CN116630820A - 光学遥感数据星上并行处理方法与装置 - Google Patents
光学遥感数据星上并行处理方法与装置 Download PDFInfo
- Publication number
- CN116630820A CN116630820A CN202310530434.1A CN202310530434A CN116630820A CN 116630820 A CN116630820 A CN 116630820A CN 202310530434 A CN202310530434 A CN 202310530434A CN 116630820 A CN116630820 A CN 116630820A
- Authority
- CN
- China
- Prior art keywords
- module
- remote sensing
- optical remote
- data
- sensing data
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 117
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 168
- 230000011218 segmentation Effects 0.000 claims abstract description 107
- 238000007781 pre-processing Methods 0.000 claims abstract description 81
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims description 57
- 238000012544 monitoring process Methods 0.000 claims description 51
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 29
- 238000011176 pooling Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 230000002093 peripheral effect Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000001629 suppression Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 239000013307 optical fiber Substances 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000012856 packing Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06N3/04—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
- G06V10/20—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
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种光学遥感数据星上并行处理方法与装置，所述装置包括：主控与预处理模块(100)，用于通过星务轮询方式获取光学遥感数据并进行预处理与切片处理；至少一个数据处理模块(200)，用于对所述预处理与切片处理后的光学遥感数据进行目标的并行检测识别或语义分割，再将结果回传至所述主控与预处理模块(100)；电源模块(300)，用于对所述主控与预处理模块(100)和所述数据处理模块(200)上电；背板(400)，用于连接所述主控与预处理模块(100)、所述数据处理模块(200)和所述电源模块(300)。通过实施本发明的上述方案，可用于光学遥感卫星数据的在轨并行处理，从而实现目标的在轨实时检测识别以及光学遥感数据的在轨实时语义分割。
Description
技术领域
本发明涉及卫星在轨实时处理技术领域，尤其涉及一种光学遥感数据星上并行处理方法与装置。
背景技术
传统的卫星数据处理流程存在链路长、无效数据量大的问题，且当前星上数据处理平台以FPGA、DSP处理器为主，存在在轨处理计算力不足、集成化水平较低、在轨升级难度大等问题，不具备批量化生产和大规模应用能力，导致卫星对地观测系统响应时间长，难以满足大规模星群部署需求。
随着智能硬件、深度学习算法的发展，以及灾害预警、气象预报、国防等应用领域对遥感卫星信息快速获取能力的需求，构建星载高算力、标准化、模块化、高集成度的光学遥感数据在轨处理装置十分必要。
发明内容
为解决上述现有技术存在的技术问题，本发明的目的在于提供一种光学遥感数据星上并行处理方法与装置，可用于对光学遥感卫星数据在轨并行处理，从而实现目标的在轨实时检测识别以及光学遥感数据的在轨实时语义分割。
为实现上述发明目的，本发明的技术方案是：
本发明实施例第一方面提供一种光学遥感数据星上并行处理装置，包括：
主控与预处理模块，用于通过星务轮询方式获取光学遥感数据并进行预处理与切片处理；
至少一个数据处理模块，用于对所述预处理与切片处理后的光学遥感数据进行目标的并行检测识别或语义分割，再将结果回传至所述主控与预处理模块；
电源模块，用于对所述主控与预处理模块和所述数据处理模块上电；
背板，用于连接所述主控与预处理模块、所述数据处理模块和所述电源模块。
根据本发明实施例的第一方面，还包括：高速存储模块，用于高速存储所述主控与预处理模块的目标检测识别结果或语义分割结果；
所述电源模块还用于对所述高速存储模块上电；
所述背板还用于连接所述高速存储模块。
根据本发明实施例的第一方面，所述高速存储模块包括：第三数据分发单元、存储单元、第三监控管理单元、第三电源转换单元及其外围电路，
