共查询到20条相似文献，搜索用时 200 毫秒
1.
小样本学习旨在利用非常少的监督信息识别出新的类别,由于忽视了样本之间的关联信息,现有的小样本分类方法用于遥感图像小样本分类时往往不能获得令人满意的精度。为此,本文利用图来建模图像在特征空间的相似关系,使用图卷积运算平滑同类别图像的特征,增强不同类别图像特征的区分度,提升分类精度。所提方法在现有图卷积运算的基础上,使用多阶次的邻接矩阵线性加权的方法代替传统的一阶邻接矩阵,通过图谱分析得出这种改进方法能够让不同阶次邻接矩阵的频率响应函数在高频部分正负相抵,有效抑制图信号的高频分量,更显著的提升同类别节点特征的聚集程度;同时,在训练过程引入了微调的方法,使用新类别中的标记数据对最后一层图卷积网络进行少量次数的训练,能够进一步提高精度,增强模型的迁移能力。实验使用AID、OPTIMAL31以及RSI-CB256这3个常用的遥感数据集对方法的有效性进行了测试,结果表明提出的方法在同数据集小样本分类任务和跨数据集小样本分类任务中,在分类精度方面均优于原型网络等比较方法。 相似文献
2.
建筑物群组模式的识别是建筑物综合的重要步骤,高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性,已成功地应用于建筑物的模式分析。然而,目前使用图卷积进行建筑物群组多模式识别的相关研究较少,且已有的图卷积大多基于谱域图卷积,对空间局部信息考虑不足。引入空间图卷积模型DGCNN(deep graph convolutional neural network)进行建筑物群组的多模式识别,首先聚类建筑物数据形成群组,并构建建筑物群组的几何模型;然后定义建筑物的特征向量,建立建筑物群组的图结构;最后将图结构输入DGCNN模型训练,得到建筑物群组模式。结果发现,该模型在训练集的精度达到97.60%,测试集的精度达到95%,优于谱域图卷积方法,能有效用于建筑物群组模式分类。 相似文献
3.
4.
现有的基于卷积神经网络的高光谱影像分类方法通常对影像的规则正方形区域进行卷积,无法普遍适应具有不同地物分布和几何外观的影像局部区域,因此在小样本情况下的分类性能较差,而图卷积网络能对图拓扑信息所代表的不规则影像区域进行卷积.为此,本文提出基于图卷积网络的高光谱影像分类方法.该方法在构建拓扑图的过程中考虑了影像的空间光谱信息,并利用图卷积网络聚合邻居节点的特征信息.在Pavia大学、Indian Pines和Salinas 3个数据集上的试验结果表明,该方法能在训练样本较少的情况下取得较高的分类精度. 相似文献
5.
多要素协同综合是制图综合重要的发展方向。针对当前居民地选取方法对道路网与居民地间地理关联性利用不够深入的问题,将居民地与道路网融合为整体,本文提出了一种复杂网络视角下的居民地选取方法。首先,整合居民地与道路网的几何信息、属性信息与拓扑信息,构建以居民地为节点、以交通通达关系为边的含权居民地网络;然后,评价目标居民地在局部网络中的居民地吸引能力与交通流控制能力,并加权求和获得综合重要性;最后,利用距离约束Delaunay三角网进行迭代选取。试验表明,本文方法能够兼顾居民地的密度特征与网络特征,选取结果与道路网结构吻合良好,较好地保持了道路网与居民地的地理关联性。 相似文献
6.
针对小比例尺道路网专题数据少、语义信息缺乏的特点,该文根据小比例尺道路网已有的语义几何属性和拓扑结构,构建一系列参数作为选取依据。将道路网选取抽象为分类问题,提出一种使用径向基函数神经网络和多参数进行道路网选取的方法。相比时下较常用的反向传播神经网络,径向基函数神经网络具有更高效的学习性能。利用径向基函数神经网络的非线性映射能力,对样本进行训练和验证,并选择不同结构类型(放射式、格网式和自由式)的道路网进行选取实验。结果表明,该方法在小比例尺道路网选取研究中具有可行性,且在自动获取选取参数的同时提高了选取精度。 相似文献
7.
8.
9.
城市道路中主要结构的识别在路网综合、多尺度路网建模、导航等方面起着关键作用。本文提出一种使用自组织映射(SOM:the Self-Organizing Map)网络来同时识别城市道路中多行道和立交桥的方法。首先计算道路网眼的几何形态特征指标,然后利用SOM对道路网眼进行分类,根据得出的网眼和道路的空间关系来提取路网中的主要结构。实验结果表明,该方法能有效地识别出城市道路中的多行道和立交桥。 相似文献
10.
