EN中文

Journal of Geo-information Science >

2024 , Vol. 26 >Issue 3: 753 - 763

DOI: https://doi.org/10.12082/dqxxkx.2024.230491

Integration of Mixed Pooling and Label Information Optimization for Oilfield Land Cover Extraction Model

  • GAO Chen , 1, 3 ,
  • CHEN Yunzhi , 1, 3, * ,
  • DONG Yan 2 ,
  • LIU Lei 2 ,
  • Guo Jun 2
Expand
  • 1. The Academy of Digital China(Fujian), Fuzhou University, Fuzhou 350108, China
  • 2. Information Management Center of Sinopec Shengli Oilfield Branch, Dongying 257000, Shandong, China
  • 3. National and Local Joint Engineering Research Center for Comprehensive Application of Satellite Space Information Technology, Fuzhou 350108, China
*CHEN Yunzhi, E-mail:

Received date: 2023-08-22

  Revised date: 2023-10-25

  Online published: 2024-03-31

Supported by

Sinopec Shengli Oilfield Branch Research Project(YKJ2210)

Fold

Abstract

High consequence areas within oilfields are critical zones for the safety management of petroleum transport pipelines. Accurately and efficiently capturing the spatial distribution of key features in high-consequence areas of oilfields is essential for the smooth operation of petroleum safety production and the scientific management of oilfield regions. However, there are still challenges in extraction tasks of the high-consequence areas of oilfields, such as diverse ground object shapes, small spectral differences, and complex types, and the extraction results often include misclassification, omissions, and road discontinuities. To address these challenges, we propose an SML_ResUnet model for land cover extraction in high-consequence areas of oil fields based on ResUnet architecture. This model integrates Strip Pooling (SP) units in the pooling stages and incorporates Mixed Pooling Modules (MPM) and Label Attention Modules (LAM) between the encoding and decoding processes. The SP units are designed to capture elongated and isolated features, excluding information from other irrelevant areas, while the MPM combines the advantages of standard pooling and strip pooling, effectively preserving feature information across different spatial positions. The label attention module introduces label information to optimize the attention probability maps generated within the attention module, further enhancing the extraction results. We applied the proposed model on a high-resolution dataset of a high-consequence area of an oilfield. The results of the ablation experiments indicated that the proposed SML_ResUnet network achieved the optimal extraction results. The metrics of Overall Accuracy (OA), Mean Intersection over Union (MIoU), and F1-score reached 97.24%, 84.23%, and 91.26%, respectively. Compared to the classical ResUnet model, improvements are observed in all evaluation metrics of the proposed model, with OA, MIoU, and F1-score increasing by 0.48%, 2.49%, and 1.55%, respectively. For a land cover extraction task within a high consequence area of an oilfield in Shandong Province, the OA of the extraction results averaged at 97.66%. We then extended the model in other high-consequence areas of oilfields in Shandong Province and achieved an Overall Accuracy (OA) of 95.63%. Our results meet the accuracy requirements for rapid acquisition of surface information in large-scale high-consequence areas of oilfields and demonstrate that the SML_ResUnet model is particularly suitable for large-scale land cover extraction tasks within oilfields characterized by diverse and complex terrain types.

Key words： deep learning; features extraction; high-consequence areas of oil fields; label attention module; attention mechanism; strip pooling; mixed pooling; SML_ResUnet

Cite this article

GAO Chen , CHEN Yunzhi , DONG Yan , LIU Lei , Guo Jun . Integration of Mixed Pooling and Label Information Optimization for Oilfield Land Cover Extraction Model[J]. Journal of Geo-information Science, 2024 , 26(3) : 753 -763 . DOI: 10.12082/dqxxkx.2024.230491

