CN116721351A - 一种架空线路通道内道路环境特征遥感智能提取方法 - Google Patents
一种架空线路通道内道路环境特征遥感智能提取方法 Download PDFInfo
- Publication number
- CN116721351A CN116721351A CN202310821758.0A CN202310821758A CN116721351A CN 116721351 A CN116721351 A CN 116721351A CN 202310821758 A CN202310821758 A CN 202310821758A CN 116721351 A CN116721351 A CN 116721351A
- Authority
- CN
- China
- Prior art keywords
- feature map
- pixel
- feature
- road
- features
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000005855 radiation Effects 0.000 abstract description 2
- 239000008358 core component Substances 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 abstract 1
- FDRCDNZGSXJAFP-UHFFFAOYSA-M sodium chloroacetate Chemical compound [Na+].[O-]C(=O)CCl FDRCDNZGSXJAFP-UHFFFAOYSA-M 0.000 abstract 1
- 238000013507 mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000004568 cement Substances 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
公开了一种架空线路通道内道路环境特征遥感智能提取方法,考虑到道路的方向延展性,设计了一种针对道路提取的基于Deeplab V3+模型进行改进的MANet网络模型,MANet的核心部件为针对道路提取的条状多尺度通道注意力模块(SMCA)。受到条状注意力网络(Strip Attention Networks,SANet)的启发,该模块采用三分支结构,差异化融合了从不同的维度分别关注图像中道路水平与竖直的线状拓扑特征。经实验证明,我们提出的MANet网络模型,能够有效应对道路本身具有复杂的几何、辐射、拓扑特征,易被车辆、树木、建筑物及其阴影等障碍物遮挡等导致道路难以识别的问题。
Description
技术领域
属于基于深度学习的遥感影像识别技术领域,更具体的说是涉及一种架空线路通道内道路环境特征遥感智能提取方法。
背景技术
道路网络作为最主要的基础设施之一,其信息被广泛地应用于交通运输、工业领域和社会生活中,包括土地的利用和土地覆盖测绘、地理信息系统更新、数字城市与智能交通的建设管理、地质灾害预警等。从高分辨率卫星遥感影像中提取道路是一项十分具有挑战性的任务,已经有越来越多的国内外学者致力于此,提出了许多先进的方法。
编码器-解码器结构是目前应用最为广泛的语义分割结构。具体而言,编码器是从输入图像中提取特征的过程,解码器是将中间表示解码成输出,特征图在解码器中形成分割结果并恢复原图大小。编码器-解码器结构包括一系列网络,如U-Net、SegNet等等,其中在道路提取中最具有代表性的为U-Net、CasNet、D-Linknet网络结构。近几年随着Transformer结构的热潮,也陆续涌现了一些基于该框架的研究,如RoadFormer,HA-RoadFormer等,都取得了可观的成绩。然而道路本身具有复杂的几何、辐射、拓扑特征,如不同的宽度、方向变化、灰度均匀、边界明显、具有连通性等,还易被车辆、树木、建筑物及其阴影等障碍物遮挡,该任务依然十分具有挑战性;且所提出的方法多针对公开数据集,模型泛化性有待提高,面对不同场景表现不一,尤其在工业场景中无法大范围直接应用。
发明内容
提供了一种架空线路通道内道路环境特征遥感智能提取方法。考虑到道路的方向延展性,受到条状注意力网络(Strip Attention Networks,SANet)的启发,本专利专门设计了针对道路提取的条状多尺度通道注意力模块(SMCA),采用三分支结构,差异化融合了从不同的维度分别关注图像中道路水平与竖直的线状拓扑特征。经实验对比,本方法有效解决了乡村道路影像主要集中于远离市区的偏远地区,地物分布稀疏且杂乱,存在较多三、四级道路以及水泥路、土路等小路,多融于场景环境,使得提取难度高的问题。
为了实现上述目的,本发明采用如下技术方案:
一种架空线路通道内道路环境特征遥感智能提取方法,包括如下步骤:
S1:基于原始图像,通过ResNet-50-C网络提取了四组不同层次的特征,将深层特征输入进ASPP结构,获取特征图中的全局与多尺度信息;
S2:基于S1提取的全局与多尺度信息,送入ACmix模块,进一步提炼特征;
S3:在解码器中,基于S2提取的多尺度特征图,对其进行上采样操作,将特征图扩大2倍,对骨干网络中的浅层次特征图压缩维度后,将二者拼接;
S4:基于S3拼接的特征,然后通过3×3的卷积层后,进入条状多尺度通道注意力模块(SMCA),融合行方向与列方向的道路特征;与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息;然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图;最后,经过4倍上采样操作,得到最终道路提取结果图。
进一步,所述的基于原始图像,通过ResNet-50-C网络提取了四组不同层次的特征,将深层特征输入进ASPP结构,获取特征图中的全局与多尺度信息,包括:
编码器部分使用ResNet-50-C作为骨干网络提取了四组不同层次的特征,表示为;其次,将提取出的特征/>输入进ASPP结构,经过该结构后的特征图蕴含了全局与多尺度信息。
进一步,所述的基于S1提取的全局与多尺度信息,送入ACmix模块,进一步提炼特征,包括:
采用自注意力与卷积整合模块(ACmix),ACmix有效集成了自注意力与卷积的优点,能够在不大幅增加计算量的情况下尽可能充分地发掘整幅图像的特征,提取出其中丰富的信息。
进一步,所述的在解码器中,基于S2提取的多尺度特征图,对其进行上采样操作,将特征图扩大2倍,对骨干网络中的浅层次特征图压缩维度后,将二者拼接,包括:
基于S2提取的多尺度高层次特征图,对其进行2倍的上采样操作,将特征图扩大,同时采用1*1的卷积核对骨干网络中的浅层次特征图压缩维度后,最后,将二者拼接。
进一步,所述的基于S3拼接的特征,然后通过3×3的卷积层后,进入条状多尺度通道注意力模块(SMCA),融合行方向与列方向的道路特征。与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息。然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图。最后,经过4倍上采样操作,得到最终道路提取结果图,包括:
基于S3拼接的特征,然后通过3×3的卷积层后,进入SMCA网络结构,该网络为三分支结构,首先将特征图一分为三,其中上分支为列像素特征提取结构,将特征图从每一行的维度先进行全局平均池化操作获得全局上下文特征,并进行信息的压缩处理;然后经过两层全连接层,其中第一层全连接后使用Relu激活函数,第二层全连接后使用Sigmoid激活函数,学习到不同通道的注意力系数;再对其维度扩展,恢复特征图大小;后经过两次1×1卷积层,完成对于全局通道列方向特征的加强;另一方面,将第二分支直接经过两次卷积操作,保证提取局部特征,避免丢失细节,第二分支的特征图与列分支的特征图进行逐像素相加,融合经过对列像素赋予更多关注的多尺度特征,输入Sigmoid激活函数,一定程度上过滤杂项,得到最终权重,逐像素乘以原始特征图,整个过程涉及图中上中分支,使模型在空间中的竖直方向捕获道路分布信息。与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息。然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图。最后,经过4倍上采样操作,得到最终道路提取结果图。
附图说明
为了更清楚地说明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1 网络模型架构
图2 SMCA网络架构图
具体实施方式
下面将结合附图,对实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是一部分实施例,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,都属于保护的范围。
请参阅附图1,一种架空线路通道内道路环境特征遥感智能提取方法,包括如下步骤:
S1:通过ResNet-50-C网络提取了四组不同层次的特征,将深层特征输入进ASPP结构, 获取特征图中的全局与多尺度信息;
S2:基于S1提取的全局与多尺度信息,送入ACmix模块,进一步提炼以上特征;
S3:在解码器中,基于S2提取的多尺度高层次特征图,对其进行上采样操作,将特征图扩大2倍,对骨干网络中的浅层次特征图压缩维度后,将二者拼接;
S4:基于S3拼接的特征,通过3×3的卷积层后,进入条状多尺度通道注意力模块(SMCA),融合行方向与列方向的道路特征。与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息。然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图。最后,经过4倍上采样操作,得到最终道路提取结果图。
进一步,所述的基于原始图像,通过ResNet-50-C网络提取了四组不同层次的特征,将深层特征输入进ASPP结构,获取特征图中的全局与多尺度信息,包括:
编码器部分使用ResNet-50-C作为骨干网络提取了四组不同层次的特征,表示为;其次,将提取出的特征/>输入进ASPP结构,经过该结构后的特征图蕴含了全局与多尺度信息。
进一步,所述的基于S1提取的全局与多尺度信息,送入ACmix模块,进一步提炼特征,包括:
采用自注意力与卷积整合模块(ACmix),ACmix有效集成了自注意力与卷积的优点,能够在不大幅增加计算量的情况下尽可能充分地发掘整幅图像的特征,提取出其中丰富的信息。
进一步,所述的在解码器中,基于S2提取的多尺度特征图,对其进行上采样操作,将特征图扩大2倍,对骨干网络中的浅层次特征图压缩维度后,将二者拼接,包括:
基于S2提取的多尺度高层次特征图,对其进行2倍的上采样操作,将特征图扩大,同时采用1*1的卷积核对骨干网络中的浅层次特征图压缩维度后,最后,将二者拼接。
进一步,所述的基于S3拼接的特征,然后通过3×3的卷积层后,进入条状多尺度通道注意力模块(SMCA),融合行方向与列方向的道路特征,包括:
基于S3拼接的特征,然后通过3×3的卷积层后,进入SMCA网络结构,该网络为三分支结构,首先将特征图一分为三。图中上分支为列像素特征提取结构,将特征图从每一行的维度先进行全局平均池化操作获得全局上下文特征,并进行信息的压缩处理;然后经过两层全连接层,其中第一层全连接后使用Relu激活函数,第二层全连接后使用Sigmoid激活函数,学习到不同通道的注意力系数;再对其维度扩展,恢复特征图大小;后经过两次1×1卷积层,完成对于全局通道列方向特征的加强。另一方面,将第二分支直接经过两次卷积操作,保证提取局部特征,避免丢失细节。第二分支的特征图与列分支的特征图进行逐像素相加,融合经过对列像素赋予更多关注的多尺度特征,输入Sigmoid激活函数,一定程度上过滤杂项,得到最终权重,逐像素乘以原始特征图,整个过程涉及图中上中分支,使模型在空间中的竖直方向捕获道路分布信息,具体如图2所示。
列像素特征提取的整个过程可描述如下:
其中,与/>分别代表第一、第二分支处理过程,/>是整个列像素分支过程。首先,对第一分支来说,该模块输入特征图/>经过 />映射以及/>的全局平均池化,得到维的列特征向量,后又分别有两个全连接层/>与/>,/>代表全连接后加Relu激活函数,/>代表后接Sigmiod激活函数;/>表示扩展维度,恢复大小,紧接着是两个1×1的卷积层/>与/>,/>表示卷积层、BN、Relu,/>表示卷积层与BN层。第二分支/>只对/>进行两次1×1的卷积层/>与/>。在/>与/>操作后,将二者逐像素相加(/>),再经过Sigmoid函数,与原始特征图逐像素相乘(/>),得到列分支输出。
同列像素提取分支相类似,行像素提取分支为图中下分支,不同的是经过了列映射,得到行的特征向量。过程如下:
以下为SMCA模块过程:
与此同时,另一方面获取浅层次特征与输入至边界感知模块(EAM)中,得到道路边界信息,与SMCA输出特征图逐像素相乘,赋予边界信息,再逐像素相加,还原出来自多种维度的特征分割图。最后,经过4倍上采样操作,得到最终道路提取结果图。
Claims (5)
1.一种架空线路通道内道路环境特征遥感智能提取方法,其特征在于,包括步骤如下:
S1:基于原始图像,通过ResNet-50-C网络提取了四组不同层次的特征,将深层特征输入进ASPP结构,获取特征图中的全局与多尺度信息;
S2:基于S1提取的全局与多尺度信息,送入ACmix模块,进一步提炼特征;
S3:在解码器中,基于S2提取的多尺度特征图,对其进行上采样操作,将特征图扩大2倍,对骨干网络中的浅层次特征图压缩维度后,将二者拼接;
S4:基于S3拼接的特征,然后通过3×3的卷积层后,进入条状多尺度通道注意力模块(SMCA),融合行方向与列方向的道路特征;与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息;然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图;最后,经过4倍上采样操作,得到最终道路提取结果图。
2.根据权利要求1所述的方法,其特征在于,所述的基于原始图像,通过ResNet-50-C网络提取了四组不同层次的特征,将深层特征输入进ASPP结构,获取特征图中的全局与多尺度信息包括:
编码器部分使用ResNet-50-C作为骨干网络提取了四组不同层次的特征,表示为;其次,将提取出的特征/>输入进ASPP结构,经过该结构后的特征图蕴含了全局与多尺度信息。
