共查询到20条相似文献，搜索用时 156 毫秒
1.
针对高分辨率遥感影像变化检测中存在的变化像素与未变化像素边界难以准确区分以及变化小、目标检测中容易出现漏检等问题,本文提出一种联合密集连接与注意力的孪生网络(CDASNet)。该网络采用孪生网络的输入方式,并在编码阶段利用残差连接单元以及密集连接的方式增强对原始影像底层特征的提取,同时在解码阶段引入注意力模块为不同层次的特征图赋予新权重来关注变化信息,进一步利用跳跃连接将编码阶段的浅层特征和解码阶段的深层特征进行融合,最终经过上采样恢复原始影像分辨率得到变化检测结果。将本文方法应用在LEVIR-CD数据集和CDD数据集中进行实验,结果表明,本文提出的方法在精度和召回率上都优于FC-Siam-conv、FC-Siam-diff、DSAMNet、SUN-CD 4种方法。 相似文献
2.
针对复杂影像背景和密集建筑物堆叠导致建筑物提取效果不完整,存在误检、漏检等问题,提出了一种改进Mask-RCNN遥感影像建筑物提取方法。利用双通道注意力机制增强目标的有效特征,同时引入特征增强金字塔网络增强网络对遥感影像的上下文特征信息地提取能力,结合双通道下采样模块减少特征损失,提高模型提取的精度和效率。实验表明,提出的改进Mask-RCNN在建筑物数据集和RSOD数据集上,与多种方法进行实验对比验证,Precision和F1值均高于对比方法,且目标识别的结果更加完整,目标漏检率更低。 相似文献
3.
针对遥感影像目标检测中背景复杂、正负样本严重不均衡问题,提出一种基于注意力与密集连接的遥感影像目标检测模型。在特征提取层使用卷积注意力模块分别沿通道、空间域聚合特征图正样本特征,同时通过密集连接加强层间交流;利用上下层特征融合与连续上采样构建3个尺度的特征增强金字塔。实验结果表明,本文模型对不同复杂程度场景下的各类别目标均能够实现稳定检出,且精度优于现有主流目标检测模型,具有良好的泛化能力与实时性。 相似文献
4.
针对无人机遥感影像中多类别目标的检测问题,本文提出一种单阶段的深度学习新目标检测模型。在特征提取结构内,首先使用空洞卷积核来构建基本的提取结构,让模型在提取过程中获取感受野更大、原始信息保留更充分的特征图;针对小目标检测精度不佳问题,采用通道注意力与空间注意力组合的多路注意力机制来提高模型对真实目标的关注程度;在特征图连续上采样的基础上,将来自同层以及高层下采样的特征图进行融合来获取鲁棒性更强、语义信息更充分的特征图实施最终的检测。以VisDrone、DLR-MVDA数据集和路采影像组成数据集,并使用暗通道先验等方法对其进行强化,组成训练数据集对模型进行训练。实验结果表明,本文所提出的模型对于无人机遥感影像中的多种类别的目标均能够实现较好的检出,其平均精度均值较其余3种基准模型分别提高8.56%、4.58%及15.81%,检测速度可以达到25帧/s的水平,说明所提出模型能够针对遥感影像中的多类别目标实施快速精准的检测,同时具有较好的泛化能力。 相似文献
5.
6.
郭本丽 《测绘与空间地理信息》2022,(12):198-201
常规目标检测模型对于硬件需求较高,难以在无人机载硬件上直接运行并实施流畅交通标志检测。针对这一问题,本文提出一种轻型的交通标志检测模型。该模型基于轻量级卷积神经网络结构设计,利用非对称卷积核级联特征提取层特征以及最大池化层搭建特征提取网络,并利用三层特征增强网络实现对无人机遥感影像中多尺度、多类别交通标志的快速精准检测。同时针对原始图像质量问题设计了图像增强模块,提高了训练后模型的泛化能力。测试结果表明,本文提出的模型能够在无人机硬件上流畅运行,并能够对多场景下的交通标志目标实施精准检测。 相似文献
7.
针对常规遥感影像目标检测模型在低算力环境难以运行问题,提出一种新的轻量级目标检测方法.采用深度可分离卷积核及通道分组混排构建轻量级特征提取网络,采用K-means聚类获取锚点框,使用跨层连接双层特征金字塔预测多尺度目标.利用遥感影像目标检测数据集(RSOD)数据集对模型训练,采用精度均值,平均精度均值,每秒传输帧数对模... 相似文献
8.
针对Faster R-CNN模型在遥感影像中对飞机目标进行检测与识别时,易出现漏检、错检等问题,提出了一种在基于小样本飞机遥感影像数据集的改进型Faster R-CNN目标检测方法。首先对特征提取网络进行优化,然后将非顶层特征图融合顶层特征图得到边缘信息更丰富的融合特征图,利用该特征图输入RPN网络,完成目标检测模型的训练;并结合自适应阈值进行检测。以普通客机与战斗机目标为试验对象,开展飞机目标检测与识别对比分析。试验结果表明,所提出的算法在小样本情况下检测效果有明显提升。 相似文献
9.
针对现有方法检测无人机目标时精度与泛化能力不足,提出一种基于回归的多目标检测方法.使用密集连接增强层间信息传递,添加批量再规范化(Batch Renormalization,BRN)层加速模型训练,降低样本分布不均而导致的精度偏低,使用密集连接结构聚合上采样层不同层信息.以开源数据集Vision Drone为基础建立优化数据集训练模型.结果表明,提出模型检测精度达89.57％平均精度均值,相比(You Only Look Once v3,YOLOv3)模型和(Region Full Convolutional Network,R-FCN)分别提高6.53％和3.11％,检测速度达27每秒传输帧数,在不同场景表现稳定. 相似文献
10.
水利设施对水资源与水量调度、自然湿地生态保护与修复、资源和生态功能的利用及经济效益发展有重要作用。传统方法统计水利设施位置、数量等依赖于汇编资料,存在耗时长、资料更新不够及时以及具体地理位置不详等缺点,遥感为大规模监测水利设施提供了新的可能。本文以YOLO v3网络为基础,结合水利设施的特点,提出了一种基于大面幅影像快速检测水利设施的算法,主要分为两个方面：（1）改进的YOLO算法（E-YOLO）。E-YOLO提出PPA特征融合方法和等比预测框与四特征图交叉预测方法,对小样本等问题进行优化;改进损失函数,突出置信度损失;同时使用迁移学习的方法,读取特征提取部分的预训练模型参数。（2）基于E-YOLO算法和水体指数约束的大面幅水利设施检测算法。通过水体指数约束滑动步幅来解决影像面幅大、目标尺度小的问题,同时降低漏检率和误检率,再结合轮廓合并方法,优化检测结果。本研究中采用高分二号影像数据实现大面幅影像水利设施检测,实验结果表明：E-YOLO算法可以明显提高水利设施检测效果,相比平均F2精度相比YOLO v3提高了1.25%。且有更好的稳定性;水体指数约束的大面幅检测方法可以在保证效率的情况下提高检测精度,其F2精度相比大步幅和小步幅方法分别提高了3.72%和2.70%,为遥感水利设施检测提供了良好方案。 相似文献
11.
遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码—解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点：首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。 相似文献
12.
多分辨率特征融合的光学遥感图像目标检测 总被引：1，自引：0，他引：1
高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域,在民用与军事领域具有重要的应用价值。目前,基于深度学习的自然图像目标检测有了突破性进展。但是,由于遥感图像具有目标尺度差异大且类间相似度高的特点,使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战,本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先,通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络,促使网络学习目标在不同分辨率下的特征,缩小不同特征层之间的语义差距。其次,为实现多分辨特征的有效融合,本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后,将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性,相比采用特征金字塔结构的Faster R-CNN,本文方法的准确率(mAP)分别提高2.5%和2.2%。 相似文献
13.
针对无人机在区域范围拍摄的低空遥感影像数量多,且相邻影像间存在旋转、尺度变化大等导致的立体定向困难问题,本文提出一种适用于无人机影像自动相对定向及模型连接的流程。即利用SURF算法对区域无人机影像进行特征提取后,连续相对定向及模型连接过程使用结合相对定向模型的RANSAC算法去除错匹配点,并针对RANSAC算法选取样本匹配点对容易陷入局部最优问题进行改进,提高了结果精度。 相似文献
14.
Ramesh Kestur Akanksha Angural Bazila Bashir S. N. Omkar Gautham Anand M. B. Meenavathi 《Journal of the Indian Society of Remote Sensing》2018,46(6):991-1004
UAVs are fast emerging as a remote sensing platform to complement satellite based remote sensing. Agriculture and ecology is one of the important applications of UAV remote sensing, also known as low altitude remote sensing (LARS). This work demonstrates the use and potential of LARS in agriculture, particularly small holder open field agriculture. Two UAVs are used for remote sensing. The first UAV is a fixed wing aircraft with a high spatial resolution visible spectrum also known as RGB camera as a payload. The second UAV is a quadrotor UAV with an RGB camera interfaced to an on-board single board computer as the payload. LARS was carried out to acquire aerial high spatial resolution RGB images of different farms. Spectral–spatial classification of high spatial resolution RGB images for detection, delineation and counting of tree crowns in the image is presented. Supervised classification is carried out using extreme learning machine (ELM), a single hidden layer feed forward network neural network classifier. ELM was modelled for RGB values as input feature vectors and binary (tree and non-tree pixels) output class. Due to similarities in spectral intensities, some of the non-tree pixels were classified as tree pixels and in order to remove them, spatial classification was performed on the image. Spatial classification was carried out using thresholded geometrical property filtering techniques. Threshold values chosen for carrying out spatial classification were analysed to obtain optimal values. Finally in the delineation and counting, the connected tree crowns were segmented using Watershed algorithm performed on the image after marking individual tree crowns using Distance Transform method. Five representative UAV images captured at different altitudes with different crowns of banana plant, mango trees and coconut trees were used to demonstrate the performance of the proposed method. The performance was compared with the traditional KMeans spectral–spatial method of clustering. Results and comparison of performance parameters of KMeans spectral–spatial and ELM spectral–spatial classification methods are presented. Results indicate that ELM performed better than KMeans. 相似文献
15.
针对BRISK特征检测算法在遥感影像中匹配时同名点对冗余度高和全局性差等特点,考虑BRISK特征检测算法能获取大量无人机遥感影像特征点,Delaunay三角网算法能够利用影像的BRISK特征点的粗匹配点对构建三角网,本文综合两种算法的优点,提出了一种结合BRISK特征检测算法和Delaunay三角网算法的剔除无人机遥感影像误匹配点对方法。该方法利用两张影像的BRISK粗匹配特征点构建Delaunay三角网,利用遍历两张影像三角网中的三角形相似度剔除错误匹配点对,并利用摄影不变量原理进一步剔除误匹配点对,提高了两张影像的精度;对比分析了Delaunay三角网的射影不变量算法,RANSAC算法分别剔除原始影像组、加入椒盐噪声影像组及旋转影像组的BRISK特征误匹配点对的效果。试验结果表明,3组影像分别利用结合BRISK特征和Delaunay三角网的射影不变量算法的无人机遥感影像匹配方法获得的正确特征匹配点对冗余度低、全局性优。 相似文献
16.
数字城市管理发展中城市部件调查是一项重要的任务,但是城市井盖部件信息获取存在人工调绘效率低、精度难以保证等缺陷,影响城市井盖部件的及时更新。因此本文利用深度卷积神经网络模型,通过小卷积核、尾部裁剪和保持输入大小等改进边缘检测网络（HED）并增加两层卷积运算提取目标,提出HED-C网络模型,实现了端到端的井盖部件目标检测。试验结果表明,利用HED-C模型井盖部件召回率可达96.58%,查准率可达97.93%,相较Faster R-CNN、YOLO和SSD网络模型,综合性能有了较大提高。 相似文献
17.
针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。 相似文献
18.
一种基于线特征的道路网变化检测算法 总被引：6，自引：0，他引：6
提出一种基于线特征的道路网变化检测算法。首先根据边缘的梯度信息从多时相遥感图像中提取变化的线特征;然后根据变化线特征的局部特性,检测出与道路模型相符合的变化道路段;最后通过道路网的全局约束条件,进行变化道路段的连接,实现变化道路的检测。提出的道路网变化检测算法将边缘的相位和幅度信息作为变化检测的判定依据,从而避免了道路的匹配与比较工作,降低了变化检测算法的复杂度,具有很强的实用性。将本文提出的方法用于多时相遥感图像的道路网变化检测,从实验结果可以看出该方法的有效性。 相似文献
19.
为利用高分辨率遥感影像实现高精度的飞机目标变化检测,提出了一种自适应的多特征融合变化检测与深度学习相结合的方法。首先,通过加权迭代的多元变化检测法获取变化强度图,并结合自适应的直方图统计法自动获取显著的变化与不变化样本;然后,提取多时相影像的光谱、边缘和纹理特征,完成多特征融合的变化检测,并通过形态学处理得到变化图斑;最后,利用训练的NIN(Network in Network)结构的卷积神经网络飞机识别模型,完成变化图斑的类型判别,实现变化飞机的检测。实验结果表明,本文方法在两组数据的正确率分别达到100%和91.89%,均优于对比方法,能实现准确可靠的飞机目标变化检测。 相似文献