所述第三数据分发单元，用于运行数据存取算法和处理存储的所述目标检测识别结果或语义分割结果；
所述存储单元，用于存储所述目标检测识别结果或语义分割结果；
所述第三监控管理单元，用于所述高速存储模块的状态监测、反馈、时钟管理及复位；
所述第三电源转换单元，转换所述电源模块提供的电源信号，为所述高速存储模块内各单元供电。
根据本发明实施例的第一方面，所述主控与预处理模块通过SRIO接口与所述数据处理模块进行数据交互，通过SRIO接口与所述高速存储模块进行数据交互，通过LVDS接口与所述数据处理模块、所述高速存储模块进行同步控制，通过RS422接口与所述数据处理模块、所述高速存储模块连接进行通信，通过光纤与光学遥感卫星载荷进行数据交互，通过CAN/LVDS接口与卫星综合电子平台通信。
根据本发明实施例的第一方面，采用Space VPX架构通过所述背板实现所述主控与预处理模块、所述数据处理模块、所述电源模块、所述高速存储模块的互连。
根据本发明实施例的第一方面，所述数据处理模块、所述高速存储模块中的监控管理单元由所述主控与预处理模块的监控管理单元通过系统管理总线统一监控和管理；
所述主控与预处理模块、所述数据处理模块中的程序存储器用于存储软件程序、上电初始化配置和在轨重构。
根据本发明实施例的第一方面，所述主控与预处理模块包括：控制单元、第一数据处理单元、第一数据分发单元、第一监控管理单元、第一电源转换单元、数据缓存单元及其外围电路，
所述控制单元，用于所述光学遥感数据星上并行处理装置的运行、监测、控制和对外通信；
所述第一数据处理单元，用于光学遥感数据的预处理和第一次切片处理，获得光学遥感数据切片；
所述第一数据分发单元，用于所述光学遥感数据星上并行处理装置与光学遥感卫星载荷的数据交互，以及与卫星综合电子平台的指令交互和状态反馈；
所述第一监控管理单元，用于系统监测、状态管理、时钟管理和全局复位；
所述第一电源转换单元，用于转换所述电源模块提供的电源信号，为所述主控与预处理模块内各单元供电。
根据本发明实施例的第一方面，所述数据处理模块包括：多个第二数据处理单元、第二监控管理单元、第二电源转换单元及其外围电路，
所述多个第二数据处理单元，用于对所述光学遥感数据切片进行第二次切片处理，调用同一种目标检测算法进行目标的并行检测识别或调用同一种语义分割算法进行语义分割，并对目标检测识别结果或语义分割结果进行打包压缩；
所述第二监控管理单元，用于所述数据处理模块的状态监测、反馈、时钟管理和复位；
所述第二电源转换单元，用于转换所述电源模块提供的电源信号，为所述数据处理模块内各单元供电。
根据本发明实施例的第一方面，所述电源模块包括：
浪涌抑制单元，用于抑制瞬间脉冲电流；
电源EMI抑制单元，用于提高电源电磁兼容性、抗电源浪涌并抑制电源噪声；
电压转换单元，用于将外部电源电压转换成上电电压。
本发明实施例第二方面提供一种利用所述光学遥感数据星上并行处理装置实现的光学遥感数据星上并行处理方法，包括：
所述电源模块通过所述背板对所述主控与预处理模块、所述数据处理模块、高速存储模块进行上电，所述主控与预处理模块、所述数据处理模块、所述高速存储模块自动加载软件程序；
所述主控与预处理模块通过星务轮询方式获取光学遥感数据并进行预处理与第一次切片处理；
至少一个所述数据处理模块调用同一种目标检测算法或同一种语义分割算法对所述光学遥感数据进行第二次切片处理，完成目标的并行检测识别或语义分割，将目标检测识别结果或语义分割结果回传至所述主控与预处理模块；
所述主控与预处理模块根据卫星综合电子平台的指令，将所述目标检测识别结果或语义分割结果上传至所述卫星综合电子平台，或者保存至所述高速存储模块；
之后所述主控与预处理模块启动初始化指令，对所述主控与预处理模块和所述数据处理模块的缓存进行清理，并初始化软件程序。
根据本发明实施例的第二方面，所述语义分割算法为基于超像素分割和长短程特征融合的轻量级语义分割算法，所述调用同一种所述语义分割算法进行光学遥感数据的语义分割，包括：
使用主干网络ResNet提取光学遥感数据的特征图F∈RH×W×C，其中，H，W分别表示光学遥感数据输入的高度和宽度，C表示特征图的通道数；
将所述特征图F∈RH×W×C输入基于SLIC算法的超像素分割池化层进行超像素分割和超像素池化，将具有相同像素特征的像素约束为像素块；
利用长短程特征融合单元提取并融合光学遥感数据中局部和全局的语义信息，并通过加权融合得到特征图F′；
利用Softmax层对所述特征图F′进行计算，输出光学遥感图像的语义分割结果；
所述将所述特征图F∈RH×W×C输入基于SLIC算法的超像素分割池化层进行超像素分割和超像素池化，将具有相同像素特征的像素约束为像素块，包括：
利用SLIC算法在CIE-Lab颜色空间上，根据超参数K对光学遥感数据进行聚类计算，生成K个超像素区域；
按照超像素分割结果对光学遥感数据中的像素进行分类生成权重矩阵W∈RH×W，矩阵中每一项w∈W，都有w＝0，1，2...K-1；
根据权重矩阵W，对主干网络ResNet提取到的特征图F进行超像素分割池化计算，将特征图F中处于同一超像素区域的特征值进行平均化处理，生成特征矩阵Fp∈RH×W×C，实现超像素块上的特征统一，即：
其中，是超像素池化计算；
所述利用长短程特征融合单元提取并融合光学遥感数据中局部和全局的语义信息，并通过加权融合得到特征图F′，包括：
将基于SLIC算法的超像素分割池化层输出的特征矩阵Fp∈RH×W×C输入长短程特征融合单元中，所述长短程特征融合单元包括局部特征提取分支和全局注意力分支；
利用所述局部特征提取分支提取局部语义信息，得到局部特征图F′1，为：
F′1＝Fp+σ1(γ(σ2(Fp)))
其中，F′1∈RH×W×C为所述局部特征提取分支的输出，所述局部特征提取分支包含两个3×3的深度可分离卷积σ1σ2和一个1×1卷积γ；
利用所述全局注意力分支按像素块进行注意力计算，得到全局特征图F′2，为：
F′2＝Fp+ω(A×Fp)
其中，A∈RK×H×W为由像素块之间的注意力所确定的特征图的注意力矩阵，K为超像素分割的区域数量，ω为可学习的权重参数；
像素块j对i的注意力aij的计算公式如下：
其中，fi，fj，fk分别表示第i，j，k个像素块的特征值，K为超像素分割的区域数量；全局注意力的计算量为O(K2)，与超像素分割的超参数K有关，远小于光学遥感数据中的像素值n＝H×W；
使用加权融合的方法对所述局部特征图F′1和所述全局特征图F′2进行融合，并通过一个1×1的卷积层进行通道压缩，得到特征图F′，为：
其中，α，β为可学习的权重。
与现有技术相比，本发明具有以下有益效果：
本发明实施例基于模块化、可扩展和可重构的原则，采用Space VPX架构将高速、高性能、可扩展的主控与预处理模块、数据处理模块、电源模块、背板和高速存储模块进行互连，实现多种异构计算资源的动态互连，可满足星上实时处理所需的高算力需求。解决了光学遥感目标的高精度实时检测识别和语义分割的问题，适用于光学遥感卫星数据目标信息的在轨实时智能处理。
本发明实施例中由支持扩展的多个数据处理模块及其多个数据处理单元进行数据的并行处理。对于大数据量的遥感数据，通过第一次切片，将图像数据切分成与数据处理模块中数据处理单元数量相等的图像切片，分别传送给各数据处理单元进行并行处理，该数据处理单元对图像切片进行二次切片，并将二次切片图像数据依次进行目标的检测识别或光学遥感数据的语义分割。此方法可显著减少大数据量遥感数据的解译处理时间。
本发明实施例基于可靠性原则，在主控与预处理模块、数据处理模块、高速存储模块中设计监控管理单元，由主控与预处理模块通过系统管理总线，实时监控、管理各模块的工作状态，针对异常工作状态可实现复位。
本发明实施例的光学遥感数据星上并行处理装置中各模块的关键电子元器件，如CPU、FPGA等均配有存储器件，用于存储控制程序、处理算法和模型参数等软件程序，支持上电自启和软件参数的上注更新，实现器件、模块和装置功能的动态重构。
本发明实施例基于轻量化的深度学习网络设计原则，设计并搭载了一种基于超像素分割和长短程特征融合的轻量级实时语义分割算法，针对星上计算资源有限和光学遥感数据大尺度空间和较少目标种类的问题，利用超像素分割和两分支的特征融合单元，在降低星上处理复杂度的同时，满足了光学遥感卫星数据的在轨实时智能解译处理。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性表示本发明实施例公开的一种光学遥感数据星上并行处理装置的组成结构图；
图2示意性表示本发明实施例公开的一种光学遥感数据星上并行处理装置中各模块监控管理单元的设计原理图；
图3和图4示意性表示本发明实施例公开的一种光学遥感数据星上并行处理方法的实现流程图；
图5、图6和图7示意性表示本发明实施例公开的语义分割算法设计原理图；
图8示意性表示本发明实施例公开的程序上注数据流；
图9示意性表示本发明实施例公开的监控管理单元功能描述。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在，本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
如图1所示，本发明实施例第一方面提供一种光学遥感数据星上并行处理装置，包括：主控与预处理模块100、至少一个数据处理模块200、电源模块300、背板400和高速存储模块500。其中，主控与预处理模块100用于通过星务轮询方式获取光学遥感数据并进行预处理与切片处理。数据处理模块200用于对预处理与切片处理后的光学遥感数据进行目标的并行检测识别或语义分割，再将结果回传至主控与预处理模块100。高速存储模块500用于高速存储主控与预处理模块100的目标检测识别结果或语义分割结果。电源模块300用于对主控与预处理模块100、数据处理模块200和高速存储模块500上电。背板400用于连接主控与预处理模块100、数据处理模块200、电源模块300和高速存储模块500。
本实施例中的光学遥感数据星上并行处理装置采用Space VPX架构通过背板400实现主控与预处理模块100、数据处理模块200、电源模块300、高速存储模块500的互连，实现各个模块间的数据交互与同步控制。也就是说，各模块基于Space VPX标准的拓扑架构实现动态互连，可满足星上实时处理所需的高算力需求。
具体的，主控与预处理模块100包括：控制单元、第一数据处理单元、第一数据分发单元、第一监控管理单元、第一电源转换单元、数据缓存单元及其外围电路。其中，控制单元由CPU、数据缓存、程序存储器及其外围电路组成，用于光学遥感数据星上并行处理装置的运行、监测、控制和对外通信。第一数据处理单元由FPGA、数据缓存、程序存储器及其外围电路组成，用于光学遥感数据的预处理和第一次切片处理，将光学遥感数据(即光学遥感图像)切分成与数据处理模块200中的数据处理单元数量相同的光学遥感数据切片(即光学遥感图像切片)，并传送给各数据处理单元进行并行处理。第一数据分发单元由FPGA、数据缓存、接口电路、程序存储器及其外围电路组成，用于光学遥感数据星上并行处理装置与光学遥感卫星载荷的数据交互，以及与卫星综合电子平台的指令交互和状态反馈。第一监控管理单元由反熔丝FPGA及其外围电路组成，用于系统监测、状态管理、时钟管理和全局复位等。第一电源转换单元由多组电源转换芯片及其外围电路组成，用于转换电源模块300提供的电源信号，为主控与预处理模块100内各单元供电，以满足各单元的电源需求。
数据处理模块200包括：多个第二数据处理单元、第二监控管理单元、第二电源转换单元及其外围电路。其中，多个第二数据处理单元由AI芯片、程序存储器及其外围电路组成，用于对光学遥感图像切片进行第二次切片处理，调用同一种目标检测算法进行目标的并行检测识别或调用同一种语义分割算法进行语义分割，并对目标检测识别结果或语义分割结果进行打包压缩等后处理，可以显著减少大数据量遥感数据的检测识别时间和语义分割时间。第二监控管理单元由反熔丝FPGA及其外围电路组成，用于数据处理模块200的状态监测、反馈、时钟管理和复位等。第二电源转换单元由多组电源转换芯片及其外围电路组成，用于转换电源模块300提供的电源信号，为数据处理模块200内各单元供电，以满足各单元的电源需求。
电源模块300包括：浪涌抑制单元、电源EMI抑制单元和电压转换单元。浪涌抑制单元，用于抑制瞬间脉冲电流，避免浪涌对装置中其他模块的损害。电源EMI抑制单元由EMI滤波器及其外围电路组成，用于提高电源电磁兼容性、抗电源浪涌并抑制电源噪声。电压转换单元由电源转换芯片及其外围电路组成，用于将外部电源电压转换成上电电压，为装置供电。外部电源电压可以是42V或100V，上电电压可以是5V或12V。
高速存储模块500包括：第三数据分发单元、存储单元、第三监控管理单元、第三电源转换单元及其外围电路。第三数据分发单元由FPGA、数据缓存、程序存储器及其外围电路组成，用于运行数据存取算法和处理存储的目标检测识别结果或语义分割结果。存储单元由NANS FLASH及其外围电路组成，用于存储目标检测识别结果或语义分割结果。第三监控管理单元由反熔丝FPGA及其外围电路组成，用于高速存储模块500的状态监测、反馈、时钟管理和复位等。第三电源转换单元由多组电源转换芯片及其外围电路组成，转换电源模块300提供的电源信号，为高速存储模块500内各单元供电，以满足各单元的电源需求。
具体的，主控与预处理模块100通过SRIO接口与数据处理模块200进行数据交互(数据带宽可达31.2Gbps)，通过SRIO接口与高速存储模块500进行数据交互(数据带宽可达20Gbps)，通过LVDS接口与数据处理模块200、高速存储模块500进行同步控制，通过RS422接口与数据处理模块200、高速存储模块500连接进行通信，通过光纤与光学遥感卫星载荷进行数据交互，通过CAN/LVDS接口与卫星综合电子平台通信。SRIO接口、LVDS接口、RS422接口设置在背板400的槽位处，光纤接口和CAN/LVDS接口设置在主控与预处理模块100上。在背板400预留槽位，可根据实际计算需要，扩展多个数据处理模块200。各个数据处理模块200以及其中的各组第二数据处理单元实现并行处理与计算。
例如，背板400提供6个槽位，其中从槽位0至槽位5分别承载电源模块300、高速存储模块500、主控与预处理模块100、数据处理模块200和两个预留槽位，这两个预留槽位便于数据处理模块200的扩展。用于承载和扩展数据处理模块200的三个槽位为SRIO接口，方便扩展数据处理模块200，承载高速存储模块500的槽位1为SRIO接口。
如图2所示，主控与预处理模块100、数据处理模块200、高速存储模块500中都包含监控管理单元，数据处理模块200、高速存储模块500中的监控管理单元由主控与预处理模块100的监控管理单元通过系统管理总线统一监控和管理。
主控与预处理模块100、数据处理模块200、高速存储模块500中的监控管理单元，即上述第一监控管理单元、第二监控管理单元和第三监控管理单元的功能还主要包括完成主控与预处理模块100、数据处理模块200、高速存储模块500的单模块的监控管理与复位。此功能具体包括硬件异常闭环控制和软件运行状态异常闭环控制，如图9所示。
对于硬件异常闭环控制，采用ADC采样芯片+精密采样电阻的设计方案，实时采样板卡的供电系统运行状态，通过采样电阻将电流信号转为电压信号进行采集。当负载异常导致电流或电压突变，且超出阈值时，启动断电重启操作，避免负载异常损伤。
对于软件运行状态异常闭环控制，基于看门狗监控模块的输入输出反馈，动态监控软件运行状态。当软件出现运行异常或“死机”的情况，监控管理单元会给相应的芯片发出异常复位信号，进而完成对异常状态的自主处置。
主控与预处理模块100、数据处理模块200中的程序存储器由NOR Flash存储器组成，用于存储软件程序、上电初始化配置和在轨重构。软件程序包含主控与预处理模块100、数据处理模块200、高速存储模块500的控制程序、数据处理的相关算法和深度学习模型参数等，可通过CAN总线以上注的方式更新，由主控与预处理模块100的RS422接口传送给相应的模块，实现芯片、模块、装置的功能可重构。
对于此装置的软件快速在轨重构功能，具体的，如图8所示，对于卫星综合电子平台发送来的数据包，首先进行数据量的判断，若数据量低于1Mb的上注数据包，通过RS422接口发送至数据处理模块200、高速存储模块500；若数据量大于等于1Mb的上注数据包，通过SRIO接口发送至数据处理模块200、高速存储模块500，用于软件在轨重构。
主控与预处理模块100中各单元的关键器件可以但不局限于：控制单元CPU(如BM3883MARH SPARC V8)、数据处理单元FPGA(如JFM7V690T)、数据分发单元FPGA(如BQR5V95T)、数据缓存单元DDR3&NAND FLASH(如SCH13H8G、SM29F256G)、监控管理单元反熔丝FPGA(如JRT54SX72A)、电源转换单元(如SM70302等)。
数据处理模块200中各单元的关键器件可以但不局限于：数据处理单元AI芯片(如Yulong810A)、监控管理单元反熔丝FPGA(如JRT54SX72A)、电源转换单元(如SM70302等)。
高速存储模块500中各单元的关键器件可以但不局限于：数据分发单元FPGA(如BQR5V95T)、存储单元NAND FLASH(如SM29F256G)、监控管理单元反熔丝FPGA(如JRT54SX72A)、电源转换单元(如SM70302等)。
如图3所示，本发明实施例第二方面提供一种利用上述光学遥感数据星上并行处理装置实现的光学遥感数据星上并行处理方法。该方法的具体实现步骤包括如下：
S100、电源模块通过背板对主控与预处理模块、数据处理模块、高速存储模块进行上电，主控与预处理模块、数据处理模块、高速存储模块自动加载软件程序；
S200、主控与预处理模块通过星务轮询方式获取光学遥感数据并进行预处理与第一次切片处理；
S300、至少一个数据处理模块调用同一种目标检测算法或同一种语义分割算法对光学遥感数据进行第二次切片处理，完成目标的并行检测识别或语义分割，将目标检测识别结果或语义分割结果回传至主控与预处理模块；
S400、主控与预处理模块根据卫星综合电子平台的指令，将目标检测识别结果或语义分割结果上传至卫星综合电子平台，或者保存至高速存储模块，以备调用；
S500、之后主控与预处理模块启动初始化指令，对主控与预处理模块和数据处理模块的缓存进行清理，并初始化软件程序。
在本实施例中，上述步骤S300中数据处理模块包含多个第二数据处理单元，多个第二数据处理单元分别对第一次切片后的每个光学遥感图像切片再进行二次切片，执行同一种目标检测算法或同一种语义分割算法对二次切片后的光学遥感图像进行目标的并行检测识别或语义分割，并将检测识别结果或语义分割结果打包压缩回传给主控与预处理模块。
语义分割算法采用一种基于超像素分割和长短程特征融合的轻量级语义分割算法。
如图5所示，本实施例中在数据处理模块上设计并搭载了一种基于超像素分割和长短程特征融合的轻量级语义分割算法，调用该算法进行光学遥感数据的语义分割的具体步骤如下：
(1)使用主干网络ResNet提取光学遥感数据的特征图F∈RH×W×C，其中，H，W分别表示光学遥感数据输入的高度和宽度，C表示特征图的通道数。
(2)将特征图F∈RH×W×C输入基于SLIC算法的超像素分割池化层进行超像素分割和超像素池化，使用SLIC算法对待处理的光学遥感数据进行超像素分割，得到超像素权重矩阵，超像素池化层利用超像素权重矩阵对输入的特征图F进行超像素池化，构成不同像素块。基于SLIC算法的超像素分割池化层将具有相同像素特征的像素约束为像素块。
(3)利用长短程特征融合单元提取并融合光学遥感数据中局部和全局的语义信息，长短程特征融合单元包含一个局部特征提取分支和一个全局注意力分支，并利用加权融合两个分支的输出，得到特征图F′。
(4)特征图F′通过Softmax层计算输出光学遥感图像的语义分割结果。
如图6所示，为基于SLIC算法的超像素分割池化层的计算过程示意。所述将所述特征图F∈RH×W×C输入基于SLIC算法的超像素分割池化层进行超像素分割和超像素池化，将具有相同像素特征的像素约束为像素块的实施过程，其具体步骤如下：
(2.1)利用SLIC算法对光学遥感数据进行超像素分割，SLIC算法在CIE-Lab颜色空间上，根据超参数K对光学遥感数据进行聚类计算，生成个超像素区域；
(2.2)按照超像素分割结果对光学遥感数据中的像素进行分类生成超像素权重矩阵W∈RH×W，矩阵中每一项w∈W，都有w＝0，1，2...K-1；
(2.3)根据超像素权重矩阵W，对主干网络ResNet提取到的特征图F进行超像素分割池化计算，与一般利用卷积的池化不同，该超像素分割池化是根据权重矩阵W，将特征图F中处于同一超像素区域的特征值进行平均化处理，生成特征矩阵Fp∈RH×W×C，实现超像素块上的特征统一，即有：
其中，为超像素池化计算。
如图7所示，为所述长短程特征融合单元的计算过程示意图。所述利用长短程特征融合单元提取并融合光学遥感数据中局部和全局的语义信息，并通过加权融合得到特征图F′的实施过程，其具体步骤如下：
(3.1)将基于SLIC算法的超像素分割池化层的结果，即输出的特征矩阵Fp∈RH×W×C输入该长短程特征融合单元中；
(3.2)长短程特征融合单元中的局部特征提取分支，包含两个3×3的深度可分离卷积σ1σ2和一个1×1卷积γ，其中深度可分离卷积减少计算量以实现轻量化设计，利用所述局部特征提取分支提取局部语义信息，得到局部特征图F′1，可以表示为：
F′1＝Fp+σ1(γ(σ2(Fp)))
其中，F′1∈RH×W×C为局部特征提取分支的输出；
(3.3)利用长短程特征融合单元中的全局注意力分支，基于超像素分割后的特征，按像素块进行注意力计算，得到全局特征图F′2，可以表示为：
F′2＝Fp+ω(A×Fp)
其中，A∈RK×H×W为由像素块之间的注意力确定特征图的注意力矩阵，K为超像素分割的区域数量，ω为可学习的权重参数；
(3.4)像素块j对i的注意力aij的计算公式如下：
其中，fi，fj，fk分别表示第i，j，k个像素块的特征值，K为超像素分割的区域数量；全局注意力计算方法的计算量为O(K2)，与超像素分割的超参数K有关，远小于光学遥感数据中的像素值n＝H×W，与按像素计算注意力的一般方法O(n2)相比，该全局注意力计算方法实现低计算量的轻量级注意力机制；
(3.5)使用加权融合的方法对提取到的局部特征和全局特征进行融合，并通过一个1×1的卷积层进行通道压缩，输出特征图F′，可以表示为：
其中，α，β为可学习的权重，F′1，F′2分别表示局部特征提取分支和全局注意力分支两个分支的输出特征图。
本实施例以条带成像模式光学遥感数据(单次数据率：10.8Gbit；成像空间分辨率：0.5米；成像幅宽：7.5km×30km)海面船只目标检测以及海面场景语义分割为例，详细说明光学遥感数据的在轨目标实时检测识别或语义分割的过程，即以上方法的具体实施步骤。如图4所示，具体步骤如下：
(1)VPX机箱接电，通过电源模块对光学遥感数据星上并行处理装置进行上电，主控与预处理模块、数据处理模块、高速存储模块分别自动加载各模块的相关程序、算法和模型参数；
(2)主控与预处理模块通过光纤接口，获取光学遥感数据(10.8Gbit)，并对光学遥感数据进行传感器辐射校正、数据归一化等预处理，形成7.2Gbit的数据包，再经过图像切片，切分成12个图像切片，形成多个0.87Gbit大小的数据包，分发给数据处理模块；
(3)数据处理模块接收主控与预处理模块的数据包，通过SRIO路由芯片，分别转发给数据处理模块上的12个810A计算单元，进行并行处理；
(4)810A计算单元将数据包再次切片，形成单张图像切片大小为640×640像素，分块步长为80像素。然后，将图像切片依次输入提前训练好的深度神经网络目标检测算法(以Yolo V5S为例)或所述基于超像素分割和长短程特征融合的轻量级语义分割算法，完成光学遥感图像的目标检测识别或语义分割处理。最后提取目标位置和图像切片，将目标检测识别结果或语义分割结果进行打包压缩，回传至主控与预处理模块；
(5)主控与预处理模块将目标检测识别结果或语义分割结果进行处理后，根据卫星综合电子平台的指令上传至卫星综合电子平台或存入高速存储模块，以备调用；
