申请/专利权人：无锡学院

申请日：2023-10-30

公开（公告）日：2024-01-05

公开（公告）号：CN117351372A

主分类号：G06V20/13

分类号：G06V20/13;G06V20/56;G06V10/26;G06V10/774;G06V10/82;G06V10/80;G06V10/44;G06N3/0455;G06N3/0464;G06N3/084;G06N3/048;G06N3/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.23#实质审查的生效;2024.01.05#公开

摘要：本发明公开了一种基于改进DeeplabV3+的遥感图像道路分割方法，包括步骤：S1，获取遥感道路图像数据集，对数据集进行预处理后按照设定的比例划分为训练集和测试集；S2，通过构建基于改进DeeplabV3+的遥感图像道路分割网络，得到精准的遥感道路分割图；S3，将步骤S1中得到的训练集输入至遥感道路图像语义分割网络中进行训练，计算损失函数并进行反向传播，更新网络参数，获取最佳参数模型；S4，将步骤S1中得到测试集输入到步骤S3中训练好的最佳参数模型中，输出遥感道路图像的精确分割图。本发明能提升对小目标物体的分割能力，解决道路分割中边界模糊和阴影遮挡难以区分的问题，确保道路分割的精度和效率。

主权项：1.一种基于改进DeeplabV3+的遥感图像道路分割方法，其特征在于，包括步骤如下：S1，获取遥感道路图像数据集，包含所拍摄的遥感影像原图与对应的标签图，对数据集进行预处理后按照设定的比例划分为训练集和测试集；S2，构建基于改进DeeplabV3+的遥感图像道路分割网络，所述遥感图像道路分割网络包括编码模块、多级上采样模块和解码模块，所述编码模块包括主干网络、ECA模块和DS-ASPP模块；所述主干网络通过卷积和池化操作，实现图像从低层细节特征到高层语义特征的分层特征提取；将主干网络输出的原始输入图像的高级特征图分别输入到DS-ASPP模块和ECA模块中得到多尺度的特征图和通道注意力特征图，再进行融合得到编码模块输出特征图；将编码模块输出的特征图输入到解码模块中，得到精准的遥感道路分割图；S3，将步骤S1中得到的训练集输入至遥感道路图像语义分割网络中进行训练，计算损失函数并进行反向传播，更新网络参数，获取最佳参数模型；S4，将步骤S1中得到测试集输入到步骤S3中训练好的最佳参数模型中，输出遥感道路图像的精确分割图。

全文数据：

权利要求：

百度查询： 无锡学院 一种基于改进DeeplabV3+的遥感图像道路分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD