共查询到20条相似文献，搜索用时 78 毫秒
1.
2.
常用的人工判读方式需要耗费大量的人力资源,成本高且周期长。针对这些问题,基于视觉Transformer的深度学习网络模型对成都市重点区域开展典型地物要素分类,智能提取耕地、林地、道路、大棚、水体等8类地物的分布情况,并通过规则化算法对建筑提取结果进行优化。实验结果表明该方法的分类精度达到84.25%,较U-Net、HRNet、DeeplabV3+分类精度更高,且对成都市约6 400 km2重点区域的分类时间约为2 h,具有较高的精度和效率,能够辅助成都市高效率、大范围、高频次的监测重点区域地物。 相似文献
3.
改进的HRNet应用于路面裂缝分割与检测 总被引：1，自引：0，他引：1
针对利用传统卷积神经网络进行路面裂缝分割时存在准确率低、信息丢失及边缘模糊的问题,本文提出了基于改进HRNet模型的路面裂缝分割算法。模型在原始HRNet的基础上进行改进,主干网络部分采用DUC模块代替双线性插值上采样;下采样改为passthrough layer代替原始卷积;在模型解码部分,进行逐级上采样的同时引入SE-Block,对不同特征层的融合重新标定权重。通过与原始HRNet及传统卷积神经网络U-Net对比可知,本文算法在公共数据与自制数据集上的分割精度表现优秀,F1分值分别达到了91.31%和78.69%,可以很好地满足实际工程的需求。 相似文献
4.
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
5.
高分辨率遥感影像中耕地特征复杂，人工目视解译和传统的遥感影像分类方法提取能力有限，无法实现大范围的自动化高精度耕地提取。深度学习技术因具有较强的地物表达能力，在遥感影像信息自动提取方面表现出了优越的性能，为大范围耕地的精细化自动提取提供了新的思路。探究不同典型网络模型在不同景观特征耕地提取上的适用情况对耕地提取质量和效率的提升具有重要意义。基于此，本研究以高分一号及高分二号融合的2 m分辨率数据为数据源，采用改进的金字塔场景解析网络MPSPNet(Modified Pyramid Scene Parsing Network)和UNet网络模型，应用于山东省的耕地精细自动化提取，并与传统面向对象的方法对比，探究两种深度卷积神经网络模型在大尺度耕地自动提取中的适用性。研究获得以下结论：（1） MPSPNet模型和UNet模型在区/县尺度的耕地提取上性能优于传统的面向对象的分类方法，在全省尺度的耕地提取上总体精度优于90%且无明显差异。（2）耕地景观特征是影响两模型耕地提取效果的重要因素，模型的选择对耕地提取效果无明显影响。在耕地景观指数较低的地块规则平整的区域，模型提取效果较好，在耕地景观... 相似文献
6.
基于FC-DenseNet的低空航拍光学图像树种识别 总被引：1，自引：0，他引：1
使用低空遥感图像进行图像识别为森林调查和监测提供了新的技术契机。基于无人机低空航拍光学图像,以福建省安溪县崩岗区为研究区,建立FC-Dense Net模型进行树种识别。首先,利用Dense模块提取树种图像特征并增强深层网络信息,透过下采样模块降低图像维度,凸显图像的纹理特征和光谱特征;然后,使用上采样模块还原预测图至原始图像大小,并融合浅层Dense模块信息的丰富特征;最后,采用Softmax分类器实现像素分类,完成树种识别。结果显示,基于低空航拍光学图像,FC-Dense Net模型能够准确区分植被与非植被,定位其空间分布特征,其中,FC-Dense Net-103模型的二分类识别精度为92. 1%,表明FC-Dense Net模型加深网络深度后具有较好的识别效果;将植被与非植被细分为13类,FC-Dense Net-103模型的平均识别正确率达到75. 67%。研究结果表明,基于低空航拍光学图像建立的FC-Dense Net模型具有较高的树种分类精度。由于低空航拍光学图像的成本较低,数据获取费用小,时间周期短,可便于森林资源调查和森林树种检测,为深度学习在树种识别领域的应用提供了新思路。 相似文献
7.
及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet（Cropland Extraction UNet）模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet_m）、基于UNet和单时相高分辨率影像的语义分割（UNet_s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21,相较于UNet_m和UNet_s分别提升了0.04和0.11,其中针对地块破碎,景观异质性高等区域,CEUNet相较于UNet_m和UNet_s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势,两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。 相似文献
8.
国产高分辨率卫星影像云检测方法分析 总被引：1，自引：1，他引：0
云检测方法大都针对特定的传感器或依赖多个波段,对参数要求高,而国产高分辨率卫星影像通常包含波段数较少,多数云检测方法不适用。本文采用深度学习的方法,以融合后的高分一号影像为例,应用基于双重视觉注意机制模型进行云检测,并与人工采集、全卷积网络模型的检测结果进行对比。理论分析和研究结果表明：基于双重视觉注意机制的模型云检测结果与人工采集进行对比,正确率为0.986 4;通过增加云样本数量和非云样本数量可有效解决模型对道路、河流、居民地的误检测问题;基于双重视觉注意机制的模型与全卷积网络模型相比,云边界更为准确,模型适用性更强。利用较少的波段信息进行云检测为国产其他高分辨率卫星影像云检测提供了参考。 相似文献
9.
由于无人机影像具有空间分辨率高、机动性强、成本低等优点,在智慧农业中可以用来监测各种特征信息的变化。为了进一步提高农业大棚识别精度,提出基于Segformer解码器改进的DE-Segformer模型。其中,通过特征整合模块融合高层语义信息,实现对多尺度特征图隐式特征的深度挖掘;通过反卷积上采样模块实现对影像空间细节的准确还原表达。以潍坊-黄岛沿线为研究区开展实验,DE-Segformer的总体精度和交并比分别为0.979和0.957,与Segformer相比分别提高0.013和0.028,且锯齿问题得到明显缓解。消融实验证明设计的两个模块均起到积极作用,联合使用可达到最大精度。为实现无人机影像农业大棚的精细分割,以及基于Transformer的语义分割模型在遥感信息提取中的工程化应用提供参考。 相似文献
10.
基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN（Deep Convolutional Neural Networks）,获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。 相似文献
11.
针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题，尝试以UNet++网络为基础，通过将编码器的标准卷积及最大池化替换成深度可分离卷积，以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能，并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性，以经过数据增强预处理的WHU和Massachusetts数据集作为数据源，对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估，并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势，能够在大幅压缩模型参数量的前提下，显著提升建筑物提取精度，提取建筑物的边界更加平滑和精确，对不同尺度的建筑物表现出较强的泛化能力。 相似文献
12.
《测绘科学技术学报》2020,(1)
传统的基于光谱相似性的分割方法无法将具有相似光谱特性的不同地物分割开来,并且会存在错分现象。利用深度学习直接进行三类地物的分割,其分割效果不能满足实际要求。本文改进了最新的UNet++模型,提出一种将三分类分割问题分解成两个二分类分割的方法来提高分割精度。首先将三类别样本制作为两个单类别样本;其次分别训练二分类网络,在测试集上将二分类结果输出为0～100之间的概率;最后将二分类结果按概率融合为三分类。实验结果表明,改进的UNet++模型精度有显著提升,同时将三分类化为二分类算法的分割结果,其各项评估指标也均有提升,平均交并比MIoU、平均精确度MP、平均召回率MR和平均像素精度MPA分别提高了0.3%、1.8%、1.5%和4.5%。 相似文献
13.
城市作为高密度建筑区域,在较小范围内有大量结构相似的建筑紧密分布。当前从高分辨率图像中准确检测建筑仍然是一个挑战,本文受边缘检测网络启发,提出一种强化边界精度的建筑物提取新方案,根据建筑物及边界特点改进深度网络,结合自下而上分组的分水岭分割提高分类精度和建筑边界的准确度。首先对数据预处理,生成建筑边界和建筑分割线两类辅助标签;改进性能较优的建筑检测框架ICT-Net网络,修改网络结构和损失函数,针对两类辅助标签,强化边界影响,提高网络性能;最后对网络预测结果应用结合分水岭分割和梯度提升回归树的后处理,实现高精度的建筑提取。结果表明,数据预处理、改进深度学习算法可提高建筑检测像素精度IOU（Intersection over Union）约1%。后处理能充分利用网络输出的概率信息,有效优化建筑边界,在网络预测结果的基础上提高建筑实例召回率10.5%。本文方案与原始的ICT-Net网络相比,提高建筑实例召回率22.9%。 相似文献
14.
基于改进U-Net网络的遥感图像云检测 总被引：1，自引：0，他引：1
为了解决U-Net模型应用于云检测时对碎云和薄云存在漏检的问题,本文提出了一种改进的U-Net网络模型,并应用于FY-4A数据进行云检测。首先,利用国家气象卫星中心提供的云检测产品生成二分类云标签;其次,将U-Net模型的编码器与残差模块相结合,使得网络参数共享,并避免深层网络的退化问题;最后,在解码器中融入密集连接模块,将浅层特征与深层特征进行连接,便于获取新的特征,并提高特征使用率。试验结果表明,模型在测试集上的IOU值和Dice系数分别为91.5%和95.2%,可以很好地检测出薄云及大量碎云,效果明显优于U-Net模型。 相似文献
15.
基于主动学习和空间约束的高光谱影像分类 总被引：1，自引：0，他引：1
高光谱影像具有数据量大、波段数多和信息冗余等问题,其分类一直是目前的一项研究热点。针对高光谱影像分类存在的问题,本文提出了一种利用主动学习和空间约束的高光谱影像分类方法。首先利用样本的先验分布状态建立样本的置信度模型,迭代选择最有"价值"的样本扩充训练样本库,以此训练最优的支持向量机分类器对高光谱影像进行分类,然后利用马尔科夫随机场(Markov Random Fields,MRF)引入空间信息,优化分类结果。文中在Indian Pines数据集上验证提出方法的有效性。实验结果表明,本文提出的方法通过样本的先验信息训练最优的SVM模型,能够有效地分类不同地物,总体分类正确率达到88%以上。 相似文献
16.
为了提高基于高空间分辨率遥感影像的建筑物震害损毁评估精度,引入深度卷积神经网络(deep convolutional neural network,DCNN)模型,提出一种利用DCNN全连接层特征结合支持向量机(support vector machine,SVM)进行遥感影像建筑物震害损毁区域检测的方法。首先,利用神经网络前馈方式从DCNN全连接层提取训练样本和待检测区域的特征;然后,基于样本训练SVM分类器;最后,对待检测区域的所有区块进行分类预测和投票确定是否损毁。以2010年海地地震遥感影像为例,建筑物损毁检测正确率可以达到89%,相比于传统的特征提取方法正确率提高了4%。实验结果表明该方法在建筑物震害损毁检测方面具有一定的应用潜力。 相似文献
17.
中国蔬菜产业规模大、产值高,是促进农民增收和农村农业经济发展的支柱产业。快速准确地获取区域尺度蔬菜种植结构信息对于农业现代化、自动化和精细化等具有重要意义。无人机高光谱遥感技术具有快速机动灵活和“图谱合一”的优势,在作物精细分类中具有广泛应用前景。然而蔬菜作物种植规模差异大、农业景观破碎度高,同时还受地膜、大棚和防鸟网覆盖等影响,无人机高光谱图像易产生严重的混合光谱效应,给蔬菜作物精细分类带来了极大的挑战。针对此问题,本研究以湖南省农科院高桥科研基地蔬菜种植区为例,获取无人机高光谱图像,探索采用支持向量机和深度学习方法对不同蔬菜作物进行精细分类。研究结果表明：基于无人机高光谱遥感数据,可以实现不同覆盖背景下的蔬菜作物精细分类;两大分类方法的平均总体精度分别为78.03%和90.75%,平均Kappa系数分别为0.7359和0.8887,相较于支持向量机方法,基于深度学习的分类方法获得的精细分类效果更加理想,三维卷积神经网络和引入注意力机制的卷积神经网络可以有效提取图像中的光谱—空间特征信息,在蔬菜作物精细分类中体现出更好的分类效果;蔬菜作物在大尺度地块上空间纹理特征明显,而在小地块尺度... 相似文献
18.
遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。 相似文献
19.
针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。 相似文献
20.
随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。 相似文献