication Date
CN116469005A true CN116469005A (zh) 2023-07-21

Family

ID=87176319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310317304.XA Pending CN116469005A (zh) 2023-03-27 2023-03-27 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法

Country Status (1)

Country Link
CN (1) CN116469005A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456530A (zh) * 2023-12-20 2024-01-26 山东大学 基于遥感图像的建筑物轮廓分割方法、系统、介质及设备
CN117612023A (zh) * 2023-11-23 2024-02-27 国网江苏省电力有限公司扬州供电分公司 融合注意力机制和卷积神经网络的遥感图像屋顶识别方法
CN117746247A (zh) * 2023-12-25 2024-03-22 成都国星宇航科技股份有限公司 基于多源地理信息和遥感影像的屋顶类型识别方法及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612023A (zh) * 2023-11-23 2024-02-27 国网江苏省电力有限公司扬州供电分公司 融合注意力机制和卷积神经网络的遥感图像屋顶识别方法
CN117456530A (zh) * 2023-12-20 2024-01-26 山东大学 基于遥感图像的建筑物轮廓分割方法、系统、介质及设备
CN117456530B (zh) * 2023-12-20 2024-04-12 山东大学 基于遥感图像的建筑物轮廓分割方法、系统、介质及设备
CN117746247A (zh) * 2023-12-25 2024-03-22 成都国星宇航科技股份有限公司 基于多源地理信息和遥感影像的屋顶类型识别方法及设备

Similar Documents

Publication Publication Date Title
CN116469005A (zh) 一种利用gf-2遥感影像进行多尺度建筑物屋顶识别的方法
CN109446970B (zh) 一种基于深度学习的变电站巡检机器人道路场景识别方法
CN113379699A (zh) 基于深度学习的输电线路绝缘子缺陷检测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN112733866B (zh) 一种提高可控图像文本描述正确性的网络构建方法
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN113627266B (zh) 基于Transformer时空建模的视频行人重识别方法
CN113780149A (zh) 一种基于注意力机制的遥感图像建筑物目标高效提取方法
CN111460936A (zh) 基于U-Net网络的遥感影像建筑物提取方法、系统、电子设备
CN112819686A (zh) 基于人工智能的图像风格处理方法、装置及电子设备
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
CN115424059A (zh) 一种基于像素级对比学习的遥感土地利用分类方法
CN115984714B (zh) 一种基于双分支网络模型的云检测方法
CN114821342A (zh) 一种遥感影像道路提取方法及系统
CN116310339A (zh) 基于矩阵分解增强全局特征的遥感图像分割方法
CN113033454A (zh) 一种城市视频摄像中建筑物变化的检测方法
CN114092815A (zh) 一种大范围光伏发电设施遥感智能提取方法
CN114463340B (zh) 一种边缘信息引导的敏捷型遥感图像语义分割方法
CN109657082A (zh) 基于全卷积神经网络的遥感图像多标签检索方法及系统
CN115170403A (zh) 基于深度元学习和生成对抗网络的字体修复方法及系统
CN114550014A (zh) 道路分割方法及计算机装置
CN117058437B (zh) 一种基于知识蒸馏的花卉分类方法、系统、设备及介质
CN117671666A (zh) 一种基于自适应图卷积神经网络的目标识别方法
CN112818818A (zh) 一种基于affpn的新型超高清遥感图像变化检测方法
CN117078925A (zh) 一种基于RDSA-DeepLabV3+网络的建筑垃圾年产量精算方法

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