3.根据权利要求1所述的方法,基于S1提取的全局与多尺度信息,送入ACmix模块,进一步提炼特征,其特征在于,包括步骤如下:
采用自注意力与卷积整合模块(ACmix),有效集成了自注意力与卷积的优点,进一步提炼以上特征,在不大幅增加计算量的情况下尽可能充分地发掘整幅图像的特征,提取出其中更丰富的信息。
4.根据权利要求1所述的方法,在解码器中,基于S2提取的多尺度高层次特征图,对其进行上采样操作,将特征图扩大2倍,对骨干网络中的浅层次特征图压缩维度后,将二者拼接,其特征在于,包括步骤如下:
基于S2提取的多尺度高层次特征图,对其进行2倍的上采样操作,将特征图扩大,同时采用1*1的卷积核对骨干网络中的浅层次特征图压缩维度后,最后将二者拼接。
5.根据权利要求1所述的方法,基于S3拼接的特征,然后通过3×3的卷积层后,进入条状多尺度通道注意力模块(SMCA),融合行方向与列方向的道路特征;与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息;然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图;最后,经过4倍上采样操作,得到最终道路提取结果图,其特征在于,包括如下步骤:
基于S3拼接的特征,然后通过3×3的卷积层后,进入SMCA网络结构,该网络为三分支结构,首先将特征图一分为三,其中上分支为列像素特征提取结构,将特征图从每一行的维度先进行全局平均池化操作获得全局上下文特征,并进行信息的压缩处理;然后经过两层全连接层,其中第一层全连接后使用Relu激活函数,第二层全连接后使用Sigmoid激活函数,学习到不同通道的注意力系数;再对其维度扩展,恢复特征图大小;后经过两次1×1卷积层,完成对于全局通道列方向特征的加强;另一方面,将第二分支直接经过两次卷积操作,保证提取局部特征,避免丢失细节,第二分支的特征图与列分支的特征图进行逐像素相加,融合经过对列像素赋予更多关注的多尺度特征,输入Sigmoid激活函数,一定程度上过滤杂项,得到最终权重,逐像素乘以原始特征图,整个过程涉及上中分支,使模型在空间中的竖直方向捕获道路分布信息;
与此同时,将ResNet-50-C获取的第一层与第四层浅层次特征,输入至边界感知模块(EAM)中,得到道路边界信息;然后将SMCA的输出特征图与EAM的输出特征进行逐像素相乘,赋予边界信息,再逐像素相加,还原出多种维度的特征分割图;最后,经过4倍上采样操作,得到最终道路提取结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821758.0A CN116721351A (zh) | 2023-07-06 | 2023-07-06 | 一种架空线路通道内道路环境特征遥感智能提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310821758.0A CN116721351A (zh) | 2023-07-06 | 2023-07-06 | 一种架空线路通道内道路环境特征遥感智能提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116721351A true CN116721351A (zh) | 2023-09-08 |
Family
ID=87866127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310821758.0A Pending CN116721351A (zh) | 2023-07-06 | 2023-07-06 | 一种架空线路通道内道路环境特征遥感智能提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116721351A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3158765A (en) * | 1958-08-27 | 1964-11-24 | Gen Electric Co Ltd | Magnetic system of transportation |
CN111259850A (zh) * | 2020-01-23 | 2020-06-09 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111325111A (zh) * | 2020-01-23 | 2020-06-23 | 同济大学 | 一种融合逆注意力和多尺度深度监督的行人重识别方法 |
CN114565770A (zh) * | 2022-03-23 | 2022-05-31 | 中南大学 | 基于边缘辅助计算和掩模注意力的图像分割方法及系统 |
CN114821069A (zh) * | 2022-05-27 | 2022-07-29 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
CN114926747A (zh) * | 2022-05-31 | 2022-08-19 | 常州大学 | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 |
CN114972365A (zh) * | 2022-06-17 | 2022-08-30 | 杭州电子科技大学 | 结合先验掩膜的oct图像脉络膜分割模型构建方法及应用 |
CN115471754A (zh) * | 2022-08-08 | 2022-12-13 | 重庆邮电大学 | 一种基于多维多尺度U-net网络的遥感图像道路提取方法 |
CN115661144A (zh) * | 2022-12-15 | 2023-01-31 | 湖南工商大学 | 基于可变形U-Net的自适应医学图像分割方法 |
CN115908789A (zh) * | 2022-12-09 | 2023-04-04 | 大连民族大学 | 跨模态特征融合及渐近解码的显著性目标检测方法及装置 |
WO2023050723A1 (zh) * | 2021-09-29 | 2023-04-06 | 深圳市慧鲤科技有限公司 | 视频插帧方法、装置、电子设备、存储介质、程序及程序产品 |
CN115937636A (zh) * | 2022-12-29 | 2023-04-07 | 上海应用技术大学 | 基于深度学习用于无人驾驶的交通目标检测方法 |
CN116205927A (zh) * | 2023-02-24 | 2023-06-02 | 西安电子科技大学 | 一种基于边界增强的图像分割方法 |
CN116311455A (zh) * | 2023-03-23 | 2023-06-23 | 西北师范大学 | 一种基于改进Mobile-former的表情识别方法 |
-
2023
- 2023-07-06 CN CN202310821758.0A patent/CN116721351A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3158765A (en) * | 1958-08-27 | 1964-11-24 | Gen Electric Co Ltd | Magnetic system of transportation |
CN111259850A (zh) * | 2020-01-23 | 2020-06-09 | 同济大学 | 一种融合随机批掩膜和多尺度表征学习的行人重识别方法 |
CN111325111A (zh) * | 2020-01-23 | 2020-06-23 | 同济大学 | 一种融合逆注意力和多尺度深度监督的行人重识别方法 |
WO2023050723A1 (zh) * | 2021-09-29 | 2023-04-06 | 深圳市慧鲤科技有限公司 | 视频插帧方法、装置、电子设备、存储介质、程序及程序产品 |
CN114565770A (zh) * | 2022-03-23 | 2022-05-31 | 中南大学 | 基于边缘辅助计算和掩模注意力的图像分割方法及系统 |
CN114821069A (zh) * | 2022-05-27 | 2022-07-29 | 昆明理工大学 | 融合富尺度特征的双分支网络遥感图像建筑语义分割方法 |
CN114926747A (zh) * | 2022-05-31 | 2022-08-19 | 常州大学 | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 |
CN114972365A (zh) * | 2022-06-17 | 2022-08-30 | 杭州电子科技大学 | 结合先验掩膜的oct图像脉络膜分割模型构建方法及应用 |
CN115471754A (zh) * | 2022-08-08 | 2022-12-13 | 重庆邮电大学 | 一种基于多维多尺度U-net网络的遥感图像道路提取方法 |
CN115908789A (zh) * | 2022-12-09 | 2023-04-04 | 大连民族大学 | 跨模态特征融合及渐近解码的显著性目标检测方法及装置 |
CN115661144A (zh) * | 2022-12-15 | 2023-01-31 | 湖南工商大学 | 基于可变形U-Net的自适应医学图像分割方法 |
CN115937636A (zh) * | 2022-12-29 | 2023-04-07 | 上海应用技术大学 | 基于深度学习用于无人驾驶的交通目标检测方法 |
CN116205927A (zh) * | 2023-02-24 | 2023-06-02 | 西安电子科技大学 | 一种基于边界增强的图像分割方法 |
