共查询到16条相似文献，搜索用时 140 毫秒
1.
针对城市行道树的学习多分类问题，本文在综合分析城市行道树多分类特征的基础上，提出一种融合特征自动选取模型的自适应深度学习方法。基于随机森林法，学习行道树的特征重要性，通过特征消除方法舍弃不重要的特征，实现城市行道树多分类特征自动选取；在城市行道树分类特征工程提取的基础上，构建了城市行道树多分类问题的自适应深度学习方法，并采用交叉验证与参数搜索方法，对所提出的深度学习模型进行改进。试验结果表明，本文所提出的融合特征自动选取模型的自适应深度学习方法具有良好性能，解决了城市行道树多分类预测的准确性与泛化问题。 相似文献
2.
提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。 相似文献
3.
《武汉大学学报(信息科学版)》2021,(8)
针对传统规则化知识的栅格数字高程模型(digital elevation model, DEM)微地形分类方法自动化程度低、分类不完全等缺陷,构建了一种适用于栅格DEM微地形自动分类的卷积神经网络(convolutional neural network, CNN)模型。借助该模型具有自动深入学习样本数据和挖掘隐含分类信息的优势,提出了栅格DEM微地形分类的卷积神经网络方法并创建了其自动化实现流程。以山体部位分类为典型样例进行实验验证分析,实验结果统计显示:在山体部位分出的山顶、山肩、背坡、麓坡、趾坡和冲积地6类微地形中,分类精准程度最高的为冲积地,最低的为趾坡,准确率分别达到了99.64%和92.95%;栅格DEM数据的像元大小影响其分类准确率,5 m×5 m的栅格DEM比2.5 m×2.5 m和10 m×10 m更适应山体部位分类的卷积神经网络法。 相似文献
4.
针对土地利用/土地覆被分类中小规模数据集无法使用深度学习方法自动分类的问题,提出了利用精简深度残差神经网络(Resnet-50)进行迁移学习的土地利用/土地覆被自动分类算法。首先,使用Sentinel-1卫星提供的遥感数据制作数据集;然后,对Resnet-50中每层的卷积模板数量进行压缩并在其后级联自适应网络得到精简残差网络;最后,利用Image Net数据集预训练精简残差网络,并将网络模型迁移到Sentinel-1数据集对网络参数进行微调,最终实现小数据集上土地利用/土地覆被的高精度自动分类。试验结果表明该算法在SAR数据集上的分类精度高达95.15%,验证了算法的可行性。 相似文献
5.
针对高光谱影像非线性分类问题,根据高光谱影像光谱分辨率高且光谱具有非线性的特点,结合深度学习理论,提出了一种采用降噪自动编码器(DAE)的高光谱影像分类方法。该方法结合降噪自动编码器与SOFTMAX分类器,构造深层网络分类模型;然后,利用加噪后的光谱数据,采用Dropout方法对分类模型进行预训练和微调;最后,利用训练得到的网络模型学习高光谱影像光谱的隐含特征,实现高光谱影像的分类。采用该方法对AVIRIS和PHI的高光谱影像分别进行分类对比实验,结果表明该方法能有效提高高光谱影像分类精度。 相似文献
6.
针对传统手工提取特征方法需要专业领域知识，提取高质量特征困难的问题，将深度迁移学习技术引入到高分影像树种分类中，提出一种结合面向对象和深度特征的高分影像树种分类方法。为了获取树种的精确边界，该方法首先利用多尺度分割技术分割整幅遥感影像，并选择训练样本作为深度卷积神经网络的输入。为了避免样本数量少导致过拟合问题，采用迁移学习方法，使用ImageNet上训练的VGG16模型参数初始化深度卷积神经网络，并利用全局平局池化压缩参数，在网络最后添加1024个节点的全连接层和7个节点的Softmax分类器，利用反向传播和Adam优化算法训练网络。最后分类整幅遥感影像，生成树种专题地图。以安徽省滁州市的皇甫山国家森林公园为研究区，QuickBird高分影像作为数据源，采用本文方法进行树种分类。试验结果表明，本文方法树种分类总体精度和Kappa系数分别为78.98%和0.685 0，在保证树种精度的同时实现了端到端的树种分类。 相似文献
7.
农作物病害的准确识别有助于提高农作物的产量与质量。针对作物病害图像训练样本数据量较少的情况,本文采用迁移学习方法结合分步识别模型对多种农作物病害种类进行了识别。将PlantVillage公开数据集中3种农作物的10类作物叶片图像作为训练样本,利用直接识别方法分别对VGG16和ResNet的原始模型和迁移学习模型进行训练,得到模型的分类结果;提出分步识别方法,将训练样本按作物种类和病害类型归类,分别进行模型训练并构建分步识别模型。试验结果表明：利用迁移学习方法能够在原始模型的基础上将识别精度提高20%以上;在其基础上引入分步识别方法并与直接识别方法对比,能够将VGG16和ResNet模型精度再分别提高14%和8%。本文提出的迁移学习分步识别方法能够实现在小样本训练数据情况下的作物病害准确识别,可为作物病害防治提供有效的技术支持。 相似文献
8.
针对传统影像质量检查工作中积云提取存在人工作业量大、操作烦琐等问题,本文通过引入迁移学习机制,将已有数据集训练过程中得到的神经网络参数迁移到解译模型构建中,提出了一种适用于积云的自动提取方法。本文以湖南省不动产统一登记基础数据为实验对象进行了实验,结果表明,本文方法的浓积云提取总体精度可以达到90%以上,淡积云提取的总体精度可以达到87.3%,表明本文研究可用于高分影像积云自动提取。 相似文献
9.
10.
针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法。以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力。结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.97,Kappa系数为0.93,均高于面向对象最邻近法,能够有效地满足研究区规模化枣园目标检测识别的精度和效率的要求,为精细化枣园田间管理提供基础依据。 相似文献
11.
无人机低空遥感是近年来新兴的一种快速获取灾情信息的手段,如何利用无人机高分影像构建滑坡灾害解译模型是实现快速自动解译滑坡的关键。针对该问题,对比了多种影像特征提取方法,将迁移学习(TL)特征和支持向量机(SVM)引入到构建滑坡灾害自动解译模型中,提出了一种TL支持下的高分影像滑坡灾害解译模型。选取5·12汶川地震及4·20芦山地震系列无人机影像构建了滑坡灾害样本库并进行了实验,TL特征方法整体分类准确度ACC为95%,ROC达到0.98,识别准确率达到97%。结果表明,所提方法可用于高分影像滑坡自动解译,同时可用于大面积高分影像中快速山地滑坡灾害定位及检测。 相似文献
12.
作为描述土地变化转移总体结构与数量的基础性模型,转移矩阵已广泛应用于土地利用/覆被变化领域.现有文献大多直接给出所研究区域的LUCC转移矩阵计算结果,但很少讨论分析其具体计算方法与步骤.针对这一情况,文中在界定总结转移矩阵概念和性质的基础上,详细描述A rcGIS平台下基于土地利用/覆盖栅格分类数据人工手动计算转移矩阵... 相似文献
13.
联合卷积神经网络与集成学习的遥感影像场景分类 总被引：1，自引：0，他引：1
针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。 相似文献
14.
本文利用图论的原理和算法，根据等深线间所具有的相邻和包含关系，提出了加权邻接矩阵的生成方法，同时通过特征树和关系图的搜索推理，实现了等深线树的生成和深度值的自动识别。 相似文献
15.
ABSTRACTOn nautical charts, undersea features are portrayed by sets of soundings (depth points) and isobaths (depth contours) from which map readers can interpret undersea features. Different techniques were developed for automatic sounding selection and isobath generalization. These methods are mainly used to generate a new chart from the bathymetric database or from a larger scale chart through selection and simplification. However, a part of the process consists in selecting and emphasizing undersea features formed by groups of soundings and isobaths on the chart according to their relevance to maritime navigation. Hence, automation of the process requires classification of features and their generalization through the application of a set of operators according not only to geometric constraints but also to their meaning.The objective of this work is to conceive a multi-agent system (MAS) for nautical chart generalization that is driven by the knowledge on the generalization process and the undersea features and their relationships. First, this work provides a feature-centered ontology modeling of the generalization process. Then, the MAS structure is introduced where agents access cartographic knowledge stored in the ontology. The MAS makes use of measure algorithms to evaluate constraint violations on the chart in order to decide which generalization operators to apply. The whole model has been implemented to provide generalization plans on a real case study. 相似文献