1 引言

油田高后果区（High-Consequence Areas，HCAs）是指当输油管道发生泄漏等意外情况时，可能会导致人口密集、环境敏感等区域出现人员伤亡、环境水体污染等受事故严重影响的区域，是石油输送管道安全管理的关键区域[1]。作为油田生产区域管理重点关注对象，准确高效掌握油田高后果区的重点关注地物空间分布信息，有利于石油安全生产的顺利进行，对油田区域科学管理[2]和提高可持续发展能力均至关重要。
深度学习（Deep Learning）凭借其高性能、应用性强等优势，在图像识别[3]、自然语言处理[4]、目标检测[5]等领域发展迅速，可高精度高效率从高分辨率遥感影像提取地物信息。Ronneberger等[6]在FCN 基础之上提出对称的U-Net模型，该网络由一个可以估计深浅层次信息的收缩路径和实现捕捉定位信息的对称扩展路径组成。随着模型深度的提升，最终的拟合精度却出现了下降，He等[7]提出的ResNet 解决了网络模型的退化问题，通过残差块中的短路连接，降低梯度消失的影响和网络模型的训练难度， ResUnet[8]以UNet结构为基础，将ResNet网络作为模型的编码器。DeepLab V3[9]在ASPP 中引入了图像级多尺度特征，进一步提高了特征提取能力。DeepLab V3_plus [10]通过扩展一个简单而有效的解码器模块实现精细细节的捕捉，提升了模型的泛化能力。通过增加注意力模块[11-12]和改变池化策略[13]等是提高网络特征提取能力的有效方法，Hou等[14]引入一种新的池化策略重新思考空间池化的方式，在捕获像素级预测任务的远程上下文信息方面非常有效。Fu等[15]提出基于位置通道注意力机制的自注意力机制，通过在深层次特征上建立的上下文信息关系，显著提高了网络分割效果。当前深度学习网络模型对复杂背景的多地物提取存在误提漏提等问题，对模型结构做出改进和优化，可推动油田高后果区多地物提取精度的进一步提升。
目前深度学习涉及油田区域的相关研究大多集中在溢油检测[16-17]、油罐检测[18-19]等方面。Zhang等[20]通过提取的周围特征使油区内油罐更容易被识别，使模型能够在复杂背景的影像中在具有较强的鲁棒性的同时，保证了较高的检测率。Zhang等[21]引入深度学习中的目标检测方法之一(YOLOv2)对石油工业设施进行自动识别。范天航[22]基于高分辨率遥感影像数据采用聚类方法对油田地区建筑物进行了提取。利用深度学习网络获取地表信息主要针对于常规地表地物，对于油田地区特殊地物识别也只是关注到油井、建筑等单一地物的目标检测，较少关注到油田高后果区特殊资源地区的多种地物提取。油田高后果区内大量从事石油行业的人员，导致人口集中在油田厂区内的特定区域，在石油工作区内会有大量的工作油井、废弃挖坑和开采过程产生的处理水坑，同时采油厂范围内需要大规模的基础设施，包括公共道路、河流等水源。油田高后果区存在小且密集的居民建筑、边界形状不规则的油井、水坑及河流等水体、细小且长条形的公共道路，提取任务面临地物光谱差异小、地物复杂等挑战，现有模型在油田高后果区内地物提取结果中容易出现误提、漏提、道路不连续，提取精度有待提高。
本文拟在经典地物提取网络的基础上，以国产高分辨率遥感影像为数据源，结合混合池化和注意力机制改进经典地物提取模型，开展油田高后果区地物提取实验，对比该模型和其他模型的性能， 提升油田高后果区地物提取的精度。

2 研究方法

2.1 油田高后果区地物提取网络模型

本文所提出的SML_ResUnet（Strip-Mixed pooling and Label Attention ResUnet）是在ResUnet 模型的基础上，设计一种混合U型网络结构，在编码过程中加入条形池化单元SP，减少在下采样过程中特征信息的丢失；在编解码之间加入混合池化模块MPM和标签信息注意力模块LAM，在顾及上下文不同距离位置信息的同时，补充标签信息优化提取效果，网络结构如图1所示。
图1 SML_ResUnet模型结构

