CN117058546A - 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 - Google Patents
全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 Download PDFInfo
- Publication number
- CN117058546A CN117058546A CN202311030201.1A CN202311030201A CN117058546A CN 117058546 A CN117058546 A CN 117058546A CN 202311030201 A CN202311030201 A CN 202311030201A CN 117058546 A CN117058546 A CN 117058546A
- Authority
- CN
- China
- Prior art keywords
- building
- random field
- conditional random
- global
- local
- 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 36
- 230000008447 perception Effects 0.000 title claims abstract description 36
- 238000005381 potential energy Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012795 verification Methods 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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V10/70—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
- G06V10/82—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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,涉及遥感影像处理技术领域,所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤:S1、条件随机场的一元输入;S2、取得类别标记;S3、最终建筑物标记。该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题,同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。
Description
技术领域
本发明涉及遥感影像处理技术领域,具体为全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法。
背景技术
深度学习的发展极大地推动了建筑物提取的进展,条件随机场通过同时利用标记影像和观测影像的空间邻域信息,从而建模影像上下文信息,Shrestha和Vanneschi(2018)通过引入指数线性单元ELU(ExponentialLinearUnit)来改进FCN的性能,同时将其与CRF结合起来,以充分利用影像空间邻域信息增强建筑物边界。Sun等(2019)设计了一个多任务网络,使FCN能够同时生成遮罩和边缘信息,并使用条件随机场模型来细化FCN的结果,有效提高了时间和空间效率。
当前,条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中,然而面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。
于是,有鉴于此,针对现有的结构及缺失予以研究改良,提出全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法。
发明内容
针对现有技术的不足,本发明提供了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤:
S1、条件随机场的一元输入:
使用全局局部一体化D-LinkNet建模条件随机场的一元势能,全局局部一体化D-LinkNet输出的分类图作为条件随机场的一元输入;
S2、取得类别标记:
基于分类图利用连通区域标记算法获取分割先验,在利用影像空间上下文信息的同时,引入局部类别标记代价项,当影像标记不确定性强时,参考该像元邻域的标记信息取得类别标记;
S3、最终建筑物标记:
采用基于图割法的α-expansion推理算法进行模型推理,获得最终建筑物标记,其中由于不同建筑物尺度存在差异,难以从单一感受野中提取出足够的特征,针对该问题,全局局部一体化D-LinkNet构建了全局局部多平行膨胀卷积模块,该模块采用先增大膨胀率,再减小膨胀率的方式提取建筑物特征。
进一步的,所述步骤S1中,全局局部一体化D-LinkNet分为3个部分,分别命名为编码器、中心模块和解码器。
进一步的,所述全局局部一体化D-LinkNet编码器为在数据集上预训练的深度残差网络。
进一步的,所述全局局部一体化D-LinkNet的解码器与D-LinkNet保持一致,使用全卷积结构。
进一步的,所述全局局部一体化D-LinkNet中,每个编码器都与解码器对应相连,使得每层解码器都可以获得编码器的学习结果,从而有效保留下采样过程中建筑物的细节特征。
进一步的,所述步骤S2中,引入局部类别标记代价项使得二元势能建模像元邻域平滑项与局部类别标记代价项的线性组合,由此在分类迭代过程中能够充分考虑每一个像元的标记,保持建筑物的细节信息。
进一步的,所述步骤S2中,分割先验即先验知识,包括颜色、轮廓。
进一步的,所述步骤S3中,α-expansion算法设置了局部搜索策略,该策略可以解决当移动空间小时算法易陷入局部最小解的问题,α-expansion算法依据局部搜索策略在循环内部不断地通过Graph-Cuts算法进行迭代,每次迭代均计算二类标记问题的全局最小值。
进一步的,所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法应用于遥感影像处理技术领域。
本发明提供了全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,具备以下有益效果:
1.该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,全局局部细节感知条件随机场框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题,同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。
2.该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,使用全局局部一体化D-LinkNet建模条件随机场模型的一元势能,能够实现不同尺度建筑物特征的有效结合,使得获取的建筑物体的结构更加完整;通过在二元势能构建中加入分割先验,能够有效处理影像中的噪声和光谱差异性的问题,得到背景干净的建筑物分类图;局部类别标记代价项的引入满足了建筑物提取任务对于建筑物细节信息提取的高要求,能够捕捉到网络难以识别的细节信息;该框架能够同时适应航空和卫星数据集。
附图说明
图1为本发明全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的全局局部细节保持感知条件随机场框架结构图;
图2为本发明全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的全局局部一体化D-LinkNet体系结构图;
图3为本发明全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的航空影像1建筑物提取结果示意图;
图4为本发明全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的航空影像2建筑物提取结果示意图;
图5为本发明全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的原始卫星影像及建筑物提取结果示意图;
图6为本发明全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法的操作步骤流程示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
如图1-图2、图6所示,本发明提供技术方案:全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤:
S1、条件随机场的一元输入:
使用全局局部一体化D-LinkNet建模条件随机场的一元势能,全局局部一体化D-LinkNet输出的分类图作为条件随机场的一元输入;
全局局部一体化D-LinkNet分为3个部分,分别命名为编码器、中心模块和解码器,全局局部一体化D-LinkNet编码器为在数据集上预训练的深度残差网络,全局局部一体化D-LinkNet的解码器与D-LinkNet保持一致,使用全卷积结构,全局局部一体化D-LinkNet中,每个编码器都与解码器对应相连,使得每层解码器都可以获得编码器的学习结果,从而有效保留下采样过程中建筑物的细节特征;
全局局部细节感知条件随机场框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题,同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界;
S2、取得类别标记:
基于分类图利用连通区域标记算法获取分割先验,在利用影像空间上下文信息的同时,引入局部类别标记代价项,当影像标记不确定性强时,参考该像元邻域的标记信息取得类别标记;
其中,引入局部类别标记代价项使得二元势能建模像元邻域平滑项与局部类别标记代价项的线性组合,由此在分类迭代过程中能够充分考虑每一个像元的标记,保持建筑物的细节信息,分割先验即先验知识,包括颜色、轮廓等知识;
S3、最终建筑物标记:
采用基于图割法的α-expansion推理算法进行模型推理,获得最终建筑物标记,其中由于不同建筑物尺度存在差异,难以从单一感受野中提取出足够的特征,针对该问题,全局局部一体化D-LinkNet构建了全局局部多平行膨胀卷积模块,该模块采用先增大膨胀率,再减小膨胀率的方式提取建筑物特征;
其中,α-expansion算法设置了局部搜索策略,该策略可以解决当移动空间小时算法易陷入局部最小解的问题,α-expansion算法依据局部搜索策略在循环内部不断地通过Graph-Cuts算法进行迭代,每次迭代均计算二类标记问题的全局最小值。
使用全局局部一体化D-LinkNet建模条件随机场模型的一元势能,能够实现不同尺度建筑物特征的有效结合,使得获取的建筑物体的结构更加完整;通过在二元势能构建中加入分割先验,能够有效处理影像中的噪声和光谱差异性的问题,得到背景干净的建筑物分类图;局部类别标记代价项的引入满足了建筑物提取任务对于建筑物细节信息提取的高要求,能够捕捉到网络难以识别的细节信息;该框架能够同时适应航空和卫星数据集。
该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法应用于遥感影像处理技术领域。
实施例实验说明:
(1)、实验分别在WHU建筑物数据集的航空和卫星数据集上进行,WHU建筑物数据集由航空数据集和卫星数据集组成,航空影像数据所取地区占地450km2,地面分辨率降采样为0.3m,包含超过187000栋标记良好的建筑物,区域内影像被裁剪成8189张512×512像素的影像,样本分为一个训练集、一个验证集和一个测试集,分别由4736幅影像、1036幅影像和2416幅影像组成;
(2)、卫星影像数据由6幅邻近的卫星影像组成,地面分辨率为2.7m,占地550km2,整个影像被无缝裁剪成17388张512×512像素的影像,共包含29085栋建筑,样本分为一个训练集和一个测试集,其中,13662幅用于训练,3726幅用于测试;
(3)、将D-LinkNet卷积条件随机场ConvCRF、基于条件随机场的细节保持平滑分类器DPSCRF和全连接条件随机场FullCRF作为对比实验进行分析,两个数据集上的实验设计和模型参数一致,其中,DPSCRF使用支持向量机SVM构建一元势能,二元势能建模像元空间邻域关系和局部类别标记代价项的线性组合,并采用面向对象思想,融合分割先验,FullCRF构建影像完整像元集的全连通CRF模型,ConvCRF在FullCRF的基础上使用ResNet构建一元势能,并在CRF推理中加入条件独立假设,可将大部分的推理形式化为卷积;
(4)、实验首先对高分辨率遥感影像应用SVM进行监督分类,选取感兴趣区,基于影像颜色特征使用SVM分类器对影像进行分类,将得到的分类结果用于构建DPSCRF的一元势能,ConvCRF的一元势能采用ResNet构建,实验中使用预先训练好的网络模型,在CRF推理部分将滤波器尺寸k设为3,对于模型,首先使用训练集中所有影像训练一元,然后在测试时统一对模型进行迭代推理,模型基于D-LinkNet34提出全局局部一体化D-LinkNet来取代CRF的一元势能,实验中堆叠的膨胀卷积的膨胀率设为1、2、4、8、3、1,最后融合包含原始特征图在内的7个分支;
(5)、最终得出实验结果,从图3和图4中可以看出,DPSCRF的提取效果较差,存在较多的离散像素,且边界比较粗糙,FullCRF的效果一般,虽然没有明显的椒盐噪声,但也存在边界模糊现象,而ConvCRF算法的建筑物提取效果较好,基本上不存在噪声,边界模糊问题也得到极大改善,然而对于小型建筑物,提取的边界比较粗糙,相比之下,D-LinkNet和我们的方法能够提取出较为清晰的建筑物边界,且不存在噪声,除此之外,全局局部细节感知条件随机场模型去除了D-LinkNet误提取的小块建筑体,能够有效保持细节信息;
如图5所示,FullCRF、ConvCRF和D-LinkNet提取出的建筑物体不完整,其中,FullCRF的建筑物提取整体效果最差,除较多的漏检问题外,也存在建筑物边界不规则和误检的问题,ConvCRF的漏检问题没有FullCRF严重,但其存在较明显的误检情况,相对于FullCRF和ConvCRF,D-LinkNet对于建筑物提取中存在的边界不规则问题有明显的改善,但其仍然存在一定程度的漏检和误检现象,从图中可以看出,我们方法提取的建筑物没有明显的误检、漏检问题,建筑物体边界也比较规则,具有良好的细节保持效果。
综上,如图1-图2、图6所示,该全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,使用时,首先使用全局局部一体化D-LinkNet建模条件随机场的一元势能,全局局部一体化D-LinkNet输出的分类图作为条件随机场的一元输入;
全局局部一体化D-LinkNet分为3个部分,分别命名为编码器、中心模块和解码器,全局局部一体化D-LinkNet编码器为在数据集上预训练的深度残差网络,全局局部一体化D-LinkNet的解码器与D-LinkNet保持一致,使用全卷积结构,全局局部一体化D-LinkNet中,每个编码器都与解码器对应相连,使得每层解码器都可以获得编码器的学习结果,从而有效保留下采样过程中建筑物的细节特征;
基于分类图利用连通区域标记算法获取分割先验,在利用影像空间上下文信息的同时,引入局部类别标记代价项,当影像标记不确定性强时,参考该像元邻域的标记信息取得类别标记;
其中,引入局部类别标记代价项使得二元势能建模像元邻域平滑项与局部类别标记代价项的线性组合,由此在分类迭代过程中能够充分考虑每一个像元的标记,保持建筑物的细节信息,分割先验即先验知识,包括颜色、轮廓等知识;
采用基于图割法的α-expansion推理算法进行模型推理,获得最终建筑物标记,其中由于不同建筑物尺度存在差异,难以从单一感受野中提取出足够的特征,针对该问题,全局局部一体化D-LinkNet构建了全局局部多平行膨胀卷积模块,该模块采用先增大膨胀率,再减小膨胀率的方式提取建筑物特征;
其中,α-expansion算法设置了局部搜索策略,该策略可以解决当移动空间小时算法易陷入局部最小解的问题,α-expansion算法依据局部搜索策略在循环内部不断地通过Graph-Cuts算法进行迭代,每次迭代均计算二类标记问题的全局最小值。
本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (9)
1.全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法包括下述操作步骤:
S1、条件随机场的一元输入:
使用全局局部一体化D-LinkNet建模条件随机场的一元势能,全局局部一体化D-LinkNet输出的分类图作为条件随机场的一元输入;
S2、取得类别标记:
基于分类图利用连通区域标记算法获取分割先验,在利用影像空间上下文信息的同时,引入局部类别标记代价项,当影像标记不确定性强时,参考该像元邻域的标记信息取得类别标记;
S3、最终建筑物标记:
采用基于图割法的α-expansion推理算法进行模型推理,获得最终建筑物标记,其中由于不同建筑物尺度存在差异,难以从单一感受野中提取出足够的特征,针对该问题,全局局部一体化D-LinkNet构建了全局局部多平行膨胀卷积模块,该模块采用先增大膨胀率,再减小膨胀率的方式提取建筑物特征。
2.根据权利要求1所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述步骤S1中,全局局部一体化D-LinkNet分为3个部分,分别命名为编码器、中心模块和解码器。
3.根据权利要求2所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述全局局部一体化D-LinkNet编码器为在数据集上预训练的深度残差网络。
4.根据权利要求2所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述全局局部一体化D-LinkNet的解码器与D-LinkNet保持一致,使用全卷积结构。
5.根据权利要求2所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述全局局部一体化D-LinkNet中,每个编码器都与解码器对应相连,使得每层解码器都可以获得编码器的学习结果,从而有效保留下采样过程中建筑物的细节特征。
6.根据权利要求1所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述步骤S2中,引入局部类别标记代价项使得二元势能建模像元邻域平滑项与局部类别标记代价项的线性组合,由此在分类迭代过程中能够充分考虑每一个像元的标记,保持建筑物的细节信息。
7.根据权利要求1所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述步骤S2中,分割先验即先验知识,包括颜色、轮廓。
8.根据权利要求1所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述步骤S3中,α-expansion算法设置了局部搜索策略,该策略可以解决当移动空间小时算法易陷入局部最小解的问题,α-expansion算法依据局部搜索策略在循环内部不断地通过Graph-Cuts算法进行迭代,每次迭代均计算二类标记问题的全局最小值。
9.根据权利要求1-8任一项所述的全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法,其特征在于:所述全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法应用于遥感影像处理技术领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030201.1A CN117058546A (zh) | 2023-08-16 | 2023-08-16 | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311030201.1A CN117058546A (zh) | 2023-08-16 | 2023-08-16 | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117058546A true CN117058546A (zh) | 2023-11-14 |
Family
ID=88665754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311030201.1A Pending CN117058546A (zh) | 2023-08-16 | 2023-08-16 | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058546A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274608A (zh) * | 2023-11-23 | 2023-12-22 | 太原科技大学 | 基于空间细节感知和注意力引导的遥感图像语义分割方法 |
CN117319610A (zh) * | 2023-11-28 | 2023-12-29 | 松立控股集团股份有限公司 | 基于高位全景相机区域增强的智慧城市道路监控方法 |
-
2023
- 2023-08-16 CN CN202311030201.1A patent/CN117058546A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274608A (zh) * | 2023-11-23 | 2023-12-22 | 太原科技大学 | 基于空间细节感知和注意力引导的遥感图像语义分割方法 |
CN117274608B (zh) * | 2023-11-23 | 2024-02-06 | 太原科技大学 | 基于空间细节感知和注意力引导的遥感图像语义分割方法 |
CN117319610A (zh) * | 2023-11-28 | 2023-12-29 | 松立控股集团股份有限公司 | 基于高位全景相机区域增强的智慧城市道路监控方法 |
CN117319610B (zh) * | 2023-11-28 | 2024-01-30 | 松立控股集团股份有限公司 | 基于高位全景相机区域增强的智慧城市道路监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery | |
Hou et al. | Change detection based on deep features and low rank | |
Guo et al. | CDnetV2: CNN-based cloud detection for remote sensing imagery with cloud-snow coexistence | |
CN112966684B (zh) | 一种注意力机制下的协同学习文字识别方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN111915592B (zh) | 基于深度学习的遥感图像云检测方法 | |
Alvarez et al. | Semantic road segmentation via multi-scale ensembles of learned features | |
CN117058546A (zh) | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN110060273B (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
Kakooei et al. | A two-level fusion for building irregularity detection in post-disaster VHR oblique images | |
CN112837320B (zh) | 一种基于并行空洞卷积的遥感影像语义分割方法 | |
CN104766065A (zh) | 基于多视角学习的鲁棒性前景检测方法 | |
CN111046868A (zh) | 基于矩阵低秩稀疏分解的目标显著性检测方法 | |
Zhang et al. | Finding nonrigid tiny person with densely cropped and local attention object detector networks in low-altitude aerial images | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
Duan et al. | Multi-scale convolutional neural network for SAR image semantic segmentation | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
Gao et al. | Road extraction using a dual attention dilated-linknet based on satellite images and floating vehicle trajectory data | |
Bagwari et al. | A comprehensive review on segmentation techniques for satellite images | |
Cao et al. | Automatic change detection in remote sensing images using level set method with neighborhood constraints | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN113177956A (zh) | 一种面向无人机遥感影像的语义分割方法 | |
Gao et al. | IUNet-IF: identification of construction waste using unmanned aerial vehicle remote sensing and multi-layer deep learning methods |
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 |