CN117036982B - 海上养殖区的光学卫星图像处理方法和装置、设备和介质 - Google Patents
海上养殖区的光学卫星图像处理方法和装置、设备和介质 Download PDFInfo
- Publication number
- CN117036982B CN117036982B CN202311278843.3A CN202311278843A CN117036982B CN 117036982 B CN117036982 B CN 117036982B CN 202311278843 A CN202311278843 A CN 202311278843A CN 117036982 B CN117036982 B CN 117036982B
- Authority
- CN
- China
- Prior art keywords
- image
- initial
- training
- images
- model
- 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.)
- Active
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 title claims description 27
- 238000009364 mariculture Methods 0.000 title description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 233
- 238000012549 training Methods 0.000 claims abstract description 160
- 238000012360 testing method Methods 0.000 claims abstract description 129
- 238000012795 verification Methods 0.000 claims abstract description 100
- 238000003672 processing method Methods 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000002372 labelling Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013101 initial test Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 238000009313 farming Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002194 synthesizing effect 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
- G06N3/045—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
- G06N3/0464—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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- 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
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本实施例公开了一种海上养殖区的光学卫星图像处理方法和装置、设备和介质,其中,方法包括:获取初始模型和训练图像集;获取同一时段内、针对包括目标对象的场景采集的测试图像集和验证图像集;利用各训练图像训练初始模型,得到初始分割模型;对于各测试图像,利用初始分割模型对测试图像进行语义分割,得到测试图像的语义分割结果;基于各测试图像的语义分割结果和各验证图像的目标对象的位置信息,确定初始分割模型的语义分割正确率;响应于初始分割模型的语义分割正确率大于或等于预设阈值,将初始分割模型确定为目标分割模型;利用目标分割模型对待检测图像进行语义分割,得到待检测图像的语义分割结果。
Description
技术领域
本发明涉及图像识别技术,尤其是一种海上养殖区的光学卫星图像处理方法和装置、设备和介质。
背景技术
海上养殖是我国重要的养殖领域之一,随之海上养殖的不断增加,伴随养殖排入海中的富营养物极易造成海洋的富营养化,因此如何检测海上养殖区域的情况,对海洋资源的可持续利用具有十分重要的意义。在现有技术中,通常使用实时动态测量(Real TimeKinematic,RTK)技术检测海上养殖区域,而该技术无法准确的检测出海上养殖区域。
发明内容
为了解决上述问题,本发明实施例提供一种海上养殖区的光学卫星图像处理方法和装置、设备和介质。
本发明实施例的一个方面,提供了一种海上养殖区的光学卫星图像处理方法方法,包括:获取初始模型和训练图像集,其中,所述初始模型为Deep Lab模型,所述训练图像集包括多帧训练图像,所述多帧训练图像中的各训练图像均包括目标对象和所述目标对象的标注信息,所述各训练图像均为光学卫星图像,所述目标对象为海上养殖区;获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,其中,所述验证图像集包括多帧验证图像,所述多帧验证图像中的各验证图像均包括所述目标对象和所述目标对象的位置信息,所述各验证图像均为遥感图像,所述测试图像集包括多帧测试图像,所述多帧测试图像中的各测试图像均包括所述目标对象,所述各测试图像均为光学卫星图像;利用所述各训练图像训练所述初始模型,得到初始分割模型;对于所述各测试图像,利用所述初始分割模型对所述测试图像进行语义分割,得到所述测试图像的语义分割结果;基于所述各测试图像的语义分割结果和所述各验证图像的目标对象的位置信息,确定所述初始分割模型的语义分割正确率;响应于所述初始分割模型的语义分割正确率大于或等于预设阈值,将所述初始分割模型确定为目标分割模型;利用所述目标分割模型对待检测图像进行语义分割,得到所述待检测图像的语义分割结果。