Fig. 1 SML_ResUnet model architecture

2.2 条形池化单元

条形池化单元（Strip Pool, SP）沿着竖直和水平方向各有一个长条形池化核，在该方向上建立位置关系。对于河流、道路等常见长条形地物，使用长条形池化核能够排除其他无关区域的信息干扰，捕捉到较长距离的孤立位置信息。
输入的特征图经过2个方向条形池化后变为H×1和1×W，经过扩张融合保证维度一致后，将两个特征图对应位置求和，最后对原始特征图与求取权重矩阵对应位置相乘最为池化输出结果。对于条形池化结构如图2所示[14]，其水平和垂直方向的池化公式分别为：
y i h = 1 W ∑ 0 ≤ j ≤ w x i , j
y i w = 1 H ∑ 0 ≤ j ≤ H x i , j
图2 条形池化单元结构

Fig. 2 Diagram of Strip Pooling (SP) unit architecture

式中：输入 x ∈ R H × W  ，输出 y h ∈ R H， y w ∈ R W，H、W代表水平和竖直方向的池化长度。

2.3 混合池化模块

在进行多地物提取任务中，若模型中只采用条形池化单元，会导致非条形地物的提取效果变差，为兼顾长条形和非长条形物体的提取效果，将条形池化单元和金字塔池模型（Pyraid Pooling Module, PPM）相结合组成混合池化模块（Mixed Pooling Module, MPM）。
对于长距离依赖，用条形池化单元收集长距离孤立信息，对于较为集中的信息，使用不同尺寸正方形内核的标准空间池化来捕获，池化操作中通过多种尺寸的池化核、条形池化核，顾及多种类型的上下文信息，从而使得特征更具判别力。结构示意图如图3所示[14]。
图3 混合池化模块结构

Fig. 3 Diagram of Mixed Pooling Module (MPM) module architecture

2.4 标签信息注意力模块

DANet[19]中所提出的注意力模块是特征维度的注意力，根据输入特征本身来决定提取结果的自注意力模块。当影像光谱差异较大，影像本身质量不佳时，自注意力模块中获取到的特征将受到影响，若引入标签信息，则可以通过优化注意力概率图的生成来实现优化提取结果。
在标签信息注意力模块（Mixed Pooling Module, MPM）机制中，将输入特征直接卷积为多通道二维特征图，通道数与分类数相同，得到的注意力概率图为一个多通道的二维矩阵，每个通道只关注该通道对应的地物提取类型，以此来优化最终图像的分类提取。将标签图经过下采样保持单通道的二维标签图与注意力概率图的尺寸一致，再经过标签独热码转换为多通道的二维二值标签图，两者即可直接计算生成的概率图，与标签下采样的损失函数，最后将注意力输出与原始输入特征求和输出。因此，当注意力概率图与标签越相似，最终地物提取效果越好[12]。模块结构图如图4所示。
图4 标签注意力模块结构

Fig. 4 Diagram of Label Attention Module(LAM) Architecture

2.5 损失函数

标签注意力模块采用增加额外损失函数的方式将标签信息引入模型中达到优化模型提取能力的目的，因此该模块参数会同时受到两个损失函数更新，一个是模型正向传播训练时的损失函数Lossl，另一个是注意力模块中标签信息损失函数Lossatt。
本文使用交叉熵损失和为骰子系数损失共同作为模型训练过程分割的损失函数，如式（3）所示，使用交叉熵损失作为标签注意力模块中的损失函数如式（4）所示。交叉熵损失Lc可以度量真实标签和预测图的差异程度，避免梯度消失问题，使网络模型权重稳定更新（式（4））；骰子系数损失Lc用于衡量预测结果与真实标签之间的相似度，公式如式（5）所示。最终整体损失函数Loss即为训练过程分割的损失函数Lossl与注意力损失函数Lossatt之和，如式（6）所示。
L o s s l = L c + L d
L o s s a t t = L c = - l o g e x i ∑ j e x j = - x i + l o g ( ∑ j e x j )
L d = 1 - 2 | X ⋂ Y | | X | + | Y |
L o s s = L o s s l + L o s s a t t
式中： Loss为最终整体损失函数； Lossl为模型正向传播训练时的损失函数；Lossatt为注意力模块中标签信息损失函数； L c为交叉熵损失； L d为骰子系数损失；xi表示真实分类对应的预测值，xj为预测结果值； X 表示标签代表的真实值和Y 表示训练生成的预测值。|X∩Y|是对真实图和的预测值求交，|X| 和|Y| 分别表示真实值和预测值的元素个数。