(6)传输完成后，主控与预处理模块启动装置的初始化指令，完成主控与预处理模块、数据处理模块的缓存清理以及软件程序的初始化。
在本发明所提供的实施例中，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。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，如：多个模块或组件可以重组，或可以集成到另一个系统，或一些特征可以忽略，或不执行。可以根据实际的需要选择其中的部分或全部模块或扩展模块来实现本发明的目的。另外，在本发明各实施例中的各功能模块可以全部集成在一个处理单元中，也可以是各模块分别单独作为一个单元，也可以两个或两个以上模块集成在一个单元中；上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本发明的方法所涉及的上述各个步骤的序号并不意味着方法执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本发明的实施方式的实施过程构成任何限定。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种光学遥感数据星上并行处理装置，其特征在于，包括：
主控与预处理模块(100)，用于通过星务轮询方式获取光学遥感数据并进行预处理与切片处理；
至少一个数据处理模块(200)，用于对所述预处理与切片处理后的光学遥感数据进行目标的并行检测识别或语义分割，再将结果回传至所述主控与预处理模块(100)；
电源模块(300)，用于对所述主控与预处理模块(100)和所述数据处理模块(200)上电；
背板(400)，用于连接所述主控与预处理模块(100)、所述数据处理模块(200)和所述电源模块(300)。
2.根据权利要求1所述的光学遥感数据星上并行处理装置，其特征在于，还包括：高速存储模块(500)，用于高速存储所述主控与预处理模块(100)的目标检测识别结果或语义分割结果；
所述电源模块(300)还用于对所述高速存储模块(500)上电；
所述背板(400)还用于连接所述高速存储模块(500)；
所述高速存储模块(500)包括：第三数据分发单元、存储单元、第三监控管理单元、第三电源转换单元及其外围电路，
所述第三数据分发单元，用于运行数据存取算法和处理存储的所述目标检测识别结果或语义分割结果；
所述存储单元，用于存储所述目标检测识别结果或语义分割结果；
所述第三监控管理单元，用于所述高速存储模块(500)的状态监测、反馈、时钟管理及复位；
所述第三电源转换单元，转换所述电源模块(300)提供的电源信号，为所述高速存储模块(500)内各单元供电。
3.根据权利要求2所述的光学遥感数据星上并行处理装置，其特征在于，所述主控与预处理模块(100)通过SRIO接口与所述数据处理模块(200)、所述高速存储模块(500)进行数据交互，通过LVDS接口与所述数据处理模块(200)、所述高速存储模块(500)进行同步控制，通过RS422接口与所述数据处理模块(200)、所述高速存储模块(500)连接进行通信，通过光纤与光学遥感卫星载荷进行数据交互，通过CAN/LVDS接口与卫星综合电子平台通信。
4.根据权利要求2所述的光学遥感数据星上并行处理装置，其特征在于，采用SpaceVPX架构通过所述背板(400)实现所述主控与预处理模块(100)、所述数据处理模块(200)、所述电源模块(300)、所述高速存储模块(500)的互连。
5.根据权利要求2所述的光学遥感数据星上并行处理装置，其特征在于，所述数据处理模块(200)、所述高速存储模块(500)中的监控管理单元由所述主控与预处理模块(100)的监控管理单元通过系统管理总线统一监控和管理；
所述主控与预处理模块(100)、所述数据处理模块(200)中的程序存储器用于存储软件程序、上电初始化配置和在轨重构。
6.根据权利要求1所述的光学遥感数据星上并行处理装置，其特征在于，所述主控与预处理模块(100)包括：控制单元、第一数据处理单元、第一数据分发单元、第一监控管理单元、第一电源转换单元、数据缓存单元及其外围电路，
所述控制单元，用于所述光学遥感数据星上并行处理装置的运行、监测、控制和对外通信；
所述第一数据处理单元，用于光学遥感数据的预处理和第一次切片处理，获得光学遥感数据切片；
所述第一数据分发单元，用于所述光学遥感数据星上并行处理装置与光学遥感卫星载荷的数据交互，以及与卫星综合电子平台的指令交互和状态反馈；
所述第一监控管理单元，用于系统监测、状态管理、时钟管理和全局复位；
所述第一电源转换单元，用于转换所述电源模块(300)提供的电源信号，为所述主控与预处理模块(100)内各单元供电。
7.根据权利要求6所述的光学遥感数据星上并行处理装置，其特征在于，所述数据处理模块(200)包括：多个第二数据处理单元、第二监控管理单元、第二电源转换单元及其外围电路，
所述多个第二数据处理单元，用于对所述光学遥感数据切片进行第二次切片处理，调用同一种目标检测算法进行目标的并行检测识别或调用同一种语义分割算法进行语义分割，并对目标检测识别结果或语义分割结果进行打包压缩；
所述第二监控管理单元，用于所述数据处理模块(200)的状态监测、反馈、时钟管理和复位；
所述第二电源转换单元，用于转换所述电源模块(300)提供的电源信号，为所述数据处理模块(200)内各单元供电。
8.根据权利要求1所述的光学遥感数据星上并行处理装置，其特征在于，所述电源模块(300)包括：
浪涌抑制单元，用于抑制瞬间脉冲电流；
电源EMI抑制单元，用于提高电源电磁兼容性、抗电源浪涌并抑制电源噪声；
电压转换单元，用于将外部电源电压转换成上电电压。
9.一种利用如权利要求1-8中任一项所述的光学遥感数据星上并行处理装置实现的光学遥感数据星上并行处理方法，包括：
所述电源模块通过所述背板对所述主控与预处理模块、所述数据处理模块、高速存储模块进行上电，所述主控与预处理模块、所述数据处理模块、所述高速存储模块自动加载软件程序；