道路网元胞的组成及其配置构成了特定的网络景观,受启发于元胞和景观格局中斑块的相似性,借鉴景观格局分析中的景观指数分析法,提出了一种城市道路网元胞模式分析的新方法——网络景观指数分析法。该方法基于道路类型生成不同类别的元胞,计算网络景观指数,并通过相关分析与因子分析挖掘主要因子,进而解释主要因子及代表指数在道路网模式分析中的含义。应用该方法计算了中国34个城市街道网络的24个指标,发现了4个主要因子:元胞的空间分布与多样性、元胞最大尺寸与延展性差异、元胞平均延展性和元胞平均尺寸与形状复杂度。反映到道路网中,描述了道路的集聚与分散特征、道路类型的多样性、道路网的规则程度等特征。 相似文献
11.
针对传统的遥感图像融合方法通常会引起光谱失真的问题和大多数基于深度学习的融合方法忽略充分利用每个卷积层信息的不足,本文结合密集连接卷积网络和残差网络的特性,提出了一个新的融合网络。该网络通过建立多个密集卷积块来充分利用卷积层的分级特征,同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的特征。该网络应用残差学习拟合深层特征与浅层特征之间的残差,加快网络的收敛速度。实验中利用GaoFen-1（GF-1）和WorldView-2/3（WV-2/3）的多光谱图像MS （Multispectral Image）和全色图像PAN（Panchromatic Image）（MS与PAN的空间分辨率之比为4）评估本文提出方法的有效性。从视觉效果和定量评估结果两个方面来看,本文方法得到的融合结果要优于所对比的传统方法和深度学习方法,并且该网络具有鲁棒性,能够泛化到不需要预训练的其他卫星图像。本文方法通过特征的重复利用实现了光谱信息的高保真并提高了空间细节分辨能力,有利于遥感图像的应用研究。 相似文献
12.
建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用。建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种。基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工处理过程。近年来兴起的深度学习特别是图卷积神经网络前期无需人工处理,因此提高了建筑物群组模式分析的自动化程度。传统的图卷积神经网络模型在训练深层网络时易出现退化问题,提取深层特征困难。为解决此问题,本文引入了图残差神经网络模型用于建筑物群组的模式分类。首先使用道路和河流等作为约束条件,利用K-means方法对建筑物进行聚类;然后根据Bertin视觉变量计算对应的建筑物特征指标,在每个建筑物群组中以建筑物质心为节点,连接节点的最小生成树作为边,构建建筑物群组图结构;最后将得到的图结构数据输入图残差神经网络进行训练,得到规则和不规则两种建筑物群组模式。试验结果表明,该模型较好地解决了传统图卷积神经网络模型的退化问题,并取得了更高的精度。 相似文献
13.
基于增强DeepLabV3网络的高分辨率遥感影像分类 总被引：1，自引：0，他引：1
由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题。鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型。首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果。试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度。 相似文献
14.
联合显著性和多层卷积神经网络的高分影像场景分类 总被引：3，自引：2，他引：1
高分辨率遥感影像中的场景信息,对于影像解译和现实世界的理解具有重要意义。传统的场景分类方法多利用中、低层人工特征,但是高分辨率遥感影像的信息丰富,场景构成复杂,需要高层次的特征来表达。本文提出了一种联合显著性和多层卷积神经网络的方法,首先利用显著性采样获取包含影像主要信息的有意义的块,将这些块作为样本集输入卷积神经网络中进行训练,获得不同层次的特征表达,最后联合多层特征利用支持向量机进行分类。两组高分影像场景数据UC Merced 21类和Wuhan 7类试验表明,显著性采样能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,相比已有方法,本文方法能够有效提高分类精度。 相似文献
15.
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
16.
Chengyi Liu Renjian Zhai Haizhong Qian Xianyong Gong Andong Wang Fang Wu 《Transactions in GIS》2023,27(3):752-776
Various geological factors shape drainage patterns. Identifying drainage patterns is a classic problem in topographical knowledge mining and map generalization. Existing rule-based methods rely heavily on the parameter settings of cartographers for drainage-pattern recognition. These methods effectively identify drainage patterns in specific areas but require manual parameter tuning to identify drainage patterns in other areas. Owing to the complexity of topological and geometric characteristics, drainage pattern recognition involves nonlinear problems, and it is difficult to build mapping relationships between characteristics and patterns using rule-based methods. Therefore, we proposed a data-driven method based on a graph convolutional neural network to avoid heavy reliance on human experience and automatically mine implicit relationships between characteristics and drainage patterns. First, six typical drainage patterns (dendritic, rectangular, parallel, trellis, reticulate, and fanned) were listed based on map specifications, and the unique characteristics of each drainage pattern were illustrated. Subsequently, the drainage graphs were constructed. The characteristics of the whole, local, and individual units in the drainage networks were quantified based on drainage vector data. Finally, an identification model was developed using graph convolution, self-attention pooling, and multiple fully connected layers for drainage pattern recognition. After training and testing, the accuracy of our model (0.801 ± 0.014) was better than that of the rule-based method (0.572 ± 0.000) and the traditional machine learning methods (less than 0.733 ± 0.016). The results demonstrate that the ability of our model to identify drainage patterns surpasses that of other methods. 相似文献
17.
针对传统路网采集和更新需要昂贵的实地测量以及大量的后续内业处理问题,提出了一种从大规模粗糙轨迹数据中自动生成路网的方法。该方法包含轨迹滤选和路网增量构建两步:第1步通过构建空间、时间、逻辑约束的规则模型,在消除数据中的噪音和冗余的同时,将原始轨迹进行合理分割,滤选形成规范轨迹集合;第2步基于信息熵计算轨迹点周围道路的复杂度,据此自动调节道路分割参数,不断将新产生的路段加入到路网,同时计算道路平均交通流量和速度等路况信息,遍历各规范轨迹的定位点重复以上处理过程,最终得到完整路网。通过昆明市200辆出租车采集的约6851万条轨迹数据进行路网构建试验,并与OpenStreetMap数据比较,证明了本文方法的有效性。与已有典型方法比较,本文方法能用更少节点提取更高质量的路网。 相似文献
18.
Huafei Yu Tinghua Ai Min Yang Jingzhong Li Lu Wang Aji Gao Tianyuan Xiao Zhe Zhou 《Transactions in GIS》2023,27(7):1898-1927
Deep learning is increasingly being used to improve the intelligence of map generalization. Vector-based map generalization, utilizing deep learning, is an important avenue for research. However, there are three questions: (1) transforming vector data into a deep learning data paradigm; (2) overcoming the limitation of the number of samples; and (3) determining whether existing knowledge can accelerate deep learning. To address these questions, taking river network selection as an example, this study presents a framework integrating hydrological knowledge into graph convolutional neural networks (GCNNs). This framework consists of the following steps: constructing a dual graph of river networks (DG_RN), extracting domain knowledge as node attributes of DG_RN, developing an architecture of GCNNs for the selection, and designing a fine-tuning rule to refine the GCNN results. Experiments show that our framework outperforms existing machine learning and traditional feature sorting methods using different datasets and achieves good morphological consistency after the selection. Furthermore, these results indicate that DG_RN meets the data paradigm of graph deep learning, and the framework integrating existing characteristics (i.e., Strahler coding, the number of tributaries, the distance between proximity rivers, and upstream drainage area) mitigates the dependence of GCNNs on plenty of samples and enhance its performance. 相似文献
19.
受成像光谱仪性能与复杂地物分布的影响,高光谱图像存在大量的混合像元。传统的基于学习的混合像元分解方法通常都是浅层模型,或缺少对空间、光谱信息的综合应用。本文提出一种多维卷积网络协同的混合像元分解深层模型,采用多种维度卷积网络能更充分利用多种维度语义信息,有利于估计小样本和高维的高光谱图像混合像元丰度。对训练数据进行增广处理,构建光谱维、空间维和立方体3种卷积神经网络;设计了融合层,协同3种卷积神经网络提取特征,“端到端”的估计混合像元丰度值;模型使用了批量归一化、池化和Dropout方法避免过拟合现象。试验结果表明,多维卷积网络协同方法的引入能更有效地提取空-谱特征信息,与其他的卷积网络解混模型相比,估计的混合像元丰度精度有显著提高。 相似文献
20.
针对复杂网络模型被广泛应用于道路选取的研究中,少有方法顾及道路网对偶图中多级邻居节点的影响,导致对道路的重要性评价缺乏准确性和可靠性的问题。该文将道路网对偶图节点的结构特征值视作质量,将节点间的最短距离视作距离,结合引力场方程实现道路自动选取,较好地将道路网对偶图中多级邻居节点的影响纳入到道路重要性的计算中,从而实现对道路重要性的准确评估。通过对兰州市城关区的路网进行实验,结果表明本文方法所选取的路网较好地保持了原始道路网的整体结构、覆盖范围、密度分布、拓扑特征和连通性。 相似文献