CN116778351A - 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法 - Google Patents

基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法 Download PDF

Info

Publication number
CN116778351A
CN116778351A CN202310739339.2A CN202310739339A CN116778351A CN 116778351 A CN116778351 A CN 116778351A CN 202310739339 A CN202310739339 A CN 202310739339A CN 116778351 A CN116778351 A CN 116778351A
Authority
CN
China
Prior art keywords
feature
remote sensing
livestock
pooling
feature set
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
CN202310739339.2A
Other languages
English (en)
Inventor
王雷
赵晋平
于博
陈方
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Publication of CN116778351A publication Critical patent/CN116778351A/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
    • G06V20/13—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
    • 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
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

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)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，包括：获取待测卫星遥感影像；对待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块；对于每一斑块，将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜；其中，Spatial pooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块；将斑块分别输入至特征提取模块和空间池化尺度unet特征提取模块中，得到第一特征集和第二特征集；将第一特征集以及第二特征集输入残差收缩网络模块，用于去除无关参数信息；将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的检测结果；检测结果用于表征多尺度的目标牲畜特征。

Description

基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法
本公开要求于2022年6月20日提交的申请号为：202210701131.7的中国专利的优先权，其全部内容通过引用结合在本公开中。
技术领域
本公开涉及图像处理技术领域，具体涉及一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法、装置、电子设备、存储介质及程序产品。
背景技术
近年我国的畜牧业养殖得到了快速发展，随着畜牧业养殖环节的现代化水平逐步提升，养殖区内牲畜存栏数飞速激增，很难对各地多个养殖区牲畜存栏数进行一一统计。因此，很有需求开发高效的监测技术手段，使相关统计部分可以定期对养殖区开展畜牧业资源统计，为畜牧业生产布局提供夯实的数据支撑。
随着遥感技术的不断改进，越来越多重访周期短的高空间分辨率遥感影像可以为大范围畜牧业监测提供数据基础。其中，我国的高空间分辨率遥感卫星影像，包括资源三号卫星和高分二号卫星已经大量的应用于遥感目标提取应用中。目前，针对大范围畜牧业监测的相关技术研究较少，主要面临的挑战是畜牧业地区中的牲畜的比例较小、零散分布的牲畜不易检测，以及牲畜与背景环境显著性较小的技术问题。
发明内容
为解决现有技术中存在的问题，本公开实施例提供的一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法、装置、电子设备、存储介质及程序产品，基于Spatialpooling unet网络模型，旨在提高对畜牧业牲畜的识别率。