在一个可选实施方式中,所述利用所述各训练图像训练所述初始模型,得到初始分割模型,包括:将所述各训练图像输入所述初始模型,分别得到所述各训练图像的预测语义分割信息;基于所述各训练图像的目标对象的标注信息和预测语义分割信息,确定损失函数值;基于所述损失函数值调整所述初始模型的模型参数,直至满足训练停止条件,得到所述初始分割模型。
在一个可选实施方式中,所述获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,包括:获取在同一时段内、针对包括所述目标对象的场景分别采集的多帧初始测试图像和多帧初始验证图像,其中,所述多帧初始测试图像均为由光学卫星采集得到的光学卫星图像,所述多帧初始验证图像均为由合成孔径雷采集得到的遥感图像;所述多帧初始测试图像和所述多帧初始验证图像均包括所述目标对象;对所述各测试图像进行去噪和裁剪处理,分别得到所述各测试图像;由所述各测试图像构成所述测试图像集;针对所述多帧初始验证图像中的各初始验证图像,确定所述初始验证图像中的所述目标对象的位置信息,得到所述初始验证图像对应的验证图像;由所述各初始验证图像对应的验证图像构成所述验证图像集。
在一个可选实施方式中,所述获取训练图像集,包括:获取多帧初始训练图像,其中,所述多帧初始训练图像中的各初始训练图像均包括所述目标对象;针对所述各初始训练图像,对所述初始训练图像进行语义分割,得到所述初始训练图像的语义分割信息;根据所述初始训练图像的语义分割信息,对所述初始训练图像中的目标对象进行标注,得到所述初始训练图像对应的训练图像;由所述各初始训练图像对应的训练图像构成所述训练图像集。
在一个可选实施方式中,所述初始模型包括:输入层、骨干网络层、空洞空间卷积池化金字塔层和解码层。
在一个可选实施方式中,所述各测试图像均包括所述目标对象的标注信息,所述方法还包括:将所述各测试图像输入所述目标分割模型,由所述目标分割模型输出所述各测试图像的语义分割结果;基于所述各测试图像的语义分割结果和标注信息,确定所述目标分割模型的分割精确度。
在一个可选实施方式中,所述利用所述目标分割模型对所述待检测图像进行语义分割,得到所述待检测图像的语义分割结果,包括:将所述待检测图像输入所述目标分割模型,由所述目标分割模型输出所述待检测图像的语义分割结果,其中,所述待检测图像为光学卫星图像。
本发明实施例的一个方面,提供了一种海上养殖区的光学卫星图像处理装置,包括:第一获取模块,用于获取初始模型和训练图像集,其中,所述初始模型为Deep Lab模型,所述训练图像集包括多帧训练图像,所述多帧训练图像中的各训练图像均包括目标对象和所述目标对象的标注信息,所述各训练图像均为光学卫星图像,所述目标对象为海上养殖区;第二获取模块,获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,其中,所述验证图像集包括多帧验证图像,所述多帧验证图像中的各验证图像均包括所述目标对象和所述目标对象的位置信息,所述各验证图像均为遥感图像,所述测试图像集包括多帧测试图像,所述多帧测试图像中的各测试图像均包括所述目标对象,所述各测试图像均为光学卫星图像;训练模块,用于利用所述各训练图像训练所述初始模型,得到初始分割模型;测试模块,用于对于所述各测试图像,利用所述初始分割模型对所述测试图像进行语义分割,得到所述测试图像的语义分割结果;第一确定模块,用于基于所述各测试图像的语义分割结果和所述各验证图像的目标对象的位置信息,确定所述初始分割模型的语义分割正确率;第二确定模块,用于响应于所述初始分割模型的语义分割正确率大于或等于预设阈值,将所述初始分割模型确定为目标分割模型;第一语义分割模块,用于利用所述目标分割模型对待检测图像进行语义分割,得到所述待检测图像的语义分割结果。
本发明实施例的又一个方面,提供了一种电子设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现海上养殖区的光学卫星图像处理方法。
本发明实施例的又一个方面,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,实现海上养殖区的光学卫星图像处理方法。
在本发明的海上养殖区的光学卫星图像处理方法和装置、设备和介质中,先获取初始模型和训练图像集,以及获得在同一时段内、针对包括目标对象的场景采集的测试图像集和验证图像集测试图像集,之后利用各训练图像训练所述初始模型,得到初始分割模型;然后利用初始分割模型对各测试图像进行语义分割,得到各测试图像的语义分割结果;并基于各测试图像的语义分割结果和各验证图像的目标对象的位置信息,确定初始分割模型的语义分割正确率;并在初始分割模型的语义分割正确率大于或等于预设阈值,将初始分割模型确定为目标分割模型;利用目标分割模型对待检测图像进行语义分割,得到待检测图像的语义分割结果。由此,本发明中选用Deep Lab模型作为初别模型,并利用包括目标对象的光学卫星图像,即训练图像,对初始模型进行模型训练,使得到的目标分割模型对光学卫星图像语义分割精确度更高,并且本发明还创造性利用遥感图像,即验证图像,对通过光学卫星图像训练得到的初始分割模型进行校正,由此进一步提高了目标分割模型对光学卫星图像语义分割精确度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1是本发明一示例性实施例提供的海上养殖区的光学卫星图像处理方法的流程示意图;
图2是本发明一示例性实施例提供的初始模型的结构的示意图;
图3是本发明另一示例性实施例提供的海上养殖区的光学卫星图像处理方法的流程示意图;
图4是本发明一示例性实施例中海上养殖区的光学卫星图像处理装置的结构框图;
图5为本发明电子设备一个应用实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动遥感技术,使用发射和接收雷达波束以合成高分辨率的地球表面影像。SAR不受天气和照明条件的限制,通过合成长时间观测以提供详细的地表信息,广泛应用于地形测绘、资源管理、环境监测和军事领域,为遥感领域提供了强大工具。SAR可以在能见度极低的气象条件下得到类似光学照相的高分辨雷达图像(即遥感图像)。
遥感图像也称遥感影像(Remote Sensing Image,RS)是指记录各种地物电磁波大小的胶片或照片。
光学卫星图像又称光学卫星影像,是指通过光学传感器在太空中获取的地球表面图像。光学卫星搭载了特定的光学传感器,通过感知可见光和近红外等电磁波的反射或辐射,来捕捉地球表面的图像数据。
图1是本发明一示例性实施例提供的海上养殖区的光学卫星图像处理方法的流程示意图。本实施例可应用在电子设备上等,如图1所示,包括如下步骤:
步骤S110,获取初始模型和训练图像集。
其中,初始模型为Deep Lab模型,在一个具体实现中,该初始模型可以为Deep LabV3+模型。
训练图像集包括多帧训练图像,多帧训练图像中的各训练图像均包括目标对象和目标对象的标注信息,各训练图像均为光学卫星图像。目标对象为海上养殖区。其中的海上养殖区可以为海上养殖动植物的区域,例如,海上养殖区可以为海上筏式养殖的区域。目标对象的标注信息可以为目标对象的语义分割信息,目标对象的语义分割信息包括:目标对象的位置信息和类别信息,该位置信息包括目标对象在像素坐标系中的坐标值,或者,在世界坐标系中的坐标值。该类别信息为目标对象所属的类别,在本实施例中,可以理解为类别信息包括:海上养殖区、其他区域等。
在一些可选实施方式中,步骤S110可以包括:
步骤S110-1,获取多帧初始训练图像。
其中,该多帧初始训练图像中的各初始训练图像均包括目标对象。
在一个具体实现中,可以通过光学卫星采集多帧初始训练图像。
步骤S110-2,针对各初始训练图像,对该初始训练图像进行语义分割,得到该初始训练图像的语义分割信息。
其中,初始训练图像的语义分割信息包括目标对象的位置信息和类别信息。
可以利用训练好的语义分割模型对各初始训练图像进行语义分割,获得各初始训练图像的语义分割信息,其中的训练好的语义分割模型可以为FCN(Fully ConvolutionNetwork,全卷积神经网络)、Deep Lab V1模型、Deep Lab V2模型等。
步骤S110-3,根据该初始训练图像的语义分割信息,对该初始训练图像中的目标对象进行标注,得到该初始训练图像对应的训练图像。
其中,可以利用人工或自动的方式,将各初始训练图像中的目标对象的分割信息分别标注到各初始训练图像上,得到各初始训练图像对应的训练图像。
步骤S110-4,由各初始训练图像对应的训练图像构成训练图像集。
在一个具体实现中,可以利用python的GDAL(Geospatial Data AbstractionLibrary,开源栅格空间数据转换库)和rasterio库等第三方库对各训练图像处理,如,通过脚本对应输入训练图像进行滤波抑制图像的噪点(去噪),之后将各训练图像裁剪为大小为1024×1024(长×宽,单位:像素)图像。
步骤S120,获取同一时段内、针对包括目标对象的场景采集的测试图像集和验证图像集。
其中,验证图像集包括多帧验证图像,多帧验证图像中的各验证图像均包括目标对象和该目标对象的位置信息,各验证图像均为遥感图像。测试图像集包括多帧测试图像,多帧测试图像中的各测试图像均包括目标对象,各测试图像均为光学卫星图像。
在一个具体实现中,各验证图像均为由合成孔径雷达采集得到的遥感图像。目标对象的位置信息包括目标对象在像素坐标系中的坐标值,或者,在世界坐标系中的坐标值。
在一些可选实施方式中,步骤S120包括:
步骤S120-1,获取在同一时段内、针对包括目标对象的场景分别采集的多帧初始测试图像和多帧初始验证图像。
其中,该多帧初始测试图像均为由光学卫星采集得到的光学卫星图像,该多帧初始验证图像均为由合成孔径雷采集得到的遥感图像,该多帧初始测试图像和该多帧初始验证图像均包括目标对象。
在一个具体实现中,可以利用合成孔径雷和光学卫星在同一时段内,分别对包括目标对象的场景进行采集,分别得到多帧初始测试图像和多帧初始验证图像。
步骤S120-2,对各测试图像进行去噪和裁剪处理,分别得到各测试图像。
可以利用python的GDAL(Geospatial Data Abstraction Library,开源栅格空间数据转换库)和rasterio库等第三方库对各测试图像处理,如,通过脚本对应输入测试图像进行滤波抑制图像的噪点(去噪),之后将各测试图像裁剪为大小为1024×1024(长×宽,单位:像素)图像。
步骤S120-3,由各测试图像构成测试图像集。
步骤S120-4,针对多帧初始验证图像中的各初始验证图像,确定该初始验证图像中的目标对象的位置信息,得到该初始验证图像对应的验证图像。
其中,目标对象的位置信息与初始训练图像的语义分割信息中的目标对象的位置信息是位于同一坐标系的数据。
在一个具体实现中,可以利用预先训练好的用于识别的目标对象的位置信息的神经网络,对各初始验证图像进行识别,得到各初始验证图像对应的验证图像。其中的用于识别的目标对象的位置信息的神经网络可以为CNN(Convolutional Neural Networks ,卷积神经网络)、FCN等。该神经网络可以通过标注了目标对象的位置信息多张遥感图像训练得到。
步骤S120-5,由各初始验证图像对应的验证图像构成验证图像集。
步骤S130,利用各训练图像训练初始模型,得到初始分割模型。
在一些可选实施方式中,步骤S130包括:
步骤S130-1,将各训练图像输入初始模型,分别得到各训练图像的预测语义分割信息。
其中,预测语义分割信息包括目标对象的位置信息和类别信息。
步骤S130-2,基于各训练图像的目标对象的标注信息和预测语义分割信息,确定损失函数值。
其中,可以预先设置预设损失函数,该预设损失函数将可以例如包括但不限于:交叉熵误差函数、均方误差函数等。具体地,可以根据各帧训练图像的标注信息和预测信息,利用预设损失函数,计算得到损失函数值。
步骤S130-3,基于损失函数值调整初始模型的模型参数,直至满足训练停止条件,得到初始分割模型。
其中,可以迭代执行操作步骤S130-1~步骤S130-3的操作,通过迭代调整初始模型的各模型参数,以使损失函数值逐渐减小,当初始模型的损失函数值不再下降时,确定满足训练停止条件,此时对初始模型训练完成,由初始模型训练得到初始分割模型。
在一种具体实现中,可以采用任意可以实施的参数优化器调整待训练的初始模型的各模型参数实现。例如,其中的参数优化器可以包括但不限于为SGD(StochasticGradient Descent,随机梯度下降)、Adagrad(自适应梯度算法),Adam(Adaptive MomentEstimation,自适应矩估计)、RMSprop(Root Mean Square Prop ,均方根)、LBFGS(Limited-memory Broyden–Fletcher–Goldfarb–Shanno,有限内存中进行BFGS)算法等。
在一个具体实现中,可以利用参数优化器计算初始模型的各模型参数的梯度,将各模型参数沿梯度的方向进行调整,其中的梯度表示损失函数值减小最多的方向,重复上述步骤S130-1~步骤S130-3的操作,直至初始模型的损失函数值不再下降,即可以确定满足训练停止条件,由初始模型训练后得到初始分割模型。
步骤S140,对于各测试图像,利用初始分割模型对该测试图像进行语义分割,得到该测试图像的语义分割结果。
其中,该测试图像的语义分割结果包括该测试图像中是否包括目标对象,并在该测试图像包括目标对象时,该测试图像的语义分割结果还包括目标对象的位置信息和类别信息。相应的,利用初始分割模型对各测试图像分别进行语义分割,分别得到各测试图像的语义分割结果。
步骤S150,基于各测试图像的语义分割结果和各验证图像的目标对象的位置信息,确定初始分割模型的语义分割正确率。
其中,测试图像的语义分割结果中的目标对象的位置信息与验证图像中的目标对象的位置信息相同或相差预设值时,可以确定该测试图像的语义分割结果为正确。
在一个具体实现中,对于每个测试图像,将测试图像中的语义分割结果中的目标对象的位置信息与各验证图像的目标对象的位置信息匹配,若在各验证图像中存在与该测试图像的语义分割结果中的目标对象的位置信息相同或相差预设值的目标对象的位置信息时,确定该测试图像的语义分割结果正确,否则,确定为错误。之后统计测试图像的语义分割结果为正确的目标数量,利用目标数量除以测试图像的总数量,得到初始分割模型的语义分割正确率。
步骤S160,响应于初始分割模型的语义分割正确率大于或等于预设阈值,将初始分割模型确定为目标分割模型。
其中,预设阈值可以根据实际情况设置,例如,预设阈值可以为95%。
在一个具体实现中,响应于初始分割模型的语义分割正确率小于预设阈值,扩充训练数据集中训练图像的数量,利用扩充后的训练数据集训练初始分割模型,直至初始分割模型的语义分割正确率大于或等于预设阈值,将初始分割模型确定为目标分割模型。
步骤S170,利用目标分割模型对待检测图像进行语义分割,得到待检测图像的语义分割结果。
在一些可选实施方式中,步骤S170可以包括:将待检测图像输入目标分割模型,由目标分割模型输出待检测图像的语义分割结果。该待检测图像为光学卫星图像。该待检测图像的语义分割结果包括:待检测图像中是否包括目标对象,并在指示待检测图像包括目标对象时,该待检测图像的语义分割结果还包括目标对象的位置信息和类别信息。
在本发明中,选用Deep Lab模型作为初别模型,并利用包括目标对象的光学卫星图像,即训练图像,对初始模型进行模型训练,使得到的目标分割模型对光学卫星图像语义分割精确度更高,并且本发明还创造性利用遥感图像,即验证图像,对通过光学卫星图像训练得到的初始分割模型进行校正,由此进一步提高了目标分割模型对光学卫星图像语义分割精确度。
在一些可选实施方式中,图2是本发明一示例性实施例提供的初始模型的结构的示意图,如图2所示,初始模型包括:输入层、骨干网络层、空洞空间卷积池化金字塔层和解码层。
在一个具体实现中,可以采用的PyTorch作为深度学习的框架,并通过PyTorch构建初始模型。
输入层(Input Layer)是整个初始模型的输入,输入层用于将训练图像分解成像素矩阵。该像素矩阵是一个三维矩阵的图像,其中的三维矩阵的图像的长和宽代表了训练图像的大小,三维矩阵的图像深度代表了训练图像的通道,训练图像可以先以灰度形式呈现,所以深度(deep)为1。
骨干网络层(Backbone Layer)可以选用Xception网络。在Xception网络中,输入的是输入层输出的三维矩阵的图像。Xception网络首先使用标准的卷积层对三维矩阵的图像进行初始特征提取,其中的该标准的卷积层包括一个3×3卷积和一个ReLU激活函数。之后,使用深度可分离卷积来代替传统的卷积层处理该标准的卷积层输出的初始特征图。深度可分离卷积包括两个步骤:深度卷积(Depthwise Convolution)和逐点卷积(PointwiseConvolution)。深度卷积在每个输入通道上分别应用一个1×3卷积和一个3×1卷积,这样可以跨通道地捕获特征。逐点卷积则使用1×1卷积来组合深度卷积的输出,产生最终的特征图。这个过程可以通过多个连续的深度可分离卷积层来进行多次特征提取。Xception网络的中间部分(Middle Flow)通常包含多个相同结构的模块,每个模块都由一系列的深度可分离卷积层组成。中间部分用于逐渐提取并转换特征,使Xception网络能够更好地理解图像内容。Xception网络的出口部分(Exit Flow)将最后的初始特征图送入全局平均池化层,对初始特征图的每个通道进行平均池化,得到全局特征向量。之后,使用一个全连接层或者卷积层对初始特征图进行最终的分类或回归操作。由此,Xception网络通过引入深度可分离卷积,将卷积操作的参数量和计算复杂度降低,从而提高了初始模型的效率和性能。
空洞空间卷积池化金字塔层(Atrous Spatial Pyramid Pooling,ASPP),空洞空间卷积(Atrous Convolution)是初始模型(Deep Lab)的关键之一,它可以在不改变特征图大小的同时控制感受野,这有利于提取多尺度信息。在本实施例中,空洞空间卷积池化金字塔层用于处理骨干网络层输出的特征图。具体的,通过采用空洞空间卷积进一步提取特征图的多尺度信息,这里是采用不同空洞卷积的rate(空洞系数)实现这一点。空洞空间卷积池化金字塔层主要包含三部分。该三个部分具体为:第一部分为一个1×1卷积层,以及三个3×3的空洞卷积,第一部分的output stride(步长)为16、rate为(6,12,18);第二部分为一个全局平均池化层,其可以得到Image-Level(影像等级)特征,然后送入1×1卷积层(输出256个channel(通道)),并双线性插值到原始大小;第三部分为将第一部分和第二部分得到的4个不同尺度的特征在channel维度上,通过concat函数拼接在一起,然后送入1×1的卷积进行融合,得到256-channel的特征。
解码层可以采用 DeepLab v3+模型中的Encoder-Decoder(编码器-解码器)结构。首先,Encoder对空洞空间卷积池化金字塔层输出的特征进行双线性插值处理,得到4×4的特征,先采用1×1卷积对低级特征进行降维,然后Encoder将与4×4的特征对应大小的低级特征通过concat函数拼接,之后,再采用3×3卷积进一步融合特征,最后再双线性插值得到与原始图片相同大小的预测语义分割结果。
在一些可选实施方式中,各测试图像均包括所述目标对象的标注信息。获得测试图像的目标对象的标注方法与获得训练图像的目标对象的标注方法相同,此处不再赘述。
相应的,在本实施例中,图3是本发明另一示例性实施例提供的海上养殖区的光学卫星图像处理方法的流程示意图,如图3所示,海上养殖区的光学卫星图像处理方法还包括:
步骤S210,将各测试图像输入目标分割模型,由目标分割模型输出各测试图像的语义分割结果。
步骤S220,基于各测试图像的语义分割结果和标注信息,确定目标分割模型的分割精确度。
其中,每帧测试图像的语义分割结果包括:该帧测试图像中目标对象的目标对象的位置信息和类别信息。对应每帧测试图像,该测试图像的语义分割结果与标注信息相同,则确定该测试图像的语义分割结果正确。基于此,确定正确的语义分割结果的数量,并用正确的语义分割结果的数量除以测试图像的数量,得到分割精确度。
图4是本发明一个实施例中海上养殖区的光学卫星图像处理装置的结构框图。如图4所示,海上养殖区的光学卫星图像处理装置包括:
第一获取模块300,用于获取初始模型和训练图像集,其中,所述初始模型为DeepLab模型,所述训练图像集包括多帧训练图像,所述多帧训练图像中的各训练图像均包括所述目标对象和所述目标对象的标注信息,所述各训练图像均为光学卫星图像,所述目标对象为海上养殖区;
第二获取模块310,获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,其中,所述验证图像集包括多帧验证图像,所述多帧验证图像中的各验证图像均包括所述目标对象和所述目标对象的位置信息,所述各验证图像均为遥感图像,所述测试图像集包括多帧测试图像,所述多帧测试图像中的各测试图像均包括所述目标对象,所述各测试图像均为光学卫星图像;
训练模块320,用于利用所述各训练图像训练所述初始模型,得到初始分割模型;
测试模块330,用于对于所述各测试图像,利用所述初始分割模型对所述测试图像进行语义分割,得到所述测试图像的语义分割结果;
第一确定模块340,用于基于所述各测试图像的语义分割结果和所述各验证图像的目标对象的位置信息,确定所述初始分割模型的语义分割正确率;
第二确定模块350,用于响应于所述初始分割模型的语义分割正确率大于或等于预设阈值,将所述初始分割模型确定为目标分割模型;
第一语义分割模块360,用于利用所述目标分割模型对所述待检测图像进行语义分割,得到所述待检测图像的语义分割结果。
在本发明的一个实施例中,本发明实施例中的训练模块320具体用于:
将所述各训练图像输入所述初始模型,分别得到所述各训练图像的预测语义分割信息;
基于所述各训练图像的目标对象的标注信息和预测语义分割信息,确定损失函数值;
基于所述损失函数值调整所述初始模型的模型参数,直至满足训练停止条件,得到所述初始分割模型。
在本发明的一个实施例中,本发明实施例中的第二获取模块310具体用于:
获取由所述合成孔径雷和光学卫星在同一时段内、针对包括所述目标对象的场景分别采集的多帧初始测试图像和多帧初始验证图像,其中,所述多帧初始测试图像和所述多帧初始验证图像均包括所述目标对象;
对所述各测试图像进行去噪和裁剪处理,分别得到所述各测试图像;
由所述各测试图像构成所述测试图像集;
针对所述多帧初始验证图像中的各初始验证图像,确定所述初始验证图像中的所述目标对象的位置信息,得到所述初始验证图像对应的验证图像;
由所述各初始验证图像对应的验证图像构成所述验证图像集。
在本发明的一个实施例中,本发明实施例中的第一获取模块300具体用于:
获取多帧初始训练图像,其中,所述多帧初始训练图像中的各初始训练图像均包括所述目标对象;
针对所述各初始训练图像,对所述初始训练图像进行语义分割,得到所述初始训练图像的语义分割信息;
根据所述初始训练图像的语义分割信息,对所述初始训练图像中的目标对象进行标注,得到所述初始训练图像对应的训练图像;
由所述各初始训练图像对应的训练图像构成所述训练图像集。
在本发明的一个实施例中,本发明实施例中的所述初始模型包括:输入层、骨干网络层、空洞空间卷积池化金字塔层和解码层。
在本发明的一个实施例中,本发明实施例中的所述各测试图像均包括所述目标对象的标注信息,所述装置还包括:
第二语义分割模块,用于将所述各测试图像输入所述目标分割模型,由所述目标分割模型输出所述各测试图像的语义分割结果;
第三确定模块,用于基于所述各测试图像的语义分割结果和标注信息,确定所述目标分割模型的分割精确度。
在本发明的一个实施例中,本发明实施例中的第一语义分割模块360具体用于:
将所述待检测图像输入所述目标分割模型,由所述目标分割模型输出所述待检测图像的语义分割结果,其中,所述待检测图像为光学卫星图像。
另外,本发明实施例还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现本发明上述任一实施例所述的海上养殖区的光学卫星图像处理方法。
图5为本发明电子设备一个应用实施例的结构示意图。下面,参考图5来描述根据本发明实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
如图5所示,电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现上文所述的本发明的各个实施例的海上养殖区的光学卫星图像处理方法以及/或者其他期望的功能。
在一个示例中,电子设备还可以包括:输入装置和输出装置,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入设备还可以包括例如键盘、鼠标等等。
该输出装置可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出设备可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本发明各种实施例的海上养殖区的光学卫星图像处理方法中的步骤。所述计算机程序产品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发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++、Python等,还包括常规的过程式程序设计语言,诸如“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、作为一个独立的软件包执行、部分在用户计算设备上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。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本发明各种实施例的海上养殖区的光学卫星图像处理方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种海上养殖区的光学卫星图像处理方法,其特征在于,包括:
获取初始模型和训练图像集,其中,所述初始模型为Deep Lab模型,所述训练图像集包括多帧训练图像,所述多帧训练图像中的各训练图像均包括目标对象和所述目标对象的标注信息,所述各训练图像均为光学卫星图像,所述目标对象为海上养殖区;
获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,其中,所述验证图像集包括多帧验证图像,所述多帧验证图像中的各验证图像均包括所述目标对象和所述目标对象的位置信息,所述各验证图像均为遥感图像,所述测试图像集包括多帧测试图像,所述多帧测试图像中的各测试图像均包括所述目标对象,所述各测试图像均为光学卫星图像;
利用所述各训练图像训练所述初始模型,得到初始分割模型;
对于所述各测试图像,利用所述初始分割模型对所述测试图像进行语义分割,得到所述测试图像的语义分割结果;
基于所述各测试图像的语义分割结果和所述各验证图像的目标对象的位置信息,确定所述初始分割模型的语义分割正确率;
响应于所述初始分割模型的语义分割正确率大于或等于预设阈值,将所述初始分割模型确定为目标分割模型;
利用所述目标分割模型对待检测图像进行语义分割,得到所述待检测图像的语义分割结果。
2.根据权利要求1所述的方法,其特征在于,所述利用所述各训练图像训练所述初始模型,得到初始分割模型,包括:
将所述各训练图像输入所述初始模型,分别得到所述各训练图像的预测语义分割信息;
基于所述各训练图像的目标对象的标注信息和预测语义分割信息,确定损失函数值;
基于所述损失函数值调整所述初始模型的模型参数,直至满足训练停止条件,得到所述初始分割模型。
3.根据权利要求1所述的方法,其特征在于,所述获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,包括:
获取在同一时段内、针对包括所述目标对象的场景分别采集的多帧初始测试图像和多帧初始验证图像,其中,所述多帧初始测试图像均为由光学卫星采集得到的光学卫星图像,所述多帧初始验证图像均为由合成孔径雷达采集得到的遥感图像;所述多帧初始测试图像和所述多帧初始验证图像均包括所述目标对象;
对所述各测试图像进行去噪和裁剪处理,分别得到所述各测试图像;
由所述各测试图像构成所述测试图像集;
针对所述多帧初始验证图像中的各初始验证图像,确定所述初始验证图像中的所述目标对象的位置信息,得到所述初始验证图像对应的验证图像;
由所述各初始验证图像对应的验证图像构成所述验证图像集。
4.根据权利要求1所述的方法,其特征在于,所述获取训练图像集,包括:
获取多帧初始训练图像,其中,所述多帧初始训练图像中的各初始训练图像均包括所述目标对象;
针对所述各初始训练图像,对所述初始训练图像进行语义分割,得到所述初始训练图像的语义分割信息;
根据所述初始训练图像的语义分割信息,对所述初始训练图像中的目标对象进行标注,得到所述初始训练图像对应的训练图像;
由所述各初始训练图像对应的训练图像构成所述训练图像集。
5.根据权利要求1所述的方法,其特征在于,所述初始模型包括:输入层、骨干网络层、空洞空间卷积池化金字塔层和解码层。
6.根据权利要求1所述的方法,其特征在于,所述各测试图像均包括所述目标对象的标注信息,所述方法还包括:
将所述各测试图像输入所述目标分割模型,由所述目标分割模型输出所述各测试图像的语义分割结果;
基于所述各测试图像的语义分割结果和标注信息,确定所述目标分割模型的分割精确度。
7.根据权利要求1所述的方法,其特征在于,所述利用所述目标分割模型对所述待检测图像进行语义分割,得到所述待检测图像的语义分割结果,包括:
将所述待检测图像输入所述目标分割模型,由所述目标分割模型输出所述待检测图像的语义分割结果,其中,所述待检测图像为光学卫星图像。
8.一种海上养殖区的光学卫星图像处理装置,其特征在于,包括:
第一获取模块,用于获取初始模型和训练图像集,其中,所述初始模型为Deep Lab模型,所述训练图像集包括多帧训练图像,所述多帧训练图像中的各训练图像均包括目标对象和所述目标对象的标注信息,所述各训练图像均为光学卫星图像,所述目标对象为海上养殖区;
第二获取模块,获取同一时段内、针对包括所述目标对象的场景采集的测试图像集和验证图像集,其中,所述验证图像集包括多帧验证图像,所述多帧验证图像中的各验证图像均包括所述目标对象和所述目标对象的位置信息,所述各验证图像均为遥感图像,所述测试图像集包括多帧测试图像,所述多帧测试图像中的各测试图像均包括所述目标对象,所述各测试图像均为光学卫星图像;
训练模块,用于利用所述各训练图像训练所述初始模型,得到初始分割模型;
测试模块,用于对于所述各测试图像,利用所述初始分割模型对所述测试图像进行语义分割,得到所述测试图像的语义分割结果;
第一确定模块,用于基于所述各测试图像的语义分割结果和所述各验证图像的目标对象的位置信息,确定所述初始分割模型的语义分割正确率;
第二确定模块,用于响应于所述初始分割模型的语义分割正确率大于或等于预设阈值,将所述初始分割模型确定为目标分割模型;
第一语义分割模块,用于利用所述目标分割模型对待检测图像进行语义分割,得到所述待检测图像的语义分割结果。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现上述权利要求1-7任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278843.3A CN117036982B (zh) | 2023-10-07 | 2023-10-07 | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311278843.3A CN117036982B (zh) | 2023-10-07 | 2023-10-07 | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036982A CN117036982A (zh) | 2023-11-10 |
CN117036982B true CN117036982B (zh) | 2024-01-09 |
Family
ID=88630230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311278843.3A Active CN117036982B (zh) | 2023-10-07 | 2023-10-07 | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036982B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761453A (zh) * | 2018-03-29 | 2018-11-06 | 航天东方红卫星有限公司 | 一种光学卫星与sar卫星图像融合的成像视角优化方法 |
CN111540007A (zh) * | 2020-04-10 | 2020-08-14 | 中国资源卫星应用中心 | 一种利用sar图像估算油罐存储量的方法 |
WO2020164042A1 (zh) * | 2019-02-14 | 2020-08-20 | 唐锐 | 基于边界提取的区域合并图像分割算法 |
CN112801109A (zh) * | 2021-04-14 | 2021-05-14 | 广东众聚人工智能科技有限公司 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
CN113657389A (zh) * | 2021-07-29 | 2021-11-16 | 中国科学院软件研究所 | 一种软件定义卫星语义分割方法、装置和介质 |
CN114596440A (zh) * | 2022-03-22 | 2022-06-07 | 小米汽车科技有限公司 | 语义分割模型的生成方法、装置、电子设备及存储介质 |
CN114898097A (zh) * | 2022-06-01 | 2022-08-12 | 首都师范大学 | 图像识别方法及系统 |
CN115035418A (zh) * | 2022-06-15 | 2022-09-09 | 杭州电子科技大学 | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 |
CN115049919A (zh) * | 2022-01-21 | 2022-09-13 | 昆明理工大学 | 一种基于注意力调控的遥感图像语义分割方法及系统 |
CN115471759A (zh) * | 2022-10-28 | 2022-12-13 | 陕西航天技术应用研究院有限公司 | 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 |
CN115527119A (zh) * | 2022-10-12 | 2022-12-27 | 中科合肥智慧农业协同创新研究院 | 一种基于深度学习的农作物遥感图像语义分割方法 |
CN115908894A (zh) * | 2022-10-27 | 2023-04-04 | 中国科学院空天信息创新研究院 | 基于全景分割的光学遥感影像海洋筏式养殖区分类方法 |
CN115984850A (zh) * | 2023-02-15 | 2023-04-18 | 安徽大学 | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 |
CN116385888A (zh) * | 2023-06-06 | 2023-07-04 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 解译标志确定方法和装置、电子设备和存储介质 |
CN116630610A (zh) * | 2023-02-21 | 2023-08-22 | 东南大学 | 基于语义分割模型和条件随机场的roi区域提取方法 |
CN116682027A (zh) * | 2023-08-01 | 2023-09-01 | 中国科学院空天信息创新研究院 | 基于MobileNet的SAR海冰图像分类方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205051B (zh) * | 2021-05-10 | 2022-01-25 | 中国科学院空天信息创新研究院 | 基于高空间分辨率遥感影像的储油罐提取方法 |
-
2023
- 2023-10-07 CN CN202311278843.3A patent/CN117036982B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108761453A (zh) * | 2018-03-29 | 2018-11-06 | 航天东方红卫星有限公司 | 一种光学卫星与sar卫星图像融合的成像视角优化方法 |
WO2020164042A1 (zh) * | 2019-02-14 | 2020-08-20 | 唐锐 | 基于边界提取的区域合并图像分割算法 |
CN111540007A (zh) * | 2020-04-10 | 2020-08-14 | 中国资源卫星应用中心 | 一种利用sar图像估算油罐存储量的方法 |
CN112801109A (zh) * | 2021-04-14 | 2021-05-14 | 广东众聚人工智能科技有限公司 | 一种基于多尺度特征融合的遥感图像分割方法及系统 |
CN113657389A (zh) * | 2021-07-29 | 2021-11-16 | 中国科学院软件研究所 | 一种软件定义卫星语义分割方法、装置和介质 |
CN115049919A (zh) * | 2022-01-21 | 2022-09-13 | 昆明理工大学 | 一种基于注意力调控的遥感图像语义分割方法及系统 |
CN114596440A (zh) * | 2022-03-22 | 2022-06-07 | 小米汽车科技有限公司 | 语义分割模型的生成方法、装置、电子设备及存储介质 |
CN114898097A (zh) * | 2022-06-01 | 2022-08-12 | 首都师范大学 | 图像识别方法及系统 |
CN115035418A (zh) * | 2022-06-15 | 2022-09-09 | 杭州电子科技大学 | 一种基于改进DeepLabV3+网络的遥感图像语义分割方法及系统 |
CN115527119A (zh) * | 2022-10-12 | 2022-12-27 | 中科合肥智慧农业协同创新研究院 | 一种基于深度学习的农作物遥感图像语义分割方法 |
CN115908894A (zh) * | 2022-10-27 | 2023-04-04 | 中国科学院空天信息创新研究院 | 基于全景分割的光学遥感影像海洋筏式养殖区分类方法 |
CN115471759A (zh) * | 2022-10-28 | 2022-12-13 | 陕西航天技术应用研究院有限公司 | 一种少样本条件下基于高分辨率光学卫星遥感影像的舰船舰级识别技术 |
CN115984850A (zh) * | 2023-02-15 | 2023-04-18 | 安徽大学 | 基于改进Deeplabv3+的轻量级遥感影像语义分割方法 |
CN116630610A (zh) * | 2023-02-21 | 2023-08-22 | 东南大学 | 基于语义分割模型和条件随机场的roi区域提取方法 |
CN116385888A (zh) * | 2023-06-06 | 2023-07-04 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 解译标志确定方法和装置、电子设备和存储介质 |
CN116682027A (zh) * | 2023-08-01 | 2023-09-01 | 中国科学院空天信息创新研究院 | 基于MobileNet的SAR海冰图像分类方法及装置 |
Non-Patent Citations (3)
Title |
---|
卫星船舶图像识别和语义分割方法研究;董全帅;中国优秀硕士学位论文全文数据库电子期刊 工程科技Ⅱ辑;C036-299 * |
基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测;邓志鹏;孙浩;雷琳;周石琳;邹焕新;;测绘学报(09);60-71 * |
基于深度学习的无人机遥感影像船只检测方法;罗巍;陈曙东;龚立晨;李伟炜;;船舶物资与市场(04);27-30 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036982A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472627B (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
CN115147731A (zh) | 一种基于全空间编码注意力模块的sar图像目标检测方法 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN110097047B (zh) | 一种基于深度学习采用单线激光雷达的车辆检测方法 | |
CN116400426B (zh) | 基于电磁法的数据勘测系统 | |
CN116188893A (zh) | 基于bev的图像检测模型训练及目标检测方法和装置 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN115393690A (zh) | 一种轻量化神经网络的空对地观测多目标识别方法 | |
CN117788296A (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
CN113902789A (zh) | 图像特征处理、深度图像生成方法及装置、介质和设备 | |
CN113592932A (zh) | 深度补全网络的训练方法、装置、电子设备及存储介质 | |
CN116363526B (zh) | MROCNet模型构建与多源遥感影像变化检测方法及系统 | |
CN117576724A (zh) | 一种无人机飞鸟检测方法、系统、设备和介质 | |
CN117253044A (zh) | 一种基于半监督交互学习的农田遥感图像分割方法 | |
CN117036982B (zh) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 | |
CN117079117A (zh) | 水下图像处理及目标识别的方法及装置、存储介质及电子设备 | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
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 | |
CN117292120B (zh) | 一种轻量化可见光绝缘子目标检测方法及系统 | |
US20240127530A1 (en) | Method, electronic device, and computer program product for generating target object | |
CN117593702B (zh) | 远程监控方法、装置、设备及存储介质 | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
CN109831672B (zh) | 一种时空脉冲阵列的运动估计方法、电子设备及存储介质 |
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 |