共查询到20条相似文献，搜索用时 34 毫秒
1.
针对瞄准遥感智能解译样本稀缺这一基础性问题,本文研究涵盖山水林田湖草自然资源要素的遥感解译样本分类体系、采集与清洗、建库与利用方法,构建分布均匀、种类齐全、涵盖不同地物类型及观测尺度的遥感解译样本库,形成国产高分辨率卫星遥感信息提取与变化检测自动化、智能化业务支撑能力,服务自然资源监测监管及相关行业应用。 相似文献
2.
面对自然资源遥感监测体系建设和省级基础测绘重点要素年度更新需求,本文以地理国情地表覆盖为主要参考数据,提出了省域遥感解译样本库的建设方法。首先制定了适用于深度学习的甘肃省自然资源遥感解译样本分类体系和顾及地学知识的样本选取标准,据此构建了囊括不同尺度单元的全要素、单要素和变化检测3类样本数据集;然后基于自主研建的甘肃省遥感解译样本库平台,构建了从样本采集、模型训练、智能解译到质量评估的全链路技术体系。试验结果表明,面向不同尺度区域,地物提取准确率达90%,变化检测准确率达74%,实现了地表要素从粗粒度到细粒度的自适应解译。研究成果在甘肃省省级基础测绘更新、城市国土空间监测及非农化监测等领域进行了业务化应用,提高了自然资源管理精准化和智能化水平。 相似文献
3.
我国遥感对地观测等项目顺利实施,获取了大量时效性强、覆盖范围广、信息量丰富的遥感数据.但遥感影像智能化自动处理技术发展仍相对滞后,无法满足区域/全球大范围地物信息快速提取的需求.近年来,人们利用深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足.本文面向大范围多源遥感影像地物信息智能解译需求,在分析现有样本集现状及问题的基础上,研究提出遥感影像智能解译样本库设计方案,并在此基础上设计了基于互联网的样本协同采集与共享服务框架.本文将为多源遥感影像样本库建设提供参考,为大范围遥感影像智能解译提供支持. 相似文献
4.
在遥感大数据时代,遥感影像智能解译是挖掘遥感大数据价值并推动若干重大应用的关键技术,如何将知识推理和数据学习两类解译方法有机联合已成为遥感大数据智能处理的重要研究趋势。由此提出了面向遥感影像解译的遥感领域知识图谱构建与进化方法,建立了顾及遥感成像机理和地理学知识的遥感领域知识图谱。在遥感领域知识图谱支撑下,以零样本遥感影像场景分类、可解释遥感影像语义分割以及大幅面遥感影像场景图生成3个典型的遥感影像解译任务为例,研究了耦合知识图谱和深度学习的新一代遥感影像解译范式。在零样本遥感影像场景分类实验中,所提方法在不同的可见类/不可见类比例和不同的语义表示下,都明显优于其他方法;在可解释遥感影像语义分割实验中,知识推理与深度学习的联合方法取得了最好的分类结果;在大幅面遥感影像场景图生成实验中,知识图谱引导的方法精度明显高于基准的频率统计方法。遥感知识图谱推理与深度数据学习的融合可以有效提升遥感影像的解译性能。 相似文献
5.
遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。 相似文献
6.
精灵4 RTK无人机搭载的相机配备1英寸2000万像素,支持0—90°俯仰角拍摄,可满足地理国情遥感解译样本拍摄要求.基于精灵4 RTK无人机拍摄遥感解译样本,不但可以解决不可到达区域样本拍摄问题,而且能自定义飞行拍摄模式,实现了遥感解译样本拍摄自动化、智能化,丰富了遥感解译样本数据的获取手段,大大提高了遥感解译样本采集效率.本文基于无人机拍摄技术,结合遥感解译样本数据采集中的应用场景,提出了一种便携、智能的遥感解译样本采集方法,可为地理国情监测遥感解译样本采集提供技术支撑. 相似文献
7.
针对第一次全国地理国情普查质量检验过程中发现的遥感影像解译样本数据的质量问题,如遥感影像解译样本缺少典型性、地面照片拍摄不符合技术规程、影像实例数据结构异常等系统性质量问题,以及解译样本采集中存在操作不规范、样本采集主观影响较大等主观性质量问题,该文分析了影响遥感影像解译样本质量的关键生产要素、环节与原因等,提出了全过程的生产质量控制方法,给出了提高遥感影像解译样本过程的质量控制措施。该研究提出的基于全过程质量控制体系新需求,以解决质量问题为导向的生产质量控制方法,可以提升遥感影像解译样本质量,并为今后相关工程项目生产过程的质量控制提供借鉴。 相似文献
8.
自然资源要素解译是自然资源调查监测工作中最基础、投入工作量最大、技术难度最高的工作,存在可解译类别少、要素边界不准不全、类别属性可靠性不高等诸多挑战。本文从自然资源调查监测应用场景出发,首先从要素解译到场景要素耦合的解译范式、数据驱动到知识驱动的解译方法、人工目视到人机协同的解译手段3个方面阐述了自然资源要素自动解译的研究进展;然后探讨了6个重点研究方向及其研究内容,包括场景要素耦合解译、知识驱动语义理解、人机协同智能解译、内外一体与三维环境解译、关键参数精准计算与定量反演,以及高可信质量控制与真实性验证;最后进行了总结与展望,以期为自然资源要素智能解译研究提供思路,推动解决困扰遥感影像自动解译方法在自然资源调查监测业务应用中的瓶颈问题。 相似文献
9.
面向遥感大范围应用的目标,自动化程度仍是遥感影像分类面临的重要问题,样本的人工选择难以适应当前土地覆盖信息自动化提取的实际应用需求。为了构建一套基于先验知识的遥感影像全自动分类流程,本文将空间信息挖掘技术引入到遥感信息提取过程中,提出了一种面向遥感影像对象级分类的样本自动选择方法。该方法通过变化检测将不变地物标示在新的目标影像上,并将过去解译的地物类别知识迁移至新的影像上,建立新的特征与地物关系,从而完成历史专题数据辅助下目标影像的自动化的对象级分类。实验结果表明,在已有历史专题层的图斑知识指导下,该方法能有效地自动选择适用于新影像分类的可靠样本,获得较好的信息提取效果,提高了对象级分类的效率。 相似文献
10.
11.
12.
针对深度学习样本制作技术稀缺以及样本复用性差等问题,本文围绕自然资源督察业务、测绘生产项目等需求,面向深度学习算法和模型,基于多源多时相卫星遥感影像,结合已有地理国情监测数据、基础地理信息数据等资料,对水体、林地、推填土等典型自然资源要素,开展了遥感影像处理、样本数据制作、质量控制、成果入库等方面的技术研究,初步建立了一套面向深度学习的遥感影像样本库建设技术体系,有效促进了样本数据的统一管理、重复利用和动态更新。 相似文献
13.
影像分类技术是遥感影像分析与解译的重要基础。纹理特征是影像的重要特征,本文主要实现基于纹理特征的遥感影像监督分类。首先对地物样本进行提取,通过样本训练统计各类地物纹理特征向量,建立纹理特征库;然后以各类地物的特征向量作为基准,采用最短距离分类器对影像进行分类;最后采用混淆矩阵对分类结果进行精度评定,并与ERDAS专业软件分类结果进行对比分析。实验证明,本分方法取得了与ERDAS软件相当的分类效果,从而验证本文方法的可靠性。 相似文献
14.
遥感解译标志建立思路研究 总被引：1，自引：0，他引：1
针对地理国情普查与监测中遥感解译工作量大、解译难度高,解译工作人员不可能逐一实地核实每一个图斑的具体问题,提出了建立遥感解译标志库辅助作业人员解译的思路,以国情普查遥感解译样本数据库的建立为例,建立遥感影像解译样本标志库,方便遥感解译人员进行准确解译。 相似文献
15.
高空间分辨率、高光谱分辨率、大幅宽与大数据量是高光谱卫星数据发展趋势,传统高光谱影像的像素级分类面临难以处理海量数据、无法高效获取复杂海量影像中隐含信息的困境。已有研究开始关注高光谱影像的场景级分类,并逐步建立完善高光谱遥感场景分类数据集。然而,目前的数据集制作过程多参考高空间分辨率可见光遥感场景数据集的制作方法,主要采用遥感影像的空间信息进行场景类别解译,忽视了高光谱场景的光谱信息。因此,为构建高光谱影像的遥感场景分类数据集,本文利用“珠海一号”高光谱卫星拍摄的西安地区高光谱数据,使用无监督光谱聚类辅助定位、裁剪与标注待选场景样本,结合Google Earth高分影像进行目视筛选,构建6类场景类型和737幅场景样本的珠海一号高光谱场景分类数据集。并基于光谱与空间两个视角开展场景分类实验,通过视觉词袋、卷积神经网络等方法的基准测试结果,对不同算法在现有多光谱和高光谱遥感场景分类数据集下的性能进行深入分析。本研究可为后续的高光谱影像解译研究提供了有力的数据支撑。 相似文献
16.
高分辨率遥感影像中的场景信息,对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。本文提出一种基于PCAnet的高分影像场景分类算法,无监督地逐级提取深层特征。首先,利用显著性探测算法获取显著图,根据显著区域,采样具有代表性的影像块作为初始样本集;然后,将样本集输入到PCAnet中进行特征提取;最后,利用支持向量机(SVM)进行分类。高分影像场景数据UC Merced 21类实验表明,与已有方法相比,本文方法能够有效地提高分类精度。 相似文献
17.
18.
遥感影像精准解译是遥感应用落地的核心和关键技术.近年来,以深度学习为代表的监督学习方法凭借其强大的特征学习能力,在遥感影像智能解译领域较传统方法取得了突破性进展.这一方法的成功严重依赖于大规模、高质量的标注数据,而遥感影像解译对象独特的时空异质性特点使得构建一个完备的人工标注数据库成本极高,这一矛盾严重制约了以监督学习为基础的遥感影像解译方法在大区域、复杂场景下的应用.如何破解遥感影像精准解译"最后一千米"已成为业界亟待解决的问题.针对该问题,本文系统地总结和评述了监督学习方法在遥感影像智能解译领域的主要研究进展,并分析其存在的不足和背后原因.在此基础上,重点介绍了自监督学习作为一种新兴的机器学习范式在遥感影像智能解译中的应用潜力和主要研究问题,阐明了遥感影像解译思路从监督学习转化到自监督学习的意义和价值,以期为数据源极大丰富条件下开展遥感影像智能解译研究提供新的视角. 相似文献