3 实验与评价指标

3.1 油田高后果区遥感数据集

油田高后果区遥感数据集基于山东省某输油管线高后果区内遥感影像制作得到，考虑到行业用户的需求，采用遥感地图服务的产品数据。数据来源于水经注平台所提供的L18级无水印高分辨率影像产品，数据坐标系为WGS 84 经纬度坐标，质量较好且云量较少，空间分辨率约为1m，覆盖输油管线高后果区。利用ArcGISPro软件，基于目视解译绘制地物提取标签数据，数据集按尺寸为256像素×256像素、重叠率为 100像素进行裁剪，筛选后共获得 3 655 对油田高后果区地物影像对，按 8:1:1 比例将数据集划分得到 2 924 对训练集、365 对测试集和 366 对验证集，并在模型训练数据预处理阶段中经过随机偏移、随机旋转、随机翻转和缩放等数据增广操作扩充训练数据集。

3.2 实验环境

本文实验采用Window10操作系统，在GPU NVIDA RTX 2080 SUPER（8 GB）上进行神经网络的训练。本文采用的深度学习框架为Keras2.4，在网络训练的过程中采用Adam[23]作为模型训练的优化器，训练批次大小设置为4，初始学习率设置为0.000 1，学习率共进行4 次递减，每次递减为原学习率的二分之一，训练迭代次数为150 次。

3.3 评价指标

本实验选用总体精度（OA）、平均交并比（MIoU）、召回率（Recall）、精确度（Precision） 及F1 分数（F1-score）进行模型性能的评价，将所有分类结果拉成一维，通过统计计算混淆矩阵，计算各精度指标。
总体精度为正确分类的像素与总像素总数之比；平均交互比表示所有类的平均交互，预测值和真实值交集和并集的平均比值；F1 分数为召回率和精确率的和平均值，综合召回率和精准率指标的性能，各精度评价指标的定义如式（7）-式（11）所示。
O A = T P + T N T P + F P + F N + T N
M I o U = 1 n ∑ i = 1 n T P T P + F P + F N
R e c a l l = T P T P + F N
P r e c i s i o n = T P T P + F P
F 1 - s o c r e = 2 × P r e c i s i o n × R e c a l l ( P r e c i s i o n + R e c a l l ) ∈ 0,1
在统计计算混淆矩阵中，TP为训练预测的正确的正样本数量，FN为训练预测的错误的负样本数量，FP为训练预测的错误的正样本数量，TN为训练预测的正确的负样本数量。

4 结果与分析

4.1 基底模型选取实验

Unet 模型在语义分割任务中简单而有效；ResUnet 模型因残差结构能够处理更深层的架构，捕捉复杂环境中的复杂特征；DeepLabv3_plus 模型适用于需要精确边界描绘和准确分类小或复杂对象的任务。为选取最优的基底模型，在相同的训练环境下，选取遥感影像信息提取任务中得到广泛应用的Unet[6]、ResUnet、DeepLabv3_plus[10] 3种经典地物提取模型进行训练和测试。图5选取各模型部分预测结果。
图5 基底模型选取实验部分预测结果

