【技术实现步骤摘要】
本专利技术涉及地理信息处理，尤其涉及一种基于深度学习的地图资源识别方法、系统及存储介质。
技术介绍
1、利用深度学习训练能够自动化地从遥感图像中提取出诸如建筑物、道路、农田、树木和水域等关键信息的模型，这对于城市规划、环境监测、灾害评估和土地利用管理等多个领域都极为关键。公开号为cn116091937a的中国专利申请公开了一种基于深度学习的高分辨率遥感图像地物识别模型计算方法，该方法基于深度学习训练遥感图像地物识别模型，实现遥感图像中对地物的识别。但该方法通过人工目视解译的方法制作数据集，难以形成大规模数据集。中国专利申请号cn201911332974.9公开了一种基于深度学习的遥感图像自动标注方法，利用数据集对多任务深度学习模型(mdlf)进行训练，通过对该深度神经网络进行调整，得到最优的训练模型，得到训练好的多任务深度学习模型。该方法取消了模型的标注步骤，减少了前期人工制作数据集。但是该方法用无标注的遥感图像进行无监督学习，从输入图像中提取抽象和高级的特征并进行图像的注释，最后通过对该深度神经网络进行调整，得到最优的训练模型。对于数...
【技术保护点】
1.一种基于深度学习的地图资源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的地图资源识别方法，其特征在于，在步骤2中，根据摄像单元的姿态参数构建旋转矩阵，根据旋转矩阵和摄像单元的位置参数生成共线方程函数，预设与遥感图像坐标点对应的初始地面坐标，根据共线方程函数迭代生成实际地面坐标，根据实际地面坐标计算校正图像坐标，根据校正图像坐标将遥感图像的像素点映射至校正图像。
3.根据权利要求1所述的基于深度学习的地图资源识别方法，其特征在于，在步骤3中，第一学习模型包括主干网络模块、金字塔网络模块、全卷积网络模块，训练第一学...
【技术特征摘要】
1.一种基于深度学习的地图资源识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的地图资源识别方法，其特征在于，在步骤2中，根据摄像单元的姿态参数构建旋转矩阵，根据旋转矩阵和摄像单元的位置参数生成共线方程函数，预设与遥感图像坐标点对应的初始地面坐标，根据共线方程函数迭代生成实际地面坐标，根据实际地面坐标计算校正图像坐标，根据校正图像坐标将遥感图像的像素点映射至校正图像。
3.根据权利要求1所述的基于深度学习的地图资源识别方法，其特征在于，在步骤3中，第一学习模型包括主干网络模块、金字塔网络模块、全卷积网络模块，训练第一学习模型时，在第一地学图像对应资源标签的位置设置锚点，通过主干网络模块提取第一地学图像的第一特征图，通过金字塔网络模块提取第一特征图的增强特征图，再通过全卷积网络处理增强特征图获得归回特征图，归回特征图具有至少一个边界框，计算锚点与边界框的交并比，根据交并比将锚点分类为正样本和负样本，通过一第一损失函数计算每个锚点的分类损失，根据边界框与第一地图资源的边框计算边界框置信度，再根据分类损失和边界框置信度更新第一学习模型。
4.根据权利要求1所述的基于深度学习的地图资源识别方法，其特征在于，在步骤4中，预设滑动窗口的尺寸，基于所述滑动窗口将外部地图分割为多个子地图，根据子地图生成参考数据集，根据基础资源模型识别参考数据集的第二地图资源，提取第二地图资源的方向数据，所述约束参数包括该方向数据。
5.根据权利要求4所述的基于深度学习的地图资源识别方法...
【专利技术属性】
技术研发人员：刘春雷，黄刚，龚剑锋，
申请(专利权)人：江西和壹科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。