-
公开(公告)号：CN113850824B
公开(公告)日：2024-03-29
申请号：CN202111137800.4
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: 本发明提供了一种基于多尺度特征融合的遥感图像路网提取方法，通过获取高分辨率遥感图像道路数据集并分为训练集核测试集；搭建基于多尺度特征图融合的遥感道路分割网络；所述遥感图像道路语义分割网络由特征提取模块、上下文语义提取模块、多尺度特征融合模块、解码器组成，将输入的遥感图像输入特征提取模块，得到的图像高层语义特征图输入上下文语义特征图得到具有上下文语义特征图的融合特征图，将编码器同层次特征图、低层特征图、高层语义特征图送入多尺度特征融合模块为不同尺度解码器补充道路信息；模型收敛保存参数；将测试集数据输入模型，输出测试集图像路网结构；本发明适用于遥感图像路网提取。
-
公开(公告)号：CN113850824A
公开(公告)日：2021-12-28
申请号：CN202111137800.4
申请日：2021-09-27
Applicant: 太原理工大学
Abstract: 本发明提供了一种基于多尺度特征融合的遥感图像路网提取方法，通过获取高分辨率遥感图像道路数据集并分为训练集核测试集；搭建基于多尺度特征图融合的遥感道路分割网络；所述遥感图像道路语义分割网络由特征提取模块、上下文语义提取模块、多尺度特征融合模块、解码器组成，将输入的遥感图像输入特征提取模块，得到的图像高层语义特征图输入上下文语义特征图得到具有上下文语义特征图的融合特征图，将编码器同层次特征图、低层特征图、高层语义特征图送入多尺度特征融合模块为不同尺度解码器补充道路信息；模型收敛保存参数；将测试集数据输入模型，输出测试集图像路网结构；本发明适用于遥感图像路网提取。
-
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：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。
-
Patent Agency Ranking
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。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