所述主控与预处理模块通过星务轮询方式获取光学遥感数据并进行预处理与第一次切片处理；
至少一个所述数据处理模块调用同一种目标检测算法或同一种语义分割算法对所述光学遥感数据进行第二次切片处理，完成目标的并行检测识别或语义分割，将目标检测识别结果或语义分割结果回传至所述主控与预处理模块；
所述主控与预处理模块根据卫星综合电子平台的指令，将所述目标检测识别结果或语义分割结果上传至所述卫星综合电子平台，或者保存至所述高速存储模块；
之后所述主控与预处理模块启动初始化指令，对所述主控与预处理模块和所述数据处理模块的缓存进行清理，并初始化软件程序。
10.根据权利要求9所述的光学遥感数据星上并行处理方法，其特征在于，所述语义分割算法为基于超像素分割和长短程特征融合的轻量级语义分割算法，所述调用同一种所述语义分割算法进行光学遥感数据的语义分割，包括：
使用主干网络ResNet提取光学遥感数据的特征图F∈RH×W×C，其中，H，W分别表示光学遥感数据输入的高度和宽度，C表示特征图的通道数；
将所述特征图F∈RH×W×C输入基于SLIC算法的超像素分割池化层进行超像素分割和超像素池化，将具有相同像素特征的像素约束为像素块；
利用长短程特征融合单元提取并融合光学遥感数据中局部和全局的语义信息，并通过加权融合得到特征图F′；
利用Softmax层对所述特征图F′进行计算，输出光学遥感图像的语义分割结果；
所述将所述特征图F∈RH×W×C输入基于SLIC算法的超像素分割池化层进行超像素分割和超像素池化，将具有相同像素特征的像素约束为像素块，包括：
利用SLIC算法在CIE-Lab颜色空间上，根据超参数K对光学遥感数据进行聚类计算，生成K个超像素区域；
按照超像素分割结果对光学遥感数据中的像素进行分类生成超像素权重矩阵W∈RH×W，矩阵中每一项w∈W，都有w＝0，1，2...K-1；
根据超像素权重矩阵W，对主干网络ResNet提取到的特征图F进行超像素分割池化计算，将特征图F中处于同一超像素区域的特征值进行平均化处理，生成特征矩阵Fp∈RH×W×C，实现超像素块上的特征统一，即：
其中，是超像素池化计算；
所述利用长短程特征融合单元提取并融合光学遥感数据中局部和全局的语义信息，并通过加权融合得到特征图F′，包括：
将基于SLIC算法的超像素分割池化层输出的特征矩阵Fp∈RH×W×C输入长短程特征融合单元中，所述长短程特征融合单元包括局部特征提取分支和全局注意力分支；
利用所述局部特征提取分支提取局部语义信息，得到局部特征图F′1，为：
F′1＝Fp+σ1(γ(σ2(Fp)))
其中，F′1∈RH×W×C为所述局部特征提取分支的输出，所述局部特征提取分支包含两个3×3的深度可分离卷积σ1σ2和一个1×1卷积γ；
利用所述全局注意力分支按像素块进行注意力计算，得到全局特征图F′2，为：
F′2＝Fp+ω(A×Fp)
其中，A∈RK×H×W为由像素块之间的注意力所确定的特征图的注意力矩阵，K为超像素分割的区域数量，ω为可学习的权重参数；
像素块j对i的注意力aij的计算公式如下：
其中，fi，fj，fk分别表示第i，j，k个像素块的特征值，K为超像素分割的区域数量；全局注意力的计算量为O(K2)，与超像素分割的超参数K有关，远小于光学遥感数据中的像素值n＝H×W；
使用加权融合的方法对所述局部特征图F′1和所述全局特征图F′2进行融合，并通过一个1×1的卷积层进行通道压缩，得到特征图F′，为：
其中，α，β为可学习的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530434.1A CN116630820B (zh) | 2023-05-11 | 2023-05-11 | 光学遥感数据星上并行处理方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310530434.1A CN116630820B (zh) | 2023-05-11 | 2023-05-11 | 光学遥感数据星上并行处理方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116630820A true CN116630820A (zh) | 2023-08-22 |
| CN116630820B CN116630820B (zh) | 2024-02-06 |
Family
ID=87641013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310530434.1A Active CN116630820B (zh) | 2023-05-11 | 2023-05-11 | 光学遥感数据星上并行处理方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116630820B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909902A (zh) * | 2017-03-01 | 2017-06-30 | 北京航空航天大学 | 一种基于改进的层次化显著模型的遥感目标检测方法 |
| CN110532842A (zh) * | 2019-04-19 | 2019-12-03 | 北京空间飞行器总体设计部 | 一种应用于遥感图像的在轨检测识别装置及方法 |
| CN110992366A (zh) * | 2019-11-29 | 2020-04-10 | 北京卫星信息工程研究所 | 一种图像语义分割方法、装置及存储介质 |
| CN112241959A (zh) * | 2020-09-23 | 2021-01-19 | 天津大学 | 基于超像素的注意力机制生成语义分割方法 |
| CN113449735A (zh) * | 2021-07-15 | 2021-09-28 | 北京科技大学 | 一种超像素分割的语义分割方法及装置 |
| CN113592893A (zh) * | 2021-08-29 | 2021-11-02 | 浙江工业大学 | 一种确定主体和精准化边缘相结合的图像前景分割方法 |
| CN114359873A (zh) * | 2022-01-06 | 2022-04-15 | 中南大学 | 一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法 |
| CN115097456A (zh) * | 2022-08-02 | 2022-09-23 | 北京卫星信息工程研究所 | Sar卫星遥感数据在轨检测方法、装置及可读存储介质 |
-
2023
- 2023-05-11 CN CN202310530434.1A patent/CN116630820B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909902A (zh) * | 2017-03-01 | 2017-06-30 | 北京航空航天大学 | 一种基于改进的层次化显著模型的遥感目标检测方法 |
| CN110532842A (zh) * | 2019-04-19 | 2019-12-03 | 北京空间飞行器总体设计部 | 一种应用于遥感图像的在轨检测识别装置及方法 |
| CN110992366A (zh) * | 2019-11-29 | 2020-04-10 | 北京卫星信息工程研究所 | 一种图像语义分割方法、装置及存储介质 |
| CN112241959A (zh) * | 2020-09-23 | 2021-01-19 | 天津大学 | 基于超像素的注意力机制生成语义分割方法 |
| CN113449735A (zh) * | 2021-07-15 | 2021-09-28 | 北京科技大学 | 一种超像素分割的语义分割方法及装置 |
| CN113592893A (zh) * | 2021-08-29 | 2021-11-02 | 浙江工业大学 | 一种确定主体和精准化边缘相结合的图像前景分割方法 |
| CN114359873A (zh) * | 2022-01-06 | 2022-04-15 | 中南大学 | 一种融合道路空间先验和区域级特征的弱监督车辆可行域分割方法 |
| CN115097456A (zh) * | 2022-08-02 | 2022-09-23 | 北京卫星信息工程研究所 | Sar卫星遥感数据在轨检测方法、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116630820B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951926B (zh) | 一种混合架构的深度学习方法及装置 | |
| EP4099220A1 (en) | Processing apparatus, method and storage medium | |
| CN112163601B (zh) | 图像分类方法、系统、计算机设备及存储介质 | |
| Tu et al. | A power efficient neural network implementation on heterogeneous FPGA and GPU devices | |
| CN110674918B (zh) | 信息处理方法、设备、系统及存储介质 | |
| CN116168132B (zh) | 街景重建模型获取及街景重建方法、装置、设备及介质 | |
| CN111614769A (zh) | 一种深度学习技术的行为智能分析引擎系统及控制方法 | |
| CN108804616B (zh) | 一种空间有效载荷在轨图像数据挖掘的装置和方法 | |
| CN115097456A (zh) | Sar卫星遥感数据在轨检测方法、装置及可读存储介质 | |
| CN110087041A (zh) | 基于5g基站的视频数据处理及传输方法和系统 | |
| CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
| CN116630820B (zh) | 光学遥感数据星上并行处理方法与装置 | |
| CN115100552A (zh) | 一种无人机遥感图像实时语义分割方法、介质以及设备 | |
| CN111382839B (zh) | 剪枝神经网络的方法和装置 | |
| CN113033337A (zh) | 基于TensorRT的行人重识别方法及装置 | |
| CN116912483A (zh) | 目标检测方法、电子设备以及存储介质 | |
| CN111768493A (zh) | 一种基于分布参数编码的点云处理方法 | |
| CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
| CN116664997A (zh) | 一种感知融合系统、电子设备和存储介质 | |
| CN114202746B (zh) | 路面状态识别方法、装置、终端设备及存储介质 | |
| Kadway et al. | Low Power & Low Latency Cloud Cover Detection in Small Satellites Using On-board Neuromorphic Processors | |
| CN115223051A (zh) | 一种星载光学遥感影像目标检测系统 | |
| CN116266274A (zh) | 一种神经网络的调整方法及相应装置 | |
| CN113742778A (zh) | 基于联邦学习和alq压缩的分布式机器学习方法及系统 | |
| CN114049576A (zh) | 电力物联网的输电线路覆冰监测方法、装置、系统和设备 |
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 |