Fig. 5 Experimental results of baseline model selection for prediction

由图5可知，A、D区域同时存在长条形及非长条形地物，道路提取结果不连续，A中地面集装箱误提为居民建筑，B、C两区域中水体呈现光谱差异较大，C区域中小型密集建筑物背景复杂，D区域中不规则形状的油井地物，在油田高后果区多地物提取过程中信息均受到一定程度干扰，Unet 、ResUnet、DeepLabv3_plus地物提取模型提取结果均存在漏提、误提、道路不连续等现象，各模型精度对比如表1所示。从表中可知，ResUnet模型的OA、MIoU、Recall、Precision和F1-score指数均高于其他模型，综合对比各模型的性能，选取ResUnet作为改进的基底模型。
表1 基底模型选取实验的精度对比

Tab. 1 Accuracy comparison of baseline model selection experiments (%)

模型 OA MIou Recall Precision F1-Score
Unet 95.70 76.36 83.69 88.92 86.16
DeepLabv3_plus 96.18 78.86 86.30 89.45 87.81
ResUnet 96.72 81.74 88.37 91.14 89.71

4.2 模型消融实验

为验证条形池化单元（SP, S）、混合池化模块（MPM, M）、标签信息注意力模块（LAM, L）对地物的提升效果，将ResUnet模型作为基底模型，消融训练中将3个模块进行不同的5组结合，S_ResUnet、M_ResUnet、ML_ResUnet、SML_ResUnet分别代表在ResUnet模型中增加条形池化单元S、混合池化模块M、混合池化模块M和标签信息注意力模块L等3种模块。
其中，部分模型增加LAM模块后，整体损失函数Loss即为训练过程分割的损失函数与注意力损失函数之和，导致损失函数升高。从图6中可知，消融实验中各个模块组合模型在油田高后果数据集上训练150个 Epoch 的损失曲线变化趋势基本一致，前 50 个 Epoch 各模型的 Loss 下降较快，之后处于稳定收敛状态。但由于SML_ResUnet网络结构的复杂度较高，最终训练在稳定时ML_ResUnet模型的拟合效果较好。
图6 各模块消融实验的Loss曲线

Fig. 6 Loss curves for ablation experiments on different modules

选取部分消融训练结果如图7所示。
图7 各模块消融实验部分预测结果

Fig. 7 Partial predicted results of ablation experiments on different modules

由图7第A行、7第B行中的提取结果可知，在增加了SP单元和MPM模块后，可完整提取长条形道路尤其是细小的道路，提升了提取结果连通性的同时，也提升其他形状地物的提取效果；由图7中A、B、C行建筑的提取结果可知，当建筑物因新旧问题呈现不同图像特征时，ML_ResUnet、SML_ResUnet能有效降低ResUnet模型的漏提、误提；由图7第D行油井的提取结果可知，ResUnet存在小部分漏提，在不同地物呈现相同图像特征时，如挖井与油井特征类似时， S_ResUnet、 M_ResUnet存在误提，由于标签信息的优化，ML_ResUnet、SML_ResUnet能够避免误提，同时减轻漏提，保证油井边界的完整准确，详细各评价指标如表2所示。
表2 各模块在基底模型为ResUnet精度对比

Tab. 2 Accuracy comparison of different modules on baseline model ResUnet (%)

模型 OA MIou Recall Precision F1-Score
ResUnet 96.72 81.74 88.37 91.14 89.71
S_ResUnet 96.18 76.08 88.55 84.80 87.81
M_ResUnet 96.74 81.57 87.85 91.49 89.59
ML_ResUnet 97.19 84.06 89.98 92.39 91.15
SML_ResUnet 97.24 84.23 90.16 92.43 91.26

注：表中加粗数值表示最高精度。

从表2可知，SP单元、MPM模块和LAM模块的组合引入后对提取精度有提升作用。其中SP单元和MPM模块两者单个模块的引入总体并未出现较大程度的提高，说明在多地物提取任务中，单模块引入无法顾及多种类型特征提取；LAM模块和MPM模块的引入对模型的整体精度有较大的提高，相较ResUnet模型 MIoU、 F1-score 分别提升了2.32%、1.44%；在3个模块结合的共同作用下，模型整体精度为最高，相较ResUnet模型 MIoU、 F1-score 分别提升了2.49%、1.55%，说明各个模块结合可以有效提升模型的最终性能。
选取F1-Score 指标综合召回率和精准率指标的性能，更加细化对比模型对各类地物的提取结果，如表3所示。
表3 各类地物的提取结果精度对比

Tab. 3 Accuracy comparison of land cover extraction results for different categories (%)

模型 各地物F1-Score 平均
F1-Score
居民建筑 水体 公共道路 油井
ResUnet 85.69 93.05 84.53 87.16 89.71
S_ResUnet 83.70 92.38 81.07 84.13 87.81
M_ResUnet 86.21 93.32 84.13 86.17 89.59
ML_ResUnet 87.43 94.45 87.01 88.44 91.15
SML_ResUnet 88.20 94.12 87.60 87.99 91.26

注：表中加粗数值表示最高精度。

SML_ResUnet模型相较于其他模块组合整体及单个地物均为最优精度，从单个地物类别指标来看，条形池化单元和混合池化模块对长距离特征和全局特征学习能力有利于模型性能的提升，对居民建筑、公共道路的提升较大，相较于ResUnet分别提升了2.51%、3.07%。在加入标签信息注意力模块后，对于分布范围较大且不规则的水体、油井地物精度得到提升， ResUnet分别提升了1.07%、0.83%。
综合不同模型在数据集的实验结果分析可知，SML_ResUnet模型可以在油田区域复杂的背景下，较精确提取形状各异的地物类型，提取精度有一定提升，有效改善了的分类任务中地物漏提错提、道路不连续等现象，各项评价指标均优于实验中的其他模型。

4.3 山东省某油田高后果区提取结果与分析

为验证本文提出的模型在油田高后果区提取任务的适用性，将SML_ResUnet 网络模型扩展应用至山东省某油田整个厂区内输油管线高后果区进行提取实验，影像产品筛选时间范围为2021年1—12月，提取结果如图8所示。
图8 山东省某油田厂区内输油管线高后果区地物分布

Fig. 8 Distribution of high consequence area land cover in an oilfield plant area in Shandong province

由图8得到 2021年山东省某油田厂区内输油管线高后果区地物空间分布信息，统计得到该高后果区内居民建筑及公共道路占地面积分别为 6.26 km2及6.00 km2，占总高后果区面积的0.39%及0.38%，正在工作油井占地面积为1.73 km2，选取地物分布较密集的A、B、C区域，对模型训练结果进行精度评估，结果如表4。
表4 不同区域的精度指标

Tab. 4 Accuracy metrics for different regions (%)

区域 OA MIou Recall Precision F1-Score
A 96.91 86.27 94.92 90.18 92.46
B 98.15 85.49 94.50 89.73 91.92
C 97.93 88.05 97.59 89.88 93.44
参考原始遥感影像数据，SML_ResUnet模型在山东省油田高后果区内的地物提取结果与地表真实地物分布一致，实现了对油田高后果区内居民建筑、水体、公共道路、油井的地表信息获取。其中地物较密集的A、B、C区域提取总体精度 OA分别为 96.91%、98.15%、97.93%。为验证模型的在其他区域的适用性，将模型推广应用至山东省的另一油田厂区内的高后果区，提取结果如图9所示。
图9 山东省某油田厂区内输油管线高后果区地物分布

Fig. 9 Distribution of high consequence area land cover in an oilfield plant area in Shandong province

选取地物分布较密集的地物区域，对模型提取结果进行精度评估，总体精度OA为95.63%，MIou为84.35%。结果表明本研究所改进的SML_ResUnet地物提取模型可以较好识别油田高后果区地表信息并具有一定推广性，能够满足大规模油田高后区地表信息快速获取的需求。

5 结论

本文结合混合池化和注意力机制改进经典地物提取模型，在高分辨率遥感数据集上，开展油田高后果区地物提取实验，油田高后果区地物提取的提取精度较高，以期为油田地区高后果区地表信息获取提供技术支持。主要结论如下：
（1）对比了Unet、ResUnet、DeepLabv3_plus 3种较为经典的地物提取模型，结果表明， 3种模型提取结果均存在漏提、误提、道路不连续等现象，但ResUnet模型性能相对较好，选取ResUnet作为基底模型。
（2）以 ResUnet 模型为基底，在编码过程中加入条形池化单元SP，有效防止了其他无关区域的信息干扰；在编解码之间加入混合池化模块MPM，使模型的语义分割时能同时顾及整体和局部的上下文信息；加入标签信息注意力模块LAM，补充标签信息优化提取效果。在消融实验中， 3个模块共同作用下的模型整体精度最高，其中OA、MIou、F1-Score分别为97.24%、84.23%、91.26%，提取精度较ResUnet模型的OA、MIoU、 F1-score 分别提升了2.49%、1.55%。
（3）SML_ResUnet模型在高分辨率油田高后果区提取任务中，提取结果与地表真实地物分布一致，3个地物较密集区域提取总体精度 OA分别为 96.91%、98.15%、97.93%，推广至其他油田厂区高后果区中，提取结果OA达到95.63%，能够满足大规模油田高后区地表信息快速获取的需求。
SML_ResUnet模型通过改变池化方式和增加标签注意力模块，实现了较精确的提取形状各异的地物类型，有效改善油田高后果区分类任务中地物漏提错提、道路不连续等现象，并推广至其他区域同样有较好的提取效果。为更全面顾及油田高后果区地物特征，注意力模块中可以尝试引入其他外部信息，如油井挖掘时对地形的要求，通过引入高程信息来进一步优化注意力概率图的生成，从而提高模型在油田高后果区内的分类精度。同时，可推广应用至其他高分辨率遥感数据集上，分析模型的适用情况。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
孙龙德, 陈艳鹏, 葛稚新, 等. 论中国油气行业上游绿色低碳转型与创新[J]. 国际石油经济, 2022, 30(10):1-9.

[ Sun L D, Chen Y P, Ge Z X, et al. Upstream green and low-carbon transformation and innovation of the oil and natural gas industry in China[J]. International Petroleum Economics, 2022, 30(10):1-9.] DOI:10.3969/j.issn.1004-7298.2022.10.002

[2]
Shi J, Liang N. Petroleum resources-based urban ecological planning and development. research based on green growth and economic transition[J]. Open House International, 2019, 44(3):68-71. DOI:10.1108/ohi-03-2019-b0018

[3]
蔡祥, 李琦, 罗言, 等. 面向对象结合深度学习方法的矿区地物提取[J]. 国土资源遥感, 2021, 33(1):63-71.

[ Cai X, Li Q, Luo Y, et al. Surface features extraction of mining area image based on object-oriented and deep-learning method[J]. Remote Sensing for Natural Resources, 2021, 33(1): 63-71.] DOI:10.6046/gtzyyg.2020111

[4]
Otter D W, Medina J R, Kalita J K. A survey of the usages of deep learning for natural language processing[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021, 32(2):604-624. DOI:10.1109/TNNLS.2020.2979670

[5]
Li K, Wang X, Lin H, et al. Survey of one-stage small object detection methods in deep learning[J]. Journal of Frontiers of Computer Science & Technology, 2022, 16(1):41-58. DOI:10.3778/j.issn.1673-9418.2110003

[6]
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[M]// Lecture Notes in Computer Science. Cham: Springer International Publishing, 2015:234-241. DOI:10.1007/978-3-319-24574-4_28

