CN117635628B - 一种基于上下文注意力和边界感知引导的海陆分割方法 - Google Patents
一种基于上下文注意力和边界感知引导的海陆分割方法 Download PDFInfo
- Publication number
- CN117635628B CN117635628B CN202410089272.7A CN202410089272A CN117635628B CN 117635628 B CN117635628 B CN 117635628B CN 202410089272 A CN202410089272 A CN 202410089272A CN 117635628 B CN117635628 B CN 117635628B
- Authority
- CN
- China
- Prior art keywords
- boundary
- feature
- sea
- features
- land
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008447 perception Effects 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000003709 image segmentation Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 239000011800 void material Substances 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于上下文注意力和边界感知引导的海陆分割方法,涉及遥感图像处理技术领域,包括:步骤1,获取遥感图像,对遥感图像进行裁剪和预处理,生成预处理数据集;步骤2,对预处理数据集进行数据增强和标准化处理,得到数据增强后的遥感海陆图像数据集;步骤3,对遥感海陆图像数据集输入深度卷积神经网络中进行特征提取,获得特征提取后的特征图;步骤4,对深度卷积神经网络提取的特征进行多尺度融合,将多尺度融合后的多尺度特征通过广视野上下文注意力进行特征增强,输出增强后的注意力特征;步骤5,深度卷积神经网络进行边界感知增强,输出增强后的边界特征;能够提高海陆边界分割效果。
Description
技术领域
本发明涉及遥杆图像处理技术领域,尤其涉及一种基于上下文注意力和边界感知引导的海陆分割方法。
背景技术
光学遥感图像是通过遥感技术获取的地球表面信息所生成的图像。可通过远程光学传感器(如卫星、飞机、无人机相机等)所采集的数据来生成光学遥感图像。光学遥感图像在分辨率、光谱信息、时间分辨率等方面具有很大的优势,可以提供丰富的地表信息,为遥感图像海陆分割提供充足和强大的数据支撑。
遥感图像分割是对遥感图像进行像素级别的分类,针对图像中不同区域进行像素类别划分,将相同语义的区域划分为一类。遥感图像海陆分割则是将遥感图像中的海洋和陆地区域进行精确划分。遥感图像海陆分割应用广泛,通过获取遥感图像海陆分割结果,排除海陆地带复杂地物背景干扰,为海岸线提取和海洋场景目标检测等下游任务提供关键信息。除此之外,海陆分割在海洋监测、海洋资源管理、海洋环境生态保护等场景下同样具有重要意义。
但是由于遥感图像自身的特点,海陆分割仍然存在如下不足之处:(1)高分辨率遥感图像场景下,海陆岸带存在尺度变化,海陆边界区域在缺乏足够的上下文信息时,会造成边界岸带和离岸岛礁的错误分类,进一步干扰海陆分割结果。(2)高分辨率光学遥感图像下海陆区域场景复杂,存在强弱边界交替的区域,当海陆边界对比度不强时,海陆图像分割结果精度低,效果差。
发明内容
本申请通过提供一种基于上下文注意力和边界感知引导的海陆分割方法,解决了现有技术中对边界区域识别效果差的技术问题,提高了海陆边界识别的准确度。
本申请提供了一种基于上下文注意力和边界感知引导的海陆分割方法,包括:
步骤1,获取遥感图像,对遥感图像进行裁剪和预处理,生成预处理数据集。
步骤2,对预处理数据集进行数据增强和标准化处理,得到数据增强后的遥感海陆图像数据集。
步骤3,对遥感海陆图像数据集输入深度卷积神经网络中进行特征提取,获得特征提取后的特征图。
步骤4,对深度卷积神经网络提取的特征进行多尺度融合,将多尺度融合后的多尺度特征通过广视野上下文注意力进行特征增强,输出增强后的注意力特征。
步骤5,深度卷积神经网络进行边界感知增强,输出增强后的边界特征;基于边界特征进行预测,获取边界分割预测图,确定分割后的边界损失。
步骤6,将边界特征和注意力特征进行特征融合,得到边界增强和注意力增强后的融合特征图,输出的海陆图像分割结果。
