CN117274826B - 基于大模型和提示指引的河湖管理违规问题遥感监测方法 - Google Patents
基于大模型和提示指引的河湖管理违规问题遥感监测方法 Download PDFInfo
- Publication number
- CN117274826B CN117274826B CN202311566964.8A CN202311566964A CN117274826B CN 117274826 B CN117274826 B CN 117274826B CN 202311566964 A CN202311566964 A CN 202311566964A CN 117274826 B CN117274826 B CN 117274826B
- Authority
- CN
- China
- Prior art keywords
- point
- remote sensing
- prompt
- image
- river
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009022 nonlinear effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003911 water pollution 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
- G06V20/182—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
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明涉及基于大模型和提示指引的河湖管理违规问题遥感监测方法，属于遥感图像处理和监督数据处理技术领域。将预处理后的遥感图像一路输入浅层特征提取器获得低级语义信息，一路输入SAM图像编码器提取图像特征并通过特征适配器调节参数；根据提示引导策略使用标签数据产生适合的点采样，将点采样送入SAM提示编码器生成点提示；将点提示和提取的图像特征送入SAM掩码解码器生成初步预测掩码；将初步预测掩码与低级语义信息进行元素相加，上采样得预测结果图。本发明通过特征适配器、提示引导策略和浅层特征提取器等在大模型中联合，在使用少量参数的同时提高了河湖违规问题遥感监测的效率和检测精度。
Description
技术领域
本发明涉及一种河湖管理违规问题遥感监测方法，特别是基于大模型和提示指引的河湖管理违规问题遥感监测方法，属于遥感图像处理和监督数据处理技术领域。
背景技术
河湖资源在维护生态平衡、保护水环境以及促进可持续发展方面扮演着至关重要的角色。然而，在河湖管理中，存在着乱建、乱占、乱采、乱堆等违规问题，这些问题严重破坏了河湖生态系统，导致水资源过度开采、水污染加剧以及生态环境恶化。因此，治理河湖违规问题是关乎环境保护和可持续发展的紧迫任务。
传统的河湖管理方法通常采用人工巡查和常规调查，但这种方式存在诸多问题，包括高投入的人力资源、低效率以及有限的覆盖范围。为了更有效地治理河湖违规问题，提高河湖管理的效率和准确性，可以借助丰富的河湖周边遥感影像。遥感技术利用卫星、航空器或其他无人机平台上的传感器来捕捉地面、大气和水体等信息，提供高分辨率、广泛覆盖范围的图像数据。通过分析遥感图像，可以获得河湖资源的详细信息，包括水体边界、水质状况、岸线变化等。同时，结合地理信息系统（GIS）和全球定位系统（GPS）等技术，实现了对河湖资源的准确定位和实时监测。然而，遥感图像通常分辨率高、信息丰富，单依赖人工解译耗时耗力，因此，在处理大规模的河湖遥感影像时，如何快速、自动地监测河湖违规问题仍然是一个亟需解决的挑战。
目前，许多遥感分割方法采用深度学习技术来提取河湖影像中的深层语义特征。然而，深度学习通常伴随着特征图尺寸的显著缩小。考虑到河湖影像通常具有高分辨率和丰富的细节，河湖违规问题往往涉及小尺寸地面物体，特征图尺寸的缩小可能导致这些小尺寸物体的特征丢失，进而影响了河湖违规问题检测的准确性。与此同时，现有的遥感分割方法通常采用大量堆叠的模块来提高监测精度，然而这也牺牲了方法的执行效率，导致在实际应用中时间开销过大。
近年来，大模型如GPT-4和SAM取得了显著的进展，为人类社会的进步做出了重要贡献。其中经过十亿级掩码标签训练的SAM通过采用由点、边界框或粗掩码组成的提示作为输入，能够在不同的场景中分割各种各样的对象、部件和视觉结构。由于在自然图像中学习到的归纳偏差，大模型在某些特定领域（如医学图像和遥感图像）的图像识别中表现出局限性。 现有的图像处理有用SAM模型的，SAM模型一般由图像编码器、提示编码器、掩码解码器组成。其中，SAM图像编码器拥有大量的可学习参数，导致其很难通过普通的GPU进行训练，因而限制了SAM模型的应用范围；同时，SAM模型的强大效果较为依赖好的提示引导，而目前的提示大多凭借人为标注产生，因而过多地消耗了人力物力，也对训练的数据集提出了更高的要求。
发明内容
本发明的目的是克服上述不足而提供一种基于大模型和提示指引的河湖管理违规问题遥感监测方法，在使用少量参数的同时提高了河湖违规问题遥感监测的效率和检测精度。
本发明采取的技术方案为：
基于大模型和提示指引的河湖管理违规问题遥感监测方法，包括步骤如下：
S1.选取遥感图像，划分数据集并预处理；
S2.将预处理后的遥感图像一路输入浅层特征提取器获得低级语义信息，一路输入SAM图像编码器提取图像特征并通过特征适配器微调；
S3.根据提示引导策略使用标签数据产生适合的点采样，将点采样送入SAM提示编码器生成点提示；
S4.将点提示和提取的图像特征送入SAM掩码解码器生成初步预测掩码；将初步预测掩码与低级语义信息进行元素相加，上采样得预测结果图；
S5.利用训练集训练模型，用训练好的模型，将测试集送入模型，在不使用标签数据提取点提示下，利用提取的图像特征生成的初步预测掩码和低级语义信息生成预测结果。
上述方法，步骤S2中SAM图像编码器，即Vision Transformer，总共有四层，每层分别包含2，2，6，2个注意力块；特征适配器由两个结构相同的卷积层组成，每个卷积层后面都跟随着ReLU激活与正则化操作。
步骤S2中浅层特征提取器由三层卷积层组成，每个卷积层后面都跟随着ReLU激活与正则化操作，第一层扩展了图像的通道数，其卷积核大小为3，边缘填充大小为1，在不改变图片结构的同时获取特征信息；第二层为卷积核大小为1的卷积层，引入非线性映射，以在不同层次的特征表示中引入更多的非线性性质；第三层为卷积核大小为4，步长为4，边缘填充大小为1的卷积层，目的是实现图像特征的空间维度缩小。
步骤S3所述的提示引导策略，使用标签数据，模仿人眼的选择点提示方式来生成点采样，将标签数据分为标记区域（即白色区域）和非标记区域（即黑色区域），选择随机的一个白色区域f为例，为了找到区域的中心点C，对该区域使用L1距离变换方法，该步骤可表示为：
，
使用该公式计算f区域中每个点与区域边界Ω之间的最小L1距离（L1距离衡量了两个向量在每个坐标轴上的差异的绝对值之和），其中b为区域边界上的点；选择这个集合中值最大的点作为该区域的中心点，如果不止一个点满足条件，我们按顺序选择第一个点，以此作为标记区域的点采样，其他标记区域的点采样操作与上面相同；对于非标记区域，随机选取五个点作为点采样。
步骤S3中SAM提示编码器能够接收点采样的输入并将其编码为嵌入表示，这些嵌入表示可以作为点提示输入到SAM掩码解码器中，为后续的分割作引导，其中标记区域的点采样作为前景点，非标记区域的点采样作为背景点。
步骤S4中SAM掩码解码器借鉴了Transformer解码器，解码器的设计如下：（1）对提示嵌入的自注意力，（2）从提示嵌入到图像嵌入的交叉注意力，（3）点级MLP更新每个提示嵌入，（4）从图像嵌入到提示嵌入的交叉注意力；其中每个自/交叉注意力和MLP都有残差连接、层归一化，总共使用了两层解码器，下一个解码器层使用前一层的更新提示嵌入和更新图像嵌入。
本发明的另一目的是提供一种基于大模型和提示指引的河湖管理违规问题遥感监测系统，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，所述处理器执行所述程序时实现如上所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法。
本发明的有益效果是：
本发明将SAM大模型应用到遥感分割领域，特征适配器使得模型能够针对河湖违规问题进行特化训练，冻结原始大模型的庞大参数对其进行微调，在使用少量训练参数的情况下将大模型的强大分割能力迁移到下游任务中；浅层特征提取器能够获取图像的低级语义信息，使得预测图的边界生成更加精准，增强了模型解决特定问题的能力；提示引导策略则利用标签数据生成点提示，而不用人工对原始数据进行提示标注，提高了整体模型的自动化能力，并确保模型能够准确聚焦在目标区域上，提高了大模型在河湖违规问题监测中的鲁棒性和预测精度。本发明通过特征适配器、提示引导策略和浅层特征提取器等在大模型中联合，在使用少量参数的同时提高了河湖违规问题遥感监测的效率和检测精度。
附图说明
图1为本发明方法流程图；
图2为本发明模型网络结构示意图；
图3为本发明实施例SAM掩码解码器结构示意图。
具体实施方式
下面结合具体实施例进一步说明。
实施例1：基于大模型和提示指引的河湖管理违规问题遥感监测方法，包括步骤如下：
S1.选取遥感图像，划分数据集并预处理：
从现有遥感图像中裁剪出河湖周边的图像，并对裁剪出的一部分河湖遥感图像进行目视解译，形成标签数据；将裁剪出的河湖遥感图像及其标签进行缩放，得到1024×1024的图块；选择随机数量的图像进行随机水平、垂直翻转以及随机旋转90度的数据增强操作；本发明在训练过程中使用了预训练模型，因此本发明同样根据预训练模型的统计数据对遥感图像进行标准化。
S2.将预处理后的遥感图像一路输入浅层特征提取器获得低级语义信息，一路输入SAM图像编码器提取图像特征并通过特征适配器微调：
本实施例所使用的是SAM大模型原生的图像编码器，即Vision Transformer，用来提取图像的特征。ViT总共有四层，其中每层分别包含的2，2，6，2个注意力块，每层的嵌入维度分别为64，128，160，320。以输入图像的维度为3×1024×1024为例，图像在经过ViT的每一层后分别得到的特征图形状为：（64，512，512）、（128，256，256）、（160，128，128）和（320，64，64）。
由于ViT的参数量过于庞大，如果要对编码器进行训练将会消耗大量的资源和时间，因此本发明冻结了SAM图像编码器的可学习参数，而是在编码器后增加了一个特征适配器，通过对特征适配器的学习，使用少量参数对大模型进行微调，使提取到的图像特征更加贴合希望识别的区域，进而更准确地分割目标对象。所用特征适配器由两个结构相同的卷积层组成，每个卷积层后面都跟随着ReLU激活与正则化操作。其中卷积层的输入通道数与输出通道数均为320，卷积核大小为3，同时边缘填充设置为1，这样能保证在经过特征适配器后，特征的结构与大小不发生改变。
所述的浅层特征提取器由三层卷积层组成，每个卷积层后面都跟随着ReLU激活与正则化操作。第一层扩展了图像的通道数，其卷积核大小为3，边缘填充大小为1，在不改变图片结构的同时获取特征信息；第二层为卷积核大小为1的卷积层，引入非线性映射，以在不同层次的特征表示中引入更多的非线性性质。第三层为卷积核大小为4，步长为4，边缘填充大小为1的卷积层，目的是实现图像特征的空间维度缩小。
以输入图像的维度为3×1024×1024为例，图像在经过浅层特征提取器的每一层后分别得到的特征图形状为：（32，1024，1024）、（32，1024，1024）和（32，256，256），其中最后一层的大小与SAM掩码解码器的输出大小相同，以便于后续的融合操作。
S3.根据提示引导策略使用标签数据产生适合的点采样，将点采样送入SAM提示编码器生成点提示：
SAM模型能够根据提示来引导网络聚焦目标区域并提供精确的分割掩码，因此本发明设计了一种提示引导策略，使用标签数据，模仿人眼的选择点提示方式来生成点采样。通过使用该策略，模型可以自动地利用标签数据生成点采样，而不需要额外对原始数据进行人工的提示标注，在节省资源的同时提高了提示的生成效率。
将标签数据分为标记区域（即白色区域）和非标记区域（即黑色区域），我们选择随机的一个白色区域f为例，为了找到区域的中心点C，对该区域使用L1距离变换方法，该步骤可表示为：
，
使用该公式计算f中每个点与区域边界Ω之间的最小L1距离，其中b为区域边界上的点。选择这个集合中值最大的点作为该区域的中心点，如果不止一个点满足条件，我们按顺序选择第一个点，以此作为标记区域的点采样。其他标记区域的点采样操作与上面相同。由于通过上述方法选择的标记区域采样点为每个区域的中心点，因此只选择这一个中心点作为标记区域的采样点。对于非标记区域，我们随机选取五个点作为点采样。
SAM提示编码器能够接收点采样的输入并将其编码为嵌入表示，这些嵌入表示可以输入到SAM掩码解码器中，为后续的分割作引导。其中，标记区域的点采样作为前景点，非标记区域的点采样作为背景点。
S4.将点提示和提取的图像特征送入SAM掩码解码器生成初步预测掩码，将初步预测掩码与低级语义信息进行元素相加，上采样得预测结果图：
SAM掩码解码器借鉴了Transformer分割模型的思想并修改了标准Transformer解码器。将点提示和图像特征送入解码器，生成初步预测掩码。解码器的设计如下：（1） 对提示嵌入的自注意力，（2） 从提示嵌入到图像嵌入的交叉注意力，（3） 点级MLP更新每个提示嵌入，（4）从图像嵌入到提示嵌入的交叉注意力。最后一步使用64×64个256维向量来更新图像嵌入。其中每个自/交叉注意力和MLP都有残差连接、层归一化。总共使用了两层解码器，下一个解码器层使用前一层的更新提示嵌入和更新图像嵌入。
初步预测掩码将与低级语义信息进行元素相加，得到最终的预测掩码，此时对预测掩码进行上采样操作，将掩码恢复为1024×1024尺寸，得到最终的预测结果图。
S5.利用训练集训练模型，用训练好的模型，将测试集送入模型，在不使用标签数据提取点提示下，利用提取的图像特征生成的初步预测掩码和低级语义信息生成预测结果：
在测试时，不能使用标签数据来进行点采样，因为会摄入标签数据的先验知识来进行预测，这是不合理的。因此模型在测试时，会将标识“None”送入提示编码器，提示编码器会同样会生成一个提示嵌入，但是该嵌入并不包含额外信息，之后的流程与训练时相同。
实施例2：一种基于大模型和提示指引的河湖管理违规问题遥感监测系统，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，所述处理器执行所述程序时实现如实施例1所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法。
以上是结合具体实施例对本发明的详细介绍，本发明的保护范围不限于此。
Claims (6)
1.基于大模型和提示指引的河湖管理违规问题遥感监测方法，其特征是，包括步骤如下：
S1.选取遥感图像，划分数据集并预处理；
S2.将预处理后的遥感图像一路输入浅层特征提取器获得低级语义信息，一路输入SAM图像编码器提取图像特征并通过特征适配器微调；浅层特征提取器由三层卷积层组成，每个卷积层后面都跟随着ReLU激活与正则化操作，第一层扩展了图像的通道数，其卷积核大小为3，边缘填充大小为1，在不改变图片结构的同时获取特征信息；第二层为卷积核大小为1的卷积层，引入非线性映射，以在不同层次的特征表示中引入更多的非线性性质；第三层为卷积核大小为4，步长为4，边缘填充大小为1的卷积层，目的是实现图像特征的空间维度缩小；
S3.根据提示引导策略使用标签数据产生适合的点采样，将点采样送入SAM提示编码器生成点提示；
S4.将点提示和提取的图像特征送入SAM掩码解码器生成初步预测掩码；将初步预测掩码与低级语义信息进行元素相加，上采样得预测结果图；
S5.利用训练集训练模型，用训练好的模型，将测试集送入模型，在不使用标签数据提取点提示下，利用提取的图像特征生成的初步预测掩码和低级语义信息生成预测结果。
2.根据权利要求1所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法，其特征是，步骤S2中SAM图像编码器，总共有四层，每层分别包含2，2，6，2个注意力块；特征适配器由两个结构相同的卷积层组成，每个卷积层后面都跟随着ReLU激活与正则化操作。
3.根据权利要求1所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法，其特征是，步骤S3所述的提示引导策略，使用标签数据，模仿人眼的选择点提示方式来生成点采样，将标签数据分为标记区域和非标记区域，选择随机的一个白色区域f为例，为了找到区域的中心点C，对该区域使用L1距离变换方法，该步骤可表示为：
，
使用该公式计算f区域中每个点与区域边界Ω之间的最小L1距离，其中b为区域边界上的点；选择这个集合中值最大的点作为该区域的中心点，如果不止一个点满足条件，按顺序选择第一个点，以此作为标记区域的点采样，其他标记区域的点采样操作与上面相同；对于非标记区域，随机选取五个点作为点采样。
4.根据权利要求1所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法，其特征是，步骤S3中SAM提示编码器能够接收点采样的输入并将其编码为嵌入表示，这些嵌入表示可以作为点提示输入到SAM掩码解码器中，为后续的分割作引导，其中标记区域的点采样作为前景点，非标记区域的点采样作为背景点。
5. 根据权利要求1所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法，其特征是，步骤S4中 SAM掩码解码器借鉴了Transformer解码器，解码器的设计如下：（1）对提示嵌入的自注意力，（2）从提示嵌入到图像嵌入的交叉注意力，（3）点级MLP更新每个提示嵌入，（4）从图像嵌入到提示嵌入的交叉注意力；其中每个自/交叉注意力和MLP都有残差连接、层归一化，总共使用了两层解码器，下一个解码器层使用前一层的更新提示嵌入和更新图像嵌入。
6.基于大模型和提示指引的河湖管理违规问题遥感监测系统，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，其特征是，所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于大模型和提示指引的河湖管理违规问题遥感监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311566964.8A CN117274826B (zh) | 2023-11-23 | 2023-11-23 | 基于大模型和提示指引的河湖管理违规问题遥感监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311566964.8A CN117274826B (zh) | 2023-11-23 | 2023-11-23 | 基于大模型和提示指引的河湖管理违规问题遥感监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274826A CN117274826A (zh) | 2023-12-22 |
| CN117274826B true CN117274826B (zh) | 2024-03-08 |
Family
ID=89210932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311566964.8A Active CN117274826B (zh) | 2023-11-23 | 2023-11-23 | 基于大模型和提示指引的河湖管理违规问题遥感监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274826B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601549A (zh) * | 2022-12-07 | 2023-01-13 | 山东锋士信息技术有限公司（Cn） | 基于可变形卷积和自注意力模型的河湖遥感图像分割方法 |
| CN115797931A (zh) * | 2023-02-13 | 2023-03-14 | 山东锋士信息技术有限公司 | 一种基于双分支特征融合的遥感图像语义分割方法 |
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| CN116206112A (zh) * | 2023-03-17 | 2023-06-02 | 西安电子科技大学 | 基于多尺度特征融合和sam的遥感图像语义分割方法 |
| CN116912700A (zh) * | 2023-09-07 | 2023-10-20 | 山东锋士信息技术有限公司 | 基于特征增强和细化的河湖治理违规问题的变化检测方法 |
| CN116958553A (zh) * | 2023-07-27 | 2023-10-27 | 石河子大学 | 基于无参注意力和点级卷积的轻量级植物点云分割方法 |
| CN116994140A (zh) * | 2023-08-14 | 2023-11-03 | 航天宏图信息技术股份有限公司 | 基于遥感影像的耕地提取方法、装置、设备和介质 |
| CN116994164A (zh) * | 2023-08-22 | 2023-11-03 | 吉林大学 | 一种多模态航拍图像融合与目标检测联合学习方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800915B (zh) * | 2021-01-20 | 2023-06-27 | 北京百度网讯科技有限公司 | 建筑物变化检测方法、装置、电子设备以及存储介质 |
| US20230244938A1 (en) * | 2022-02-02 | 2023-08-03 | Google Llc | Using Chains of Thought to Prompt Machine-Learned Models Pre-Trained on Diversified Objectives |
-
2023
- 2023-11-23 CN CN202311566964.8A patent/CN117274826B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023077816A1 (zh) * | 2021-11-03 | 2023-05-11 | 中国华能集团清洁能源技术研究院有限公司 | 边界优化的遥感图像语义分割方法、装置、设备及介质 |
| CN115601549A (zh) * | 2022-12-07 | 2023-01-13 | 山东锋士信息技术有限公司（Cn） | 基于可变形卷积和自注意力模型的河湖遥感图像分割方法 |
| CN115797931A (zh) * | 2023-02-13 | 2023-03-14 | 山东锋士信息技术有限公司 | 一种基于双分支特征融合的遥感图像语义分割方法 |
| CN116206112A (zh) * | 2023-03-17 | 2023-06-02 | 西安电子科技大学 | 基于多尺度特征融合和sam的遥感图像语义分割方法 |
| CN116958553A (zh) * | 2023-07-27 | 2023-10-27 | 石河子大学 | 基于无参注意力和点级卷积的轻量级植物点云分割方法 |