本公开的第一个方面提供了一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，包括：获取待测卫星遥感影像；对待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块；对于每一斑块，将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜；其中，Spatial pooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块；将多个斑块输入至特征提取模块，得到第一特征集；将多个斑块输入至空间池化尺度unet特征提取模块中，得到第二特征集；将第一特征集以及第二特征集输入残差收缩网络模块，第一特征集以及第二特征集均包含多个特征数据，残差收缩网络模块用于去除特征数据中的无关参数信息；将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的检测结果；检测结果用于表征多尺度的目标牲畜特征。
进一步地，将斑块分别输入至特征提取模块，得到第一特征集，包括：将斑块输入至特征提取模块中，经过由两个3×3卷积核和ReLu激活函数组成的两层卷积层，进行两次卷积操作，得到多个不同特征大小的特征集；将多个不同特征大小的特征集经过池化核为2×2的最大池化层，进行多次逐层上采样处理，得到第一特征集。
进一步地，将空间池化尺度unet特征提取模块中，得到第二特征集，包括：将斑块输入至卷积核分别为1×1×1×1、1×1×2×2、1×1×3×3和1×1×6×6的空间池化尺度unet特征提取模块中，进行卷积处理，提取不同的空间池化尺度特征，依次得到多个特征子集；采用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层对多个特征子集进行上采样处理；将多个特征子集按照像素大小的特征进行拼接处理，得到第二特征集。
进一步地，将第一特征集以及第二特征集输入残差收缩网络模块，包括：采用全局均值池化和全连接层对特征数据进行下采样处理；采用ReLU激活函数与全连接层对特征数据进行上采样到原来的维度；利用Sigmoid函数归一化到0-1之间的权重；通过点乘将归一化后的权重加到特征数据中，用于筛选无关参数信息。
进一步地，待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块，包括：待测卫星遥感影像包括多景卫星遥感影像，每景卫星遥感影像中包括多个目标牲畜；将每景卫星遥感影像进行裁剪成512×512像素大小的多个斑块。
进一步地，目标牲畜为牛、猪和羊中的一种或多种。
本公开的第二个方面提供了一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取装置，包括：数据获取模块，用于获取待测卫星遥感影像；数据预处理模块，用于对待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块；检测模块，将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜；其中，Spatialpooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块。
进一步地，检测模块，用于将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜，包括：将斑块分别输入至特征提取模块，得到第一特征集；将空间池化尺度unet特征提取模块中，得到第二特征集；将第一特征集以及第二特征集输入残差收缩网络模块，第一特征集以及第二特征集均包含多个特征数据，残差收缩网络模块用于去除特征数据中的无关参数信息；将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的检测结果；检测结果用于表征多尺度的目标牲畜特征。
本公开的第三个方面提供了一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本公开的第一个方面提供的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
本公开的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本公开的第一个方面提供的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
本公开的第五个方面提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现本公开的第一个方面提供的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
本公开提供的一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法、装置、电子设备、存储介质及程序产品，该方法提出了基于高空间分辨率遥感影像提取畜牧业牲畜目标的Spatial pooling unet网络结构模型，模型结构简单，通过对输入高空间分辨率遥感影像进行逐层编码和解码，拼接两个模块解码出的特征子集，进而得到最终目标牲畜分割结果，即提高了模型的分割率，也提高了模型的可迁移性。另外，采用不同的空间pooling尺度unet网络结构，通过由多到少的池化，有效增大了感受野，增强了全局信息的利用效率，残差收缩网络消除了特征中的无关信息，减少了特征不明显目标牲畜群的漏分，提高了模型对目标牲畜的识别率。
附图说明
为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
图1示意性示出了根据本公开一实施例的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法的流程图；