CN116311455A (zh) * | 2023-03-23 | 2023-06-23 | 西北师范大学 | 一种基于改进Mobile-former的表情识别方法 |
Non-Patent Citations (3)
Title |
---|
JIAN ZHANG: "Marine Organism Detection Based on Double Domains Augmentation and an Improved YOLOv7", 《IEEE ACCESS》, 22 June 2023 (2023-06-22) * |
张余冉: "基于ResNet-ACmix融合特征的ECO目标跟踪算法改进", 《哈尔滨师范大学自然科学学报》, 1 February 2023 (2023-02-01) * |
项圣凯;曹铁勇;方正;洪施展;: "使用密集弱注意力机制的图像显著性检测", 中国图象图形学报, no. 01, 16 January 2020 (2020-01-16) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
CN110059768B (zh) | 用于街景理解的融合点与区域特征的语义分割方法及系统 | |
CN110147794A (zh) | 一种基于深度学习的无人车室外场景实时分割方法 | |
CN111462013B (zh) | 一种基于结构化残差学习的单图去雨方法 | |
CN112052783B (zh) | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 | |
CN110853057B (zh) | 基于全局和多尺度全卷积网络的航拍图像分割方法 | |
CN110781773A (zh) | 一种基于残差神经网络的道路提取方法 | |
Lu et al. | Cascaded multi-task road extraction network for road surface, centerline, and edge extraction | |
CN111582029A (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
CN103208125B (zh) | 视频帧图像中颜色和运动全局对比度的视觉显著性算法 | |
CN112508960A (zh) | 一种基于改进注意力机制的低精度图像语义分割方法 | |
CN113313094B (zh) | 一种基于卷积神经网络的车载图像目标检测方法和系统 | |
CN112733693B (zh) | 一种全局感知高分辨率遥感影像多尺度残差道路提取方法 | |
CN115471754A (zh) | 一种基于多维多尺度U-net网络的遥感图像道路提取方法 | |
CN115035298A (zh) | 基于多维注意力机制的城市街景语义分割增强方法 | |
CN115830575A (zh) | 一种基于Transformer与跨维度注意力的交通标志检测方法 | |
CN114092824A (zh) | 结合密集注意力和并行上采样的遥感图像道路分割方法 | |
CN115393718A (zh) | 基于自适应融合NestedUNet的光学遥感图像变化检测方法 | |
Wang et al. | Paccdu: pyramid attention cross-convolutional dual unet for infrared and visible image fusion | |
CN114332919A (zh) | 一种基于多空间关系感知的行人检测方法、装置及终端设备 | |
Jiang et al. | AGD-Linknet: a road semantic segmentation model for high resolution remote sensing images integrating attention mechanism, gated decoding block and dilated convolution | |
CN111914848B (zh) | 一种融合gis数据的遥感图像语义分割方法及系统 | |
Bao et al. | Based on the improved Deeplabv3+ remote sensing image semantic segmentation algorithm | |
CN116721351A (zh) | 一种架空线路通道内道路环境特征遥感智能提取方法 | |
CN116778318A (zh) | 一种卷积神经网络遥感影像道路提取模型及方法 |
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 |