步骤7,基于海陆图像分割结果与实际分割进行交叉熵损失计算,确定最终分割后的结果。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、本发明提出了一种基于广视场上下文注意力方法,该方法通过不同大小空洞卷积提取不同尺度感受野特征,将局部特征块和全局特征块进行上下文多头注意力计算,增强广视野特征上下文信息获取,改善海陆岛礁区域错误分类的问题,提高海陆分割网络结果预测精确性;
2、本发明提出了一种边界感知引导方法,该方法将深度神经网络的浅层纹理特征进行边界感知增强,将增强边界特征与深层特征进行特征融合,改善海陆边界分割效果,提高海陆区域边界分割结果精确性。
附图说明
图1为一种基于上下文注意力和边界感知引导的海陆分割方法的流程示意图;
图2为一种基于上下文注意力和边界感知引导的海陆分割方法的分割架构示意图;
图3为一种基于上下文注意力和边界感知引导的海陆分割方法的步骤4的流程示意图;
图4为一种基于上下文注意力和边界感知引导的海陆分割方法的注意力特征的流程示意图;
图5为一种基于上下文注意力和边界感知引导的海陆分割方法的步骤5的流程示意图;
图6为一种基于上下文注意力和边界感知引导的海陆分割方法的边界特征的流程示意图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本申请进行更全面的描述;附图中给出了本发明的较佳实施方式,但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施方式;相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
需要说明的是,本文所使用的术语“垂直”、“水平”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同;本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本发明;本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1、图2所示,一种基于上下文注意力和边界感知引导的海陆分割方法包括:
步骤1,获取遥感图像,对遥感图像进行裁剪和预处理,生成预处理数据集。
步骤2,对预处理数据集进行数据增强和标准化处理,得到数据增强后的遥感海陆图像数据集。
步骤3,对遥感海陆图像数据集输入深度卷积神经网络中进行特征提取,获得特征提取后的特征图。
步骤4,对深度卷积神经网络提取的特征进行多尺度融合,将多尺度融合后的多尺度特征通过广视野上下文注意力进行特征增强,输出增强后的注意力特征。
步骤5,深度卷积神经网络进行边界感知增强,输出增强后的边界特征;基于边界特征进行预测,获取边界分割预测图,确定分割后的边界损失。
步骤6,将边界特征和注意力特征进行特征融合,得到边界增强和注意力增强后的融合特征图,输出的海陆图像分割结果。
步骤7,基于海陆图像分割结果与实际分割进行交叉熵损失计算,确定最终分割后的结果。
在深度神经网络中,首选从遥感图像进行特征提取,提取到多层次的特征图,深度卷积神经网络提取到的特征图包含了图像从低级到高级的详细信息,如提取到的边缘、纹理、语义、深度等特征;接着为了综合利用不同层次的信息,首先使用多尺度融合,将提取到的特征图结合起来以形成更全面、多尺度的特征表示,为了进一步优化这些特征,使用广视野上下文注意力机制,允许网络自动聚焦图像中的关键区域,同时忽略不相关或冗余的信息,来得到增强的多尺度特征;同时将深层神经网络中的浅层纹理特征进行感知增强,对增强后的边界特征进行边界二值化,对遥感图像进行海陆分割,并对海陆分割设置相应的边界分割标签,通过计算确定当前边界特征分割时对应的边界损失;最终将边界特征和注意力特征进行融合,根据融合后的融合特征图确定最终的海陆分割结果。
优选的,注意力特征基于广视场上下文注意力,获取不同尺度大小的感受野特征,对感受野特征进行块划分,将局部特征块和全局特征块进行上下文多头注意力计算,获取广视场上下文注意力增强后的注意力特征。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
基于广视场上下文注意力对遥感图像根据局部特征和全局特征进行划分,使得对遥感图像分割时能够根据分割时图像的大小,得到不同注意下增强后的特征,并将相应未知的纹理特征进行边界感知增强,以确定增强后的边界特征,使得在进行划分后的遥感图像能够根据相应的边界进行调整;同时将边界特征与注意力特征进行结合,使得遥感图像下识别到的海陆边界更为清晰、连续,提高了对海陆边界划分的效率。
实施例二
优选的,为了提高在不同感受野下特征的提取的准确性,基于上下文注意力机制,将遥感图像根据局部块特征和全局块特征进行处理,使得处理后的注意力特征能够同时体现全局上下文的特征,提高分割的效果。
具体的,如图3、图4所示,步骤4还包括以下实现方式:
步骤41,通过深度卷积神经网络,提取不同阶段的具有高层和低层语义信息的多尺度特征图,将不同阶段的多尺度特征进行融合,输出融合后的多尺度特征图。
;
其中,表示主干网络第/>层阶段特征,/>。/>表示上采样算子。将上采样后的三个阶段的多尺度特征图按通道维度进行拼接,通过/>卷积进行通道降维,以此进行多尺度特征融合,最终获得融合后的多尺度特征图/>。
;
其中,为特征图拼接算子,/>表示/>卷积。
步骤42,将得到的多尺度特征通过广视野特征提取,获取不同尺度感受野的局部特征和全局特征。
;
;
其中,为局部特征和/>为全局特征,/>表示/>卷积,/>表示/>卷积,/>表示空洞率/>的/>空洞卷积。
步骤43,根据获取的局部特征和全局特征,分别将局部特征和全局特征进行特征块划分,获取局部特征块和全局上下文特征块。
将全局特征和局部特征划分为二维特征块和二维特征块/>,再对二维特征块进行特征块嵌入,获得局部特征块/>和全局上下文特征块/>,公式如下:
;
;
;
;
其中,,H和W代表输入特征图的高度和宽度大小,P表示特征块划分的大小,/>为形状转换算子,/>表示线性层,将输入的特征根据输入通道数量线性映射为输出时通道的数量。/>表示层归一化算子。
步骤44,利用MLP多层感知机对全局上下文特征块进行空间维度上下文信息融合,获得空间融合全局上下文特征块,将局部特征块与空间融合全局上下文特征块进行多头注意力计算,获得广视野上下文注意力增强后的注意力特征,公式如下:
;
;
;
;
;
其中,为形状转换算子,h为多头注意力的注意力头数量,/>表示形状转换后的全局上下文特征块,/>为全局上下文特征块;/>表示全局上下文特征的第h个头的特征,/>表示第h个多层感知机,/>和/>表示多层感知机中可学习的线性变换矩阵,/>表示激活函数。MHA代表多头注意力机制计算出的注意力分数权重,/>为多头注意力增强后的注意力特征。
具体的,多头注意力计算公式如下:
;
;
其中,/>,/>和/>表示可学习的线性变换矩阵。/>表示,D为特征块嵌入维度,A表示第h个注意力头计算出的注意力分数,/>为空间融合全局上下文特征块,h为多头注意力的注意力头数量,/>为局部特征块。
优选的,如图5、图6所示,所述步骤5包括如下步骤:
步骤51,获取深度神经网络的浅层纹理特征,将浅层纹理特征进行融合,对融合后的浅层纹理特征分别进行边界感知增强,输出增强后的边界特征。
将深度卷积神经网络的浅层纹理特征和/>进行特征融合,得到/>和/>,对融合后的特征分别进行边界感知增强。具体的边界感知增强的实现方式包括,将浅层纹理特征进行最大池化计算,获取浅层纹理特征与最大池化后的浅层纹理特征的特征值差值,基于浅层纹理特征与最大池化后的浅层纹理特征的特征值差值,获取加强后的边界特征。
在边界感知增强后,获取特征最大池化后与原特征的差值,计算后的差值使得特征图边界信息更容易得到关注,最终通过特征相加获得边界特征,公式如下:
;
;
;
;
其中,和/>分别为深度卷积神经网络的浅层纹理特征,/>和/>分别表示融合后的浅层纹理特征,/>表示最大池化算子,/>表示边界感知增强,/>为增强后的边界特征;
步骤52,根据边界特征,对海陆边界进行边界二值预测,获取边界分割预测图。
步骤53,获取海陆分割标签,使用Laplacian算子得到边界分割标签,基于边界分割标签和边界分割预测图,确定边界损失情况。
海陆分割标签表示为海陆边界实际上的分割标签,用于处理后得到边界分割标签,以实现对海陆边界的分割,通过Laplacian算子对标签进行二值边缘提取操作,得到边界分割标签,根据边界分割预测图和边界分割标签,进行边界损失函数计算。计算边界损失函数时,使用交叉熵和Dice损失函数进行加权相加。
;
其中,为边界损失函数,/>为交叉熵损失函数,/>为Dice损失函数,/>和/>表示边界预测值和边界真实值,/>和/>为超参数。
通过将获取的边界特征与边界分割标签进行共同使用,提高了边界信息的提取效果,同时能够辅助模型更好的识别海陆边界的轮廓,以提高在使用多尺度注意力下,图像分割的效果。
优选的,深度卷积神经网络为ResNet50结构。
优选的,步骤6还包括:
将边界特征和注意力特征进行特征融合,通过对边界特征和注意力特征卷积、加权等来实现特征的融合,得到边界增强和注意力增强后的融合特征图,根据融合特征图,得到最终的海陆图像分割结果;融合的目标是综合利用边界和注意力特征的优势,以增强图像分割的效果,基于特征融合操作,这个特征图将包含更丰富、更准确的图像信息,有助于提高分割的准确性,通过相应的算法和模型,进行最后的分割操作,得到最终的海陆图像分割结果。
优选的,步骤7的实现过程如下:
基于最终的海陆图像分割结果与实际分割进行交叉熵损失计算,交叉熵损失是衡量模型预测结果与实际标签之间差异的一种指标,计算交叉熵损失有助于我们了解模型分割结果的准确性。
确定最终分割后结果,这一步是根据上一步计算的交叉熵损失,对模型的参数进行调整,优化模型的性能,以提高分割的准确性,最终的分割后结果将在调整优化后得出。
优选的,进行海陆分割时,获取海陆分割时的最大区域,基于海陆分割的局部区域和全局区域的分割效果,确定全局区域和局部区域的交界效果,将交界效果最好的区域作为海陆分割的区域;确定交界效果最好的区域作为海陆分割的区域,实质上是对交界区域的评估过程,这种评估可以帮助我们了解不同区域之间的交界效果,进而优化分割算法,提高海陆分割的准确性。
基于交界效果最好的区域作为海陆分割的区域,可以确保分割出的海陆边界更加准确。这种方法考虑了局部和全局的分割效果,能够更全面地评估边界位置的合理性。
将本实施例与几种最先进的方法进行了分割精度比较,包括UNet、DeepLabv3、DeepLabv3+、PSPNet、HRNet、STDC,本次实验采用的遥感海陆分割数据集为Landsat8-OLI数据集和SLSD数据集,对比实验使用模型方法UNet、DeepLabv3、DeepLabv3+、PSPNet、HRNet、STDC方法按原文执行。
经实验,表1为本发明与其他方法在Landsat8-OLI数据集上进行遥感图像海陆分割的对比实验结果,其中mAcc为平均像素精确度,mIoU为平均交并比指标,结果如下表所示:
表 1
经实验,表2为本发明与其他方法在SLSD数据集上进行遥感图像海陆分割的对比实验结果,其中mAcc为平均像素精确度,mIoU为平均交并比指标,结果如下表所示:
表 2
根据表1和表2,本发明所提出的基于上下文注意力和边界感知引导的海陆分割方法在两个数据集上精度高于其他方法。
以上所述仅为本发明的优选实施方式,并不用于限制本发明,对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明精神和原则内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,包括:步骤1,获取遥感图像,对遥感图像进行裁剪和预处理,生成预处理数据集;
步骤2,对预处理数据集进行数据增强和标准化处理,得到数据增强后的遥感海陆图像数据集;
步骤3,对遥感海陆图像数据集输入深度卷积神经网络中进行特征提取,获得特征提取后的特征图;
步骤4,对深度卷积神经网络提取的特征进行多尺度融合,将多尺度融合后的多尺度特征通过广视野上下文注意力进行特征增强,输出增强后的注意力特征;
步骤5,深度卷积神经网络进行边界感知增强,输出增强后的边界特征;基于边界特征进行预测,获取边界分割预测图,确定分割后的边界损失;
步骤6,将边界特征和注意力特征进行特征融合,得到边界增强和注意力增强后的融合特征图,输出的海陆图像分割结果;
步骤7,基于海陆图像分割结果与实际分割进行交叉熵损失计算,确定最终分割后的结果;
步骤4还包括以下实现方式:
步骤41,通过深度卷积神经网络,提取不同阶段的具有高层和低层语义信息的多尺度特征图,将不同阶段的多尺度特征进行融合,输出融合后的多尺度特征图;
步骤42,将得到的多尺度特征通过广视野特征提取,获取不同尺度感受野的局部特征和全局特征;
步骤43,根据获取的局部特征和全局特征,分别将局部特征和全局特征进行特征块划分,获取局部特征块和全局上下文特征块;
步骤44,利用MLP多层感知机对全局上下文特征块进行空间维度上下文信息融合,获得空间融合全局上下文特征块,将局部特征块与空间融合全局上下文特征块进行多头注意力计算,获得广视野上下文注意力增强后的注意力特征;局部特征和全局特征获取方式为:
;
;
其中,为局部特征和/>为全局特征,/>表示/>卷积,/>表示卷积,/>表示空洞率/>的/>空洞卷积;
所述步骤5包括如下步骤:
步骤51,获取深度神经网络的浅层纹理特征,将浅层纹理特征进行融合,对融合后的浅层纹理特征分别进行边界感知增强,输出增强后的边界特征;
步骤52,根据边界特征,对海陆边界进行边界二值预测,获取边界分割预测图;
步骤53,获取海陆分割标签,使用Laplacian算子得到边界分割标签,基于边界分割标签和边界分割预测图,确定边界损失情况。
2.如权利要求1所述的一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,步骤S41中提取不同阶段的具有高层和低层语义信息的多尺度特征图,将不同阶段的多尺度特征进行融合还包括,将上采样后的三个阶段的多尺度特征图按通道维度进行拼接,通过卷积进行通道降维,以此进行多尺度特征融合,最终获得融合后的多尺度特征图。
3.如权利要求1所述的一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,边界感知增强的实现方式包括,将浅层纹理特征进行最大池化计算,获取浅层纹理特征与最大池化后的浅层纹理特征的特征值差值,基于浅层纹理特征与最大池化后的浅层纹理特征的特征值差值,获取加强后的边界特征。
4.如权利要求1所述的一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,边界损失的计算方式包括:
;
其中,为边界损失函数,/>为交叉熵损失函数,/>为Dice损失函数,和/>表示边界预测值和边界真实值,/>和/>为超参数。
5.如权利要求1所述的一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,进行海陆分割时,获取海陆分割时的最大区域,基于海陆分割的局部区域和全局区域的分割效果,确定全局区域和局部区域的交界效果,将交界效果最好的区域作为海陆分割的区域。
6.如权利要求1所述的一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,多尺度特征图包括:
;
其中,为特征图拼接算子,/>表示/>卷积,/>多尺度特征图。
7.如权利要求1所述的一种基于上下文注意力和边界感知引导的海陆分割方法,其特征在于,多头注意力计算公式如下:
;
;
其中,/>,/>和/>表示可学习的线性变换矩阵;/>表示,D为特征块嵌入维度,A表示第h个注意力头计算出的注意力分数,/>为空间融合全局上下文特征块,h为多头注意力的注意力头数量,/>为局部特征块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089272.7A CN117635628B (zh) | 2024-01-23 | 2024-01-23 | 一种基于上下文注意力和边界感知引导的海陆分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089272.7A CN117635628B (zh) | 2024-01-23 | 2024-01-23 | 一种基于上下文注意力和边界感知引导的海陆分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117635628A CN117635628A (zh) | 2024-03-01 |
CN117635628B true CN117635628B (zh) | 2024-04-09 |
Family
ID=90035844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089272.7A Active CN117635628B (zh) | 2024-01-23 | 2024-01-23 | 一种基于上下文注意力和边界感知引导的海陆分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635628B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663439A (zh) * | 2022-03-21 | 2022-06-24 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像海陆分割方法 |
FR3125907A3 (fr) * | 2022-03-01 | 2023-02-03 | Anhui University of Science and Technology | Méthode de production des cartes de caractéristiques saillantes sur la base des poids d’attention |
CN117078930A (zh) * | 2023-08-11 | 2023-11-17 | 河南大学 | 基于边界感知和注意力机制的医学图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11461998B2 (en) * | 2019-09-25 | 2022-10-04 | Samsung Electronics Co., Ltd. | System and method for boundary aware semantic segmentation |
-
2024
- 2024-01-23 CN CN202410089272.7A patent/CN117635628B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3125907A3 (fr) * | 2022-03-01 | 2023-02-03 | Anhui University of Science and Technology | Méthode de production des cartes de caractéristiques saillantes sur la base des poids d’attention |
CN114663439A (zh) * | 2022-03-21 | 2022-06-24 | 中国人民解放军战略支援部队信息工程大学 | 一种遥感影像海陆分割方法 |
CN117078930A (zh) * | 2023-08-11 | 2023-11-17 | 河南大学 | 基于边界感知和注意力机制的医学图像分割方法 |
Non-Patent Citations (2)
Title |
---|
Boundary-Aware Multiscale Learning Perception for Remote Sensing Image Segmentation;Chao You et al.;《IEEE Transactions on Geoscience and Remote Sensing》;20230801;第61卷;第1-15页 * |
基于奇异值分解和Contourlet 变换的图像压缩算法;陈亚雄 等;《计算机应用研究》;20170131;第34卷(第1期);第317-320页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117635628A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047551B (zh) | 一种基于U-net改进算法的遥感影像变化检测方法及系统 | |
CN109685768B (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
CN110111345B (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
CN112465759A (zh) | 一种基于卷积神经网络的航空发动机叶片缺陷检测方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
CN111563408B (zh) | 多层次感知特征渐进自学习的高分辨率影像滑坡自动检测方法 | |
Xia et al. | PANDA: Parallel asymmetric network with double attention for cloud and its shadow detection | |
CN113486894B (zh) | 一种卫星图像特征部件语义分割方法 | |
CN114022408A (zh) | 基于多尺度卷积神经网络的遥感图像云检测方法 | |
CN114067118B (zh) | 一种航空摄影测量数据的处理方法 | |
CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN113239736A (zh) | 一种基于多源遥感数据的土地覆盖分类标注图获取方法、存储介质及系统 | |
CN115546466A (zh) | 一种基于多尺度显著特征融合的弱监督图像目标定位方法 | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 | |
CN117635628B (zh) | 一种基于上下文注意力和边界感知引导的海陆分割方法 | |
CN115082778B (zh) | 一种基于多分支学习的宅基地识别方法及系统 | |
CN115880573A (zh) | 一种基于神经网络获取海草面积的方法、装置及设备 | |
CN115410089A (zh) | 自适应局部上下文嵌入的光学遥感小尺度目标检测方法 | |
CN115205624A (zh) | 一种跨维度注意力聚合的云雪辩识方法、设备及存储介质 | |
CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 | |
CN113192018A (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 |
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 |