[7]
He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016:770-778. DOI:10.1109/CVPR.2016.90

[8]
Zhang Z X, Liu Q J, Wang Y H. Road extraction by deep residual U-net[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(5):749-753. DOI:10.1109/LGRS.2018.2802944

[9]
Song G, Huang J, Chen P, et al. Improved DeepLab-v3 model using nine-point bicubic convolution interpolation[J]. Application Research of Computers, 2020, 37(9):2876-2880. DOI:10.19734/j.issn.1001-3695.2019.04.0125

[10]
Yang Z, Peng X, Zhu Q, et al. Image segmentation algorithm with adaptive attention mechanism based on DeepLab-v3 Plus[J]. Journal of Computer Applications, 2022, 42(1):230-238. DOI:10.11772/j.issn.1001-9081.2021010137

[11]
Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. IEEE, 2018:7132-7141. DOI: 10.1109/CVPR.2018.00745

[12]
Si Y, Li Y, Wu H, et al. Triple Attention Network for Multi-Class Semantic Segmentation in Aerial Images[C]//2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. IEEE, 2021:2751-2754.

[13]
徐佳伟, 刘伟, 单浩宇, 等. 基于PRCUnet的高分遥感影像建筑物提取[J]. 地球信息科学学报, 2021, 23(10):1838-1849.

DOI

[ Xu J W, Liu W, Shan H W, et al. High-resolution remote sensing image building extraction based on PRCUnet[J]. Journal of Geo-information Science, 2021, 23(10):1838-1849. ] DOI:10.11896/j.issn.1002-137X.2017.06.052

[14]
Hou Q B, Zhang L, Cheng M M, et al. Strip pooling: Rethinking spatial pooling for scene parsing[C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR). IEEE, 2020:4002-4011. DOI:10.1109/CVPR42600.2020.00406

[15]
Fu J, Liu J, Tian H J, et al. Dual attention network for scene segmentation[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020:3141-3149. DOI:10.1109/CVPR.2019.00326

[16]
Krestenitis M, Orfanidis G, Ioannidis K, et al. Oil spill identification from satellite images using deep neural networks[J]. Remote Sensing, 2019, 11(15):1762. DOI: 10.3390/rs11151762

[17]
Wang Z B, Bai L, Song G F, et al. An oil well dataset derived from satellite-based remote sensing[J]. Remote Sensing, 2021, 13(6):1132. DOI:10.3390/rs13061132

[18]
Gido N A A, Amin H D, Bagherbandi M, et al. Satellite monitoring of mass changes and ground subsidence in Sudan’s oil fields using GRACE and sentinel-1 data[J]. Remote Sensing, 2020, 12(11):1792. DOI:10.3390/rs12111792

[19]
Ok A O, Başeski E. Circular oil tank detection from panchromatic satellite images: A new automated approach[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(6):1347-1351. DOI:10.1109/LGRS.2015.2401600

[20]
Zhang L, Shi Z W, Wu J. A hierarchical oil tank detector with deep surrounding features for high-resolution optical satellite imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(10):4895-4909. DOI:10.1109/jstars.2015.2467377

[21]
Zhang N N, Liu Y, Zou L Q, et al. Automatic recognition of oil industry facilities based on deep learning[C]// IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE, 2018:2519-2522. DOI:10.1109/IGARSS.2018.8518054

[22]
范天航. 基于高分遥感影像数据的油田地区建筑物信息提取方法研究[D]. 长春: 吉林大学, 2016.

[ Fan T H. Research on building information extraction method in oilfield area based on high-score remote sensing image data[D]. Changchun: Jilin University, 2016. ]

[23]
Kingma D P ", Ba J. Adam: A method for stochastic optimization"[EB/OL]. 2014: arXiv: 1412.6980.https://arxiv.org/abs/1412.6980.pdf"

Options
Outlines

/

〈 〉