| CN116994140A (zh) * | 2023-08-14 | 2023-11-03 | 航天宏图信息技术股份有限公司 | 基于遥感影像的耕地提取方法、装置、设备和介质 |
| CN116994164A (zh) * | 2023-08-22 | 2023-11-03 | 吉林大学 | 一种多模态航拍图像融合与目标检测联合学习方法 |
| CN116912700A (zh) * | 2023-09-07 | 2023-10-20 | 山东锋士信息技术有限公司 | 基于特征增强和细化的河湖治理违规问题的变化检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Dayawansa Sam ; Mantziaris Georgios ; Sheehan Jason.Chat GPT versus human touch in stereotactic radiosurgery.《 Journal of neuro-oncology》.2023,第481-483页. * |
| 人工智能大模型综述及展望;罗锦钊等;《无线电工程》;第2461-2472页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274826A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113850825B (zh) | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 | |
| CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
| CN113780296B (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| CN106909886B (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
| CN111523414A (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
| CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
| CN112084923A (zh) | 一种遥感图像语义分割方法、存储介质及计算设备 | |
| CN114612835A (zh) | 一种基于YOLOv5网络的无人机目标检测模型 | |
| CN111126205A (zh) | 一种基于旋转定位网络的光学遥感图像飞机目标检测方法 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN115761222B (zh) | 图像分割方法、遥感图像分割方法以及装置 | |
| CN112329559A (zh) | 一种基于深度卷积神经网络的宅基地目标检测方法 | |
| CN114943876A (zh) | 一种多级语义融合的云和云影检测方法、设备及存储介质 | |
| US20230059277A1 (en) | Map data processing method and apparatus, and storage medium | |
| CN117079163A (zh) | 一种基于改进yolox-s的航拍图像小目标检测方法 | |
| CN116935332A (zh) | 一种基于动态视频的渔船目标检测与跟踪方法 | |
| CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
| CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
| CN117274826B (zh) | 基于大模型和提示指引的河湖管理违规问题遥感监测方法 | |
| CN113177957A (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
| CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
| CN115775359A (zh) | 一种输电线路通道速生树种识别方法及系统 | |
| CN115661932A (zh) | 一种垂钓行为检测方法 | |
| CN113128559A (zh) | 基于跨尺度特征融合金字塔网络的遥感图像目标检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |