[发明专利]遥感影像分割方法、装置及存储介质、服务器有效
申请号: | 201910015344.2 | 申请日: | 2019-01-08 |
公开(公告)号: | CN109801293B | 公开(公告)日: | 2023-07-14 |
发明(设计)人: | 曹靖康;王义文;王健宗 | 申请(专利权)人: | 平安科技(深圳)有限公司 |
主分类号: | G06T7/10 | 分类号: | G06T7/10 |
代理公司: | 深圳市立智方成知识产权代理事务所(普通合伙) 44468 | 代理人: | 王增鑫 |
地址: | 518000 广东省深圳市福田区福*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 遥感 影像 分割 方法 装置 存储 介质 服务器 | ||
1.一种遥感影像分割方法,其特征在于,包括:
获取目标图像,通过深度卷积神经网络不同尺度的各卷积层提取所述目标图像的分层特征;
依次基于两不同尺度卷积层提取出的所述分层特征确定所述目标图像的目标特征;
依据所述目标特征确定所述目标图像中各物体的物体类别,依据所述物体类别对所述目标图像进行分割;
所述依次基于两不同尺度卷积层提取出的所述分层特征确定所述目标图像的目标特征,包括:
依次融合两不同尺度中最后两卷积层提取出的所述分层特征,获得融合特征;
基于所述融合特征确定所述目标图像的所述目标特征;
所述依次融合两不同尺度中最后两卷积层提取出的所述分层特征,获得融合特征,包括:
获取最后一个尺度,获取所述尺度的最后一个卷积层提取出的特征;
对所述特征进行反卷积,得到该尺度相邻且大一尺度的相邻尺度中的还原特征,反卷积层位于所述相邻尺度中,所述还原特征位于反卷积层中;
连接所述反卷积层和与所述相邻尺度位于同一尺度中的用于提取所述分层特征的最后一个所述卷积层,获得卷积联合体;
对所述卷积联合体执行卷积获得所述融合特征,所述卷积联合体和所述反卷积位于同一尺度中;
判断所述相邻尺度是否为所述深度卷积神经网络的第一层,若不是,获取所述相邻尺度的最后一个所述卷积层,继续对所述卷积层提取出的特征进行反卷积的步骤。
2.根据权利要求1所述的遥感影像分割方法,其特征在于,所述基于所述融合特征确定所述目标图像的所述目标特征,包括:
当所述相邻尺度为所述深度卷积神经网络的第一层时,将所述融合特征确定为所述目标特征。
3.根据权利要求1至2任一项所述的遥感影像分割方法,其特征在于,所述目标特征包括语义特征、几何特征、纹理特征中的一种或者多种。
4.根据权利要求1至2任一项所述的遥感影像分割方法,其特征在于,所述依据所述目标特征确定所述目标图像中各物体的物体类别,包括:
获取所述目标特征与物体类别的映射关系;
基于所述映射关系确定所述目标图像中各物体的物体类别。
5.根据权利要求1至2任一项所述的遥感影像分割方法,其特征在于,所述通过深度卷积神经网络不同尺度的各卷积层提取所述目标图像的分层特征,包括:
依据所述目标图像对所述深度卷积神经网络进行训练,获得图像分割模型;
通过所述图像分割模型提取所述目标图像在所述深度卷积神经网络各卷积层中的分层特征。
6.根据权利要求5所述的遥感影像分割方法,其特征在于,所述依据所述目标图像对所述深度卷积神经网络进行训练,获得图像分割模型,包括:
依据所述目标图像对所述深度卷积神经网络进行训练,确定所述深度卷积神经网络的损失函数;
将所述损失函数输入所述深度卷积神经网络,获得所述图像分割模型。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现权利要求1至6任一项所述的遥感影像分割方法。
8.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序配置用于执行根据权利要求1至6任一项所述的遥感影像分割方法的步骤。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于平安科技(深圳)有限公司,未经平安科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910015344.2/1.html,转载请声明来源钻瓜专利网。