-
公开(公告)号：CN113888550B
公开(公告)日：2024-06-04
申请号：CN202111157701.2
申请日：2021-09-27
Applicant: 太原理工大学 , 山西省智慧交通研究院有限公司
IPC: G06T7/10 , G06V10/40 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种结合超分辨率和注意力机制的遥感图像道路分割方法，属于遥感图像道路分割方法技术领域；通过将遥感图像数据集按照一定的比例划分为训练集和测试集；搭建遥感图像道路分割网络：所述遥感图像道路分割网络中包括编码器模块、超分辨率模块、语义分割模块；将经过预处理的训练集数据输入至遥感图像道路分割网络中，对遥感图像道路分割网络进行训练直到模型收敛，并保存模型参数；将测试集图像输入到导入训练好的参数的遥感图像道路分割模型中，输出图像道路数据的精确分割结果；本发明应用于遥感图像道路分割。
-
公开(公告)号：CN114693922A
公开(公告)日：2022-07-01
申请号：CN202111474990.9
申请日：2021-12-06
Applicant: 太原理工大学
IPC: G06V10/26 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明涉及图像识别与深度学习领域，具体是一种基于对抗神经网络的语义分割方法。包括以下步骤。S100～收集道路损伤图像数据集，并按比例划分为训练数据集和测试数据集，训练数据集用来训练对抗神经网络模型，测试数据集用来验证对抗神经网络模型的好坏；S200～构建Resnet‑50网络，当做基准预训练网络，输入道路损伤图像训练集，进行预训练；S300～训练对抗神经网络的分割模型，该模型包括PSPNet网络中的PPM模块和DeepLab中的ASPP模块；S400～将两个PPM模块和ASPP模块分割网络得到的结果输入判别模型中，输出类全局概率得分图；S500～根据判别网络得到的结果，重新调整两个分割模型进行训练，并且重复S300和S400，直到两个分割网络的结果趋于一致，从而达到语义分割的效果。
-
公开(公告)号：CN113888550A
公开(公告)日：2022-01-04
申请号：CN202111157701.2
申请日：2021-09-27
Applicant: 太原理工大学
Abstract: 本发明公开了一种结合超分辨率和注意力机制的遥感图像道路分割方法，属于遥感图像道路分割方法技术领域；通过将遥感图像数据集按照一定的比例划分为训练集和测试集；搭建遥感图像道路分割网络：所述遥感图像道路分割网络中包括编码器模块、超分辨率模块、语义分割模块；将经过预处理的训练集数据输入至遥感图像道路分割网络中，对遥感图像道路分割网络进行训练直到模型收敛，并保存模型参数；将测试集图像输入到导入训练好的参数的遥感图像道路分割模型中，输出图像道路数据的精确分割结果；本发明应用于遥感图像道路分割。
-
公开(公告)号：CN113850825B
公开(公告)日：2024-03-29
申请号：CN202111137802.3
申请日：2021-09-27
Applicant: 太原理工大学
IPC: G06T7/11 , G06V20/13 , G06V10/40 , G06V10/774 , G06V10/80
Abstract: 本发明公开了一种结合上下文语义和多尺度特征融合的遥感图像道路分割方法，首先对遥感图像进行标注，生成道路标签。按比例将图像数据集分为测试集、验证集、训练集，对训练集图像进行处理。建立道路分割网络，输入训练集对模型进行训练，利用验证集检测模型，待到模型收敛保存参数；将测试集送入模型得到最终语义生成图。与现有方法相比，本发明结合空洞金字塔引入道路上下文语义、结合多尺度信息进行特征融合、结合通道注意力融合生成最终特征图，实现了逐像素分类，得到最终的道路提取结果。本发明的效果实现了更准确的提取并生成更清晰的道路边缘特征。
-
公开(公告)号：CN113888547A
公开(公告)日：2022-01-04
申请号：CN202111135771.8
申请日：2021-09-27
Applicant: 太原理工大学
Abstract: 本发明公开了一种基于GAN网络的无监督域自适应遥感道路语义分割方法，通过对RGB三通道的遥感图像进行标注，生成标签图像，将图像划分为测试集和训练集，对训练集图像进行预处理；之后构建基于深度学习方法的遥感图像语义分割网络和域判别网络，输入训练集图像交替训练遥感图像语义分割网络和域判别网络，待到网络收敛时保存模型参数；最后将测试集图像输入图像语义分割网络得到标签。与现有技术相比较，本发明通过添加基于特征空间和输出空间的域自适应的方式实现无监督遥感图像的语义分割。优点是最终分割效果好且鲁棒性强。
-
Patent Agency Ranking
公开(公告)号：CN113160234B
公开(公告)日：2021-12-14
申请号：CN202110530385.2
申请日：2021-05-14
Applicant: 太原理工大学
Abstract: 本发明基于超分辨率和域自适应的无监督遥感图像语义分割方法，属于遥感图像语义分割方法技术领域；所要解决的技术问题为：提供基于超分辨率和域自适应的无监督遥感图像语义分割方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：获取源域低分辨率遥感图像数据集和目标域高分辨率遥感图像数据集，将获取的目标域图像数据集按照设定的比例划分为训练图像和测试图像两部分；搭建遥感图像语义分割网络和超分辨率网络；对搭建好的超分辨率网络进行网络预训练与参数优化；训练遥感图像语义分割网络；将经过预处理的测试集数据输入到已经训练好的遥感图像语义分割网络中，输出遥感图像的精确分割结果；本发明应用于遥感图像处理。
-
公开(公告)号：CN117078943B
公开(公告)日：2023-12-19
申请号：CN202311343105.2
申请日：2023-10-17
Applicant: 太原理工大学
IPC: G06V10/26 , G06V10/25 , G06V10/52 , G06V10/774 , G06V10/82 , G06V10/80 , G06V20/56 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种融合多尺度特征和双注意力机制的遥感影像道路分割方法，属于深度学习技术领域；解决了目前采用深度学习方法提取遥感影像中道路时由于道路被物体遮挡导致提取的道路出现断连的问题；对RGB三通道的高分辨率遥感图像进行人工标注，制作标签图像，划分数据集并进行图像预处理；搭建基于深度学习方法的道路分割模型，输入训练集图像和标签对其进行训练；将待测试图像输入道路分割模型得到预测标签图像。本发明通过添加前景特征增强模块、融合多尺度特征的双注意力模块、上下文信息提取模块和改进解码器等方式来提升模型(56)对比文件龙伊娜 等.基于改进D-Linknet的高分遥感影像道路提取方法《.激光杂志》.2022,第44卷(第2023(05)期),162-168.周涛 等.C2 Transformer U-Net：面向跨模态和上下文语义的医学图像分割模型《.电子与信息学报》.2023,第45卷(第2023(05)期),1807-1816.刘童心.基于深度学习的高分辨率遥感影像道路提取研究《.中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》.2022,(第2022(01)期),C028-261.陈果 等.结合上下文信息与多层特征融合的遥感道路提取《.激光与光电子学进展》.2023,1-18.Tang X 等.Multi-scale channelimportance sorting and spatial attentionmechanism for retinal vesselssegmentation《.Applied Soft Computing》.2020,第93卷1-10.S. Wang 等.Attention Guided Encoder-Decoder Network With Multi-Scale ContextAggregation for Land Cover Segmentation.《IEEE Access》.2020,第8卷215299-215309.Yuan M 等.Using the wide-rangeattention U-Net for road segmentation.《Remote sensing letters》.2019,第10卷(第2019(05)期),506-515.Li J 等.Cascaded attention DenseUNet(CADUNet) for road extraction from very-high-resolution images《.ISPRSInternational Journal of Geo-Information》.2021,第10卷(第2021(05)期),1-20.陈泽华 等.改进U-Net型网络的遥感图像道路提取《.中国图象图形学报》.2021,第26卷(第2021(12)期),3005-3014.
-
公开(公告)号：CN113888547B
公开(公告)日：2024-11-12
申请号：CN202111135771.8
申请日：2021-09-27
Applicant: 太原理工大学 , 山西省交通科技研发有限公司
IPC: G06T7/10 , G06V20/10 , G06V10/40 , G06T3/4053
Abstract: 本发明公开了一种基于GAN网络的无监督域自适应遥感道路语义分割方法，通过对RGB三通道的遥感图像进行标注，生成标签图像，将图像划分为测试集和训练集，对训练集图像进行预处理；之后构建基于深度学习方法的遥感图像语义分割网络和域判别网络，输入训练集图像交替训练遥感图像语义分割网络和域判别网络，待到网络收敛时保存模型参数；最后将测试集图像输入图像语义分割网络得到标签。与现有技术相比较，本发明通过添加基于特征空间和输出空间的域自适应的方式实现无监督遥感图像的语义分割。优点是最终分割效果好且鲁棒性强。
-
公开(公告)号：CN117078943A
公开(公告)日：2023-11-17
申请号：CN202311343105.2
申请日：2023-10-17
Applicant: 太原理工大学
IPC: G06V10/26 , G06V10/25 , G06V10/52 , G06V10/774 , G06V10/82 , G06V10/80 , G06V20/56 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种融合多尺度特征和双注意力机制的遥感影像道路分割方法，属于深度学习技术领域；解决了目前采用深度学习方法提取遥感影像中道路时由于道路被物体遮挡导致提取的道路出现断连的问题；对RGB三通道的高分辨率遥感图像进行人工标注，制作标签图像，划分数据集并进行图像预处理；搭建基于深度学习方法的道路分割模型，输入训练集图像和标签对其进行训练；将待测试图像输入道路分割模型得到预测标签图像。本发明通过添加前景特征增强模块、融合多尺度特征的双注意力模块、上下文信息提取模块和改进解码器等方式来提升模型的道路分割效果，最后得到提取的道路图像，道路分割结果清晰且鲁棒性强。
-
公开(公告)号：CN113850825A
公开(公告)日：2021-12-28
申请号：CN202111137802.3
申请日：2021-09-27
Applicant: 太原理工大学
Abstract: 本发明公开了一种结合上下文语义和多尺度特征融合的遥感图像道路分割方法，首先对遥感图像进行标注，生成道路标签。按比例将图像数据集分为测试集、验证集、训练集，对训练集图像进行处理。建立道路分割网络，输入训练集对模型进行训练，利用验证集检测模型，待到模型收敛保存参数；将测试集送入模型得到最终语义生成图。与现有方法相比，本发明结合空洞金字塔引入道路上下文语义、结合多尺度信息进行特征融合、结合通道注意力融合生成最终特征图，实现了逐像素分类，得到最终的道路提取结果。本发明的效果实现了更准确的提取并生成更清晰的道路边缘特征。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.021 seconds)