图2示意性示出了根据本公开一实施例的畜牧业检测模型的结构示意图；
图3示意性示出了根据本公开一实施例的特征提取模块的结构示意图；
图4示意性示出了根据本公开一实施例的残差收缩网络模块的结构示意图；
图5示意性示出了根据本公开另一实施例的PPM-Unet网络结构的示意图；
图6示意性示出了根据本公开另一实施例的特征提取模块的结构示意图；
图7示意性示出了根据本公开另一实施例的PPM模块的结构示意图；
图8示意性示出了根据本公开一实施例的基于高空间分辨率遥感影像的畜牧业牲畜监测提取装置的方框图；
图9示意性示出了根据本公开一实施例的适于实现上文描述的方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本公开的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
图1示意性示出了根据本公开实施例的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法的流程图。如图1所示，该方法包括：步骤S101～S103。
在操作S101，获取待测卫星遥感影像。其中，待测卫星遥感影像包括多景卫星遥感影像，每景卫星遥感影像中包括多个目标牲畜。
本公开的实施例中，获取某个时刻卫星采集的卫星遥感影像，将其作为待测卫星遥感影像，即原始数据集。其中，待测卫星遥感影像包括多景卫星遥感影像，每景卫星遥感影像中包括多个目标牲畜，该目标牲畜可以为猪、羊、牛等牲畜中的一种或多种。基于每景卫星遥感影像实现目标牲畜的识别。
举例而言，通过收集内蒙古某草原上卫星采集的卫星遥感影像，具体通过目视解译收集草原畜牧业地区的羊群或牛群的样本，作为原始数据集。
在操作S102，对待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块。
本公开的实施例中，对待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块，并将多个预置像素大小的斑块按照预置比例分成训练数据集及测试数据集。具体为：将每景卫星遥感影像裁剪成512×512像素大小的多个斑块，影像通道选取绿色、蓝色和近红外三个通道，得到多个512×512像素大小的斑块。
进一步地，将多个512×512像素大小的斑块含有目标牲畜的图像按照预置比例(如，7：3、8：2)等比例随机分成训练数据集及测试数据集。其中，训练数据集占70％或80％等，用来对畜牧业检测模型进行训练，以得到训练后的畜牧业检测模型。相应地，测试数据集占30％或20％等，用来对训练后的模型进行评估检验，得到畜牧业目标牲畜的提取结果。
需说明的是，多个斑块的像素大小包括但不仅限于512×512像素，其还可以为256×256像素大小等，本公开的实施例对此不做限定。
在操作S103，对于每一斑块，将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜。图2示意性示出了根据本公开一实施例的畜牧业检测模型的结构示意图。如图2所示，Spatial pooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块。
本公开的实施例中，将步骤S102得到的训练数据集输入至畜牧业检测模型中进行训练，以得到训练后的畜牧业检测模型。该畜牧业检测模型200采用Spatial pooling unet网络结构，包括：特征提取模块210、空间池化尺度unet特征提取模块及残差收缩网络模块220。
操作S103具体包括：S1031，将多个斑块输入至特征提取模块，得到第一特征集；S1032，将多个斑块输入至空间池化尺度unet特征提取模块中，得到第二特征集；S1033，将第一特征集以及第二特征集输入残差收缩网络模块，第一特征集以及第二特征集均包含多个特征数据，残差收缩网络模块用于去除特征数据中的无关参数信息；S1034，将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的检测结果；检测结果用于表征多尺度的目标牲畜特征。
在操作S1031，将多个斑块输入至特征提取模块，得到第一特征集。
操作S1031具体包括：将斑块输入至特征提取模块中，经过由两个3×3卷积核和ReLu激活函数组成的两层卷积层，进行两次卷积操作，得到多个不同特征大小的特征集；将多个不同特征大小的特征集经过池化核为2×2的最大池化层，进行多次逐层上采样处理，得到第一特征集。
图3示意性示出了根据本公开一实施例的特征提取模块的结构示意图。如图3所示，特征提取模块210将传统的3×3卷积模块与ReLU组合对训练数据集进行2次卷积操作，再经卷积核为2×2的最大池化层操作完成unet网络模块的特征提取。输入unet经过四次由两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层下采样得到1×512×32×32像素大小的特征。
在本公开实施例中，如图2所示，将训练数据集输入至特征提取模块中采用由两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层下采样进行多次卷积处理得到的像素大小特征分别为1×64×512×512、1×128×256×256、1×256×128×128、1×512×64×64及1×512×32×32，得到多个不同像素大小的特征。
需说明的是，上述实施例中卷积核的大小、上采样处理得到的像素大小特征仅为示例性的说明，其并不构成本公开实施例的限定，具体这些参数可以根据实际应用需求进行设定，本公开的实施例对此不做限定。
在操作S1032，将多个斑块输入至空间池化尺度unet特征提取模块中，得到第二特征集。
操作S1032具体包括：将斑块输入至卷积核分别为1×1×1×1、1×1×2×2、1×1×3×3和1×1×6×6的空间池化尺度unet特征提取模块中，进行卷积处理，提取不同的空间池化尺度特征，依次得到多个特征子集；采用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层对多个特征子集进行上采样处理；将多个特征子集按照像素大小的特征进行拼接处理，得到第二特征集。
本公开实施例中，将训练数据集输入至四个不同的空间池化尺度特征提取模块中进行四次卷积处理，得到第二特征集，具体包括：将所述训练数据集输入至1×1×1×1、1×1×2×2、1×1×3×3和1×1×6×6不同的空间池化尺度特征提取不同的空间池化尺度特征，得到四个特征子集。
在操作S1033，将第一特征集以及第二特征集输入残差收缩网络模块，第一特征集以及第二特征集均包含多个特征数据，残差收缩网络模块用于去除特征数据中的无关参数信息。
操作S1033具体包括：采用全局均值池化和全连接层对特征数据进行下采样处理；采用ReLU激活函数与全连接层对特征数据进行上采样到原来的维度；利用Sigmoid函数归一化到0-1之间的权重；通过点乘将归一化后的权重加到特征数据中，用于筛选无关参数信息。
本公开实施例中，将Unet四次下采样得到的特征与不同的空间pooling尺度特征得到的特征进行拼接，最后得到与输入图像特征大小相同的64个通道512×512像素大小的特征集。沿用上述实施例，首先Unet将1×512×32×32像素大小的特征上采样处理得到1×256×64×64像素大小的特征，然后将1×256×64×64像素大小的特征与1×1×6×6卷积核提取到的1×512×64×64像素大小的特征进行拼接，再使用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层上采样处理得到1×128×128×128像素大小的特征。再将1×128×128×128像素大小的特征与1×1×3×3卷积核提取到的1×128×128×128像素大小的特征进行拼接，再使用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层上采样处理得到1×64×256×256像素大小的特征。接着再将1×64×256×256像素大小的特征与1×1×2×2卷积核提取到的1×64×256×256像素大小的特征进行拼接，再使用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层上采样处理得到1×64×512×512像素大小的特征。最后将1×64×512×512像素大小的特征与1×1×1×1卷积核提取到的1×64×512×512像素大小的特征进行拼接，再使用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层上采样处理得到1×64×1024×1024像素大小的特征拼接得到融合特征集，并作为残差收缩网络220的输入特征。
图4示意性示出了根据本公开一实施例的残差收缩网络模块的结构示意图。如图4所示，残差收缩网络模块220首先将特征数据与ReLU激活函数组合，然后使用全局均值池化和全连接层进行特征数据的下采样，然后使用ReLU激活函数与全连接层对特征数据进行上采样到原来的1×64×512×512，最后使用Sigmoid函数归一化到0-1之间的权重，通过点乘将归一化后的权重加到原来的特征数据中，输出最后的检测结果。
在操作S1034，将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的检测结果；检测结果用于表征多尺度的目标牲畜特征。
本公开实施例中，特征提取模块210与不同的空间池化尺度unet特征提取模块分别对特征图像进行编码和解码得到相同大小的512×512特征子集，将第一特征集及第二特征集进行拼接处理，经过残差收缩网络模块220，得到1×64×512×512像素大小的特征，得到多尺度的目标牲畜特征，最后解码成2个通道的51 2×512像素大小图像，即最终结果为二值图，例如：1表示畜牧业牲畜群，0表示背景地物。模型训练结束，得到训练后的畜牧业检测模型200。
本公开的实施例中，在畜牧业检测模型200训练过程，可以采用随机梯度下降法(Stochastic Gradient Descent，SGD)优化模型，学习率可以设置为0.01。畜牧业检测模型200的损失函数选取BCEloss(Binary cross entropy loss)，具体计算公式如下式所示：
loss(x，y)＝-(ylogx+(1-y)log(1-x))
其中，x和y分别代表畜牧业检测模型200的预测值和真实值。
在本公开实施例中，还可以将测试数据集输入至训练后的畜牧业检测模型中进行测试。对于训练得到的畜牧业检测模型200，采用测试数据集对训练后的畜牧业检测模型200进行评估检验，得到畜牧业牲畜群的提取结果。随机的在测试数据集中选取连个测试图像，并将其相应的提取结构和真实分布图进行展示。
本公开实施例提供的畜牧业检测模型200可以比较好的将目标牲畜从复杂背景地物中提取出来。同时，为了更客观的评估模型的提取结果，结合牲畜群的真实分布图和提取结果二值图根据下述公式计算召回率Recall和精度Precision，以及两个综合评价参数交并比IoU(Intersection over Union)和F1_measure值：
其中，TP表示被提取为目标牲畜的真实像素个数；TN表示被模型识别为背景地物的真实像素个数；FP表示被错分为目标牲畜的真实背景地物的像素个数；FN表示被错分为背景地物的真实目标牲畜的像素个数。进而可得到下表1所示的基于Spatial poolingunet网络结构的畜牧业目标牲畜提取精度统计表：
表1基于Spatial pooling unet网络结构的畜牧业目标牲畜提取精度统计表
从上表1看出，本公开实施例提出的方法可以获得比较高的精度和召回率，表明大部分目标牲畜被准确的提取出来。此外，综合指IoU和F1_measure值也均在80％以上，验证了本公开实施例提出的方法的可靠性。
在本公开的另一个实施例中，也可以采用PPM-Unet网络结构作为畜牧业检测模型。图5示意性示出了根据本公开另一实施例的PPM-Unet网络结构的示意图。如图5所示，PPM-Unet网络结构包括：特征提取模块及PPM模块。图6示意性示出了根据本公开另一实施例的特征提取模块的结构示意图。图7示意性示出了根据本公开另一实施例的PPM模块的结构示意图。如图7所示，将训练数据集输入至畜牧业检测模型中进行训练，得到训练后的畜牧业检测模型，具体步骤包括：将训练数据集输入至特征提取模块中进行多次卷积及多次上采样处理，得到第一特征集；将训练数据集输入至PPM模块中进行多次卷积及上采样处理，得到第二特征集；其中，第一特征集与第二特征集中的特征像素大小相同；将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的训练结果，该训练结果表征多尺度的目标牲畜特征。
将训练数据集输入至特征提取模块中进行多次卷积及多次上采样处理，得到第一特征集，具体包括：将训练数据集输入至特征提取模块中进行多次卷积，得到多个不同特征大小的特征集；将多个不同特征大小的特征集多次逐层上采样处理，得到第一特征集。
该特征提取模块将传统的3×3卷积模块与ReLU组合对训练数据集进行2次卷积操作，再经卷积核为2×2的最大池化层操作完成Unet网络模块的特征提取。输入特征图经过4次Unet特征提取后，又经2次3×3卷积模块与ReLU的特征提取将特征图像变为512通道32×32像素大小的特征，得到1×512×32×32像素大小的特征。举例而言，对将训练数据集输入至特征提取模块中采用不同卷积核进行多次卷积处理得到的像素大小特征分别为l×64×512×512、1×128×256×256、1×256×128×128、1×512×64×64及1×512×32×32，得到多个不同像素大小的特征。
接着，对这些不同像素大小的特征进行多次逐层上采样，得到与输入图像特征大小相同的64个通道512×512像素大小，得到第一特征集。沿用上述实施例，首先将1×512×32×32像素大小的特征上采样处理得到1×256×64×64像素大小的特征，然后将1×256×64×64像素大小的特征与1×512×64×64像素大小的特征上采样处理得到1×128×128×128像素大小的特征，再将1×128×128×128像素大小的特征与1×256×128×128像素大小的特征上采样处理得到1×64×256×256像素大小的特征，最后将1×64×256×256像素大小的特征与1×128×256×256上采样处理得到1×64×512×512像素大小的特征，得到第一特征集。
将训练数据集输入至PPM模块中进行多次卷积及上采样处理，得到第二特征集，具体包括：将所述训练数据集输入至PPM模块中，使用多个不同卷积核依次进行卷积处理，得到多个特征子集；将多个特征子集进行上采样及拼接处理，得到所述第二特征集。
PPM模块首先将训练数据集进行池化层处理，得到4个子特征集(X1、X2、X3、X4)分别进行卷积核为1×1、2×2、3×3和6×6的卷积操作得到4个对应的特征子集(Y1、Y2、Y3、Y4)，再对4个特征子集进行上采样处理使得这些特征子集解码为1个通道的512×512像素大小的特征子集，即得到与第一特征集像素大小相同的第二特征集。
特征提取模块与PPM模块分别对特征图像进行编码和解码得到相同大小的512×512特征子集，将第一特征集及第二特征集进行拼接处理，得到1×68×512×512像素大小的特征，得到多尺度的牲畜特征，最后解码成2个通道的512×512像素大小图像，即最终结果为二值图，例如：1表示畜牧业牲畜群，0表示背景地物。模型训练结束，得到训练后的畜牧业检测模型。
同样采用随机梯度下降法(Stochastic Gradient Descent，SGD)优化模型，并对模型进行测试。得到表2所示的基于PPM-Unet网络结构的畜牧业目标牲畜提取精度统计表：
表2基于PPM-Unet网络结构的畜牧业目标牲畜提取精度统计表
从上表2看出，本公开实施例提出的方法可以获得比较高的精度和召回率，表明大部分目标牲畜被准确的提取出来。此外，综合指IoU和F1 measure值也均在80％以上，验证了本公开实施例提出的方法的可靠性。
本公开的实施例提供的一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，该方法采用unet网络结构提出了基于高空间分辨率遥感影像提取畜牧业牲畜目标的Spatial pooling unet模型，模型结构简单，通过对输入高空间分辨率遥感影像进行逐层编码和解码，拼接两个模块解码出的特征子集，进而得到最终目标牲畜分割结果，即提高了模型的分割率，也提高了模型的可迁移性。另外，采用残差收缩网络改进的不同的空间pooling尺度unet特征提取网络结构，通过由多到少的池化，有效增大了感受野，增强了全局信息的利用效率，减少了特征不明显目标牲畜群的漏分；残差收缩网络过滤掉了无关信息，减少了无关的参数信息，增强了模型的抗噪能力，提高了模型对目标牲畜的识别率。
图8示意性示出了根据本公开实施例的基于高空间分辨率遥感影像的畜牧业牲畜监测提取装置的方框图。
如图8所示，该基于高空间分辨率遥感影像的畜牧业牲畜监测提取装置800包括：数据获取模块810、数据预处理模块820、检测模块830。该装置800可以用于实现参考图1所描述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
数据获取模块810，用于获取待测卫星遥感影像；其中，待测卫星遥感影像包括多景卫星遥感影像，每景卫星遥感影像中包括多个目标牲畜。该数据获取模块810例如可以用于执行上文参考图1所描述的S101步骤，在此不再赘述。
数据预处理模块820，用于对待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块，并将多个预置像素大小的斑块按照预置比例分成训练数据集及测试数据集。该数据预处理模块820例如可以用于执行上文参考图1所描述的S102步骤，在此不再赘述。
检测模块830，将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜；其中，Spatial pooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块。该数据训练模块830例如可以用于执行上文参考图1所描述的S103～S107步骤，在此不再赘述。
根据本公开的实施例，检测模块，用于将斑块输入至Spatial pooling unet网络结构中，以检测斑块中的多个目标牲畜，包括：将斑块分别输入至特征提取模块，得到第一特征集；将空间池化尺度unet特征提取模块中，得到第二特征集；将第一特征集以及第二特征集输入残差收缩网络模块，第一特征集以及第二特征集均包含多个特征数据，残差收缩网络模块用于去除特征数据中的无关参数信息；将第一特征集及第二特征集进行拼接处理，得到畜牧业检测模型的检测结果；检测结果用于表征多尺度的目标牲畜特征。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上装置、基板上的装置、封装上的装置、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，数据获取模块810、数据预处理模块820、检测模块830中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，数据获取模块810、数据预处理模块820、检测模块830中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上装置、基板上的装置、封装上的装置、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据获取模块810、数据预处理模块820、检测模块830中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的方框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，本实施例中所描述的电子设备900，包括：处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分909；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的装置中限定的上述功能。根据本公开的实施例，上文描述的装置、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/装置中所包含的；也可以是单独存在，而未装配入该设备/装置/装置中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机装置中运行时，该程序代码用于使计算机装置实现本公开实施例所提供的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
在该计算机程序被处理器901执行时执行本公开实施例的装置/装置中限定的上述功能。根据本公开的实施例，上文描述的装置、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的装置中限定的上述功能。根据本公开的实施例，上文描述的装置、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
附图中的流程图和框图，图示了按照本公开各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
尽管已经参照本公开的特定示例性实施例示出并描述了本公开，但是本领域技术人员应该理解，在不背离所附权利要求及其等同物限定的本公开的精神和范围的情况下，可以对本公开进行形式和细节上的多种改变。因此，本公开的范围不应该限于上述实施例，而是应该不仅由所附权利要求来进行确定，还由所附权利要求的等同物来进行限定。

Claims (10)

1.一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，其特征在于，包括：
获取待测卫星遥感影像；
对所述待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块；
对于每一所述斑块，将所述斑块输入至Spatial pooling unet网络结构中，以检测所述斑块中的多个目标牲畜；
其中，所述Spatial pooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块；所述检测所述斑块中的多个目标牲畜包括：
将多个所述斑块输入至所述特征提取模块，得到第一特征集；
将多个所述斑块输入至所述空间池化尺度unet特征提取模块中，得到第二特征集；
将所述第一特征集以及所述第二特征集输入所述残差收缩网络模块，所述第一特征集以及所述第二特征集均包含多个特征数据，所述残差收缩网络模块用于去除所述特征数据中的无关参数信息；
将所述第一特征集及所述第二特征集进行拼接处理，得到所述畜牧业检测模型的检测结果；所述检测结果用于表征多尺度的目标牲畜特征。
2.根据权利要求1所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，其特征在于，所述将所述斑块分别输入至所述特征提取模块，得到第一特征集，包括：
将所述斑块输入至所述特征提取模块中，经过由两个3×3卷积核和ReLu激活函数组成的两层卷积层，进行两次卷积操作，得到多个不同特征大小的特征集；
将多个不同特征大小的特征集经过池化核为2×2的最大池化层，进行多次逐层上采样处理，得到所述第一特征集。
3.根据权利要求1所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，其特征在于，所述将所述空间池化尺度unet特征提取模块中，得到第二特征集，包括：
将所述斑块输入至卷积核分别为1×1×1×1、1×1×2×2、1×1×3×3和1×1×6×6的所述空间池化尺度unet特征提取模块中，进行卷积处理，提取不同的空间池化尺度特征，依次得到多个特征子集；
采用两个3×3卷积核和ReLu激活函数组成的两个卷积层与池化核为2×2的最大池化层对多个特征子集进行上采样处理；
将多个特征子集按照像素大小的特征进行拼接处理，得到所述第二特征集。
4.根据权利要求1所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，其特征在于，所述将所述第一特征集以及所述第二特征集输入所述残差收缩网络模块，包括：
采用全局均值池化和全连接层对所述特征数据进行下采样处理；
采用ReLU激活函数与全连接层对所述特征数据进行上采样到原来的维度；
利用Sigmoid函数归一化到0-1之间的权重；
通过点乘将归一化后的权重加到所述特征数据中，用于筛选所述无关参数信息。
5.根据权利要求1所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，其特征在于，对所述待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块，包括：
所述待测卫星遥感影像包括多景卫星遥感影像，每景卫星遥感影像中包括多个目标牲畜；将所述每景卫星遥感影像进行裁剪成512×512像素大小的多个所述斑块。
6.根据权利要求1所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法，其特征在于，所述目标牲畜为牛、猪和羊中的一种或多种。
7.一种基于高空间分辨率遥感影像的畜牧业牲畜监测提取装置，其特征在于，包括：
数据获取模块，用于获取待测卫星遥感影像；
数据预处理模块，用于对所述待测卫星遥感影像进行预处理，得到多个预置像素大小的斑块；
检测模块，将所述斑块输入至Spatial pooling unet网络结构中，以检测所述斑块中的多个目标牲畜；其中，所述Spatial pooling unet网络结构包括：特征提取模块、空间池化尺度unet特征提取模块及残差收缩网络模块。
8.根据权利要求7所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取装置，其特征在于，所述检测模块，用于将所述斑块输入至Spatial pooling unet网络结构中，以检测所述斑块中的多个目标牲畜，包括：
将所述斑块分别输入至所述特征提取模块，得到第一特征集；
将所述空间池化尺度unet特征提取模块中，得到第二特征集；
将所述第一特征集以及所述第二特征集输入所述残差收缩网络模块，所述第一特征集以及所述第二特征集均包含多个特征数据，所述残差收缩网络模块用于去除所述特征数据中的无关参数信息；
将所述第一特征集及所述第二特征集进行拼接处理，得到所述畜牧业检测模型的检测结果；所述检测结果用于表征多尺度的目标牲畜特征。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～6中任一项所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～6中任一项所述的基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法。
CN202310739339.2A 2022-06-20 2023-06-20 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法 Pending CN116778351A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022107011317 2022-06-20
CN202210701131.7A CN114973022A (zh) 2022-06-20 2022-06-20 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法

Publications (1)

Publication Number Publication Date
CN116778351A true CN116778351A (zh) 2023-09-19

Family

ID=82963155

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210701131.7A Pending CN114973022A (zh) 2022-06-20 2022-06-20 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法
CN202310739339.2A Pending CN116778351A (zh) 2022-06-20 2023-06-20 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202210701131.7A Pending CN114973022A (zh) 2022-06-20 2022-06-20 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法

Country Status (1)

Country Link
CN (2) CN114973022A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237823A (zh) * 2023-11-10 2023-12-15 中国科学院空天信息创新研究院 一种基于零样本学习的遥感基础模型迁移方法及其装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528962B (zh) * 2021-01-01 2021-07-20 生态环境部卫星环境应用中心 一种基于高分卫星遥感影像的牧区牛马群的监测方法
CN113516135B (zh) * 2021-06-23 2023-10-31 江苏师范大学 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法
CN114440835B (zh) * 2022-01-28 2022-09-27 生态环境部卫星环境应用中心 多特征和模型耦合的牧畜遥感监测方法、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117237823A (zh) * 2023-11-10 2023-12-15 中国科学院空天信息创新研究院 一种基于零样本学习的遥感基础模型迁移方法及其装置
CN117237823B (zh) * 2023-11-10 2024-03-08 中国科学院空天信息创新研究院 一种基于零样本学习的遥感基础模型迁移方法及其装置

Also Published As

Publication number Publication date
CN114973022A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN110110617B (zh) 医学影像分割方法、装置、电子设备和存储介质
CN109948507B (zh) 用于检测表格的方法和装置
CN108154105B (zh) 水下生物检测与识别方法、装置、服务器及终端设备
CN108230390B (zh) 训练方法、关键点检测方法、装置、存储介质和电子设备
US10846854B2 (en) Systems and methods for detecting cancer metastasis using a neural network
CN109902567B (zh) 一种快速评估植被健康状况的数据处理方法及系统
US11010883B2 (en) Automated analysis of petrographic thin section images using advanced machine learning techniques
Wang et al. FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN104025118A (zh) 使用扩展surf特征的对象检测
CN116778351A (zh) 基于高空间分辨率遥感影像的畜牧业牲畜监测提取方法
CN110738235A (zh) 肺结核判定方法、装置、计算机设备及存储介质
CN109961446A (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN114049565A (zh) 基于遥感影像和dem数据的地质灾害判识方法和装置
CN113129261A (zh) 一种基于双流卷积神经网络的图像篡改检测方法
CN114463637A (zh) 一种基于深度学习的冬小麦遥感识别分析方法和系统
CN115222717B (zh) 一种大豆种荚快速计数方法、装置及存储介质
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN116433661B (zh) 多任务学习的半导体晶圆检测方法、装置、设备及介质
CN116704324A (zh) 基于水下图像的目标检测方法、系统、设备以及存储介质
CN115456957B (zh) 一种全尺度特征聚合的遥感影像变化检测的方法
CN116051532A (zh) 基于深度学习的工业零件缺陷检测方法、系统及电子设备
CN116434218A (zh) 适用于移动端的支票识别方法、装置、设备和介质
CN116894955A (zh) 目标提取方法、装置、电子设备及存储介质
Kim et al. Deep-learning-based gestational sac detection in ultrasound images using modified YOLOv7-E6E model

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