共查询到10条相似文献，搜索用时 93 毫秒
1.
针对农村道路裂缝识别中存在训练样本数量少、场景单一、提取结果不准确等问题,本文首先依托辽宁省多年份实测道路图像数据,构建具有多种类、多场景的路面裂缝数据集(PCDs),以ResNet50为编码器、SegNet为解码器,构建路面裂缝图像识别模型Res-SegNet,通过增大卷积核的大小获取更丰富的裂缝信息,使用Focal Loss损失函数,令模型更专注困难样本。然后采用分块预测方法提升裂缝在图片中的占比,使图片预测更加精细。最后通过网络模型和预测方法进行对比试验。结果表明,使用Res-SegNet识别PCDs的测试集,在不同的场景中F值为0.691,使用Res-SegNet结合分块预测识别PCDs的测试集,在不同的场景中F值达0.753。 相似文献
2.
3.
4.
针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析。结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级。该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考。 相似文献
5.
《武汉大学学报(信息科学版)》2020,(2)
地图在人们的生产生活中发挥着重要作用,地图注记中蕴含大量信息,识别地图名称注记类别对未来计算机阅读地图以及进一步绘制地图具有重大意义。近年来,热门的深度学习技术尤其是卷积神经网络对解决图像分类问题具有良好效果,使用训练集对卷积神经网络进行训练,神经网络模型可以提取出数据集图片中的特征,并不断调整模型参数直到训练完成。以谷歌的开源框架TensorFlow作为实验的深度学习平台,对多部地图集的多份注记数据集进行智能分类研究,从地图集中人工获取注记图片作为样本数据集,构建卷积神经网络模型并尝试混合训练和分开训练两种方式。实验表明,混合训练方式获得的模型表现更加出色。 相似文献
6.
针对当前矢量地图导航缺乏真实环境信息,而视觉地理定位依赖海量图像标注数据的问题,提出了一种面向虚实融合的单体建筑物实时识别与定位方法。该方法以智能手机为载体,利用轻量级深度网络SSD（single shot detector）实时检测手机视频流中的建筑物对象类别,通过调用手机内置传感器获取当前定位信息与拍摄视角,并以矢量地图信息为辅助,在仅需识别出建筑物类别的情况中,准确获得单个建筑物的属性与定位信息,并与矢量地图进行叠加可视化,最终达到真实地理环境与矢量地图融合的增强导航。随机采集了550张建筑物图像,经过处理标注后作为训练标签,在计算机上训练SSD的建筑检测功能并且进行验证;将训练好的SSD网络模型迁移到移动端,结合地理围栏方法与手机传感器开发可识别建筑单体信息的增强导航系统,将系统部署在手机上进行测试。实验结果表明,该方法可充分利用矢量地图与实景图片的互补信息,在仅需少量建筑物标注样本的情况下,实现单体建筑物信息增强的手机端地图导航,有效缓解了矢量地图定位不够直观的问题。 相似文献
7.
黄龙 《测绘与空间地理信息》2017,40(11)
快速挖掘互联网问题地图是互联网地图监管工作中的重要环节,本文针对互联网地图图片数据量巨大、难以搜寻的难点,研究实现了一种基于问题地图样本库的以图搜图搜索引擎快速挖掘互联网问题地图图片的方法。试验表明,该方法大大缩短了挖掘的时间,在保障匹配准确率的同时也表现出更高的效率。 相似文献
8.
地图数字注记识别的神经网络方法 总被引：1，自引：0，他引：1
讨论了基于径向基函数网络（RBFN）的地图数字注记识别问题。在分析了网络结构和训练算法的基础上,用地回扫描数据进行了识别实验。结果表明,本文提出的方法用于地图数字注记识别是非常有效的。 相似文献
9.
针对遥感图像类内差异性大、类间相似性高引起遥感图像分类不准确问题，该文提出了一种基于残差网络50(ResNet50)结合改进双重注意力机制方法。该方法先对双重注意力机制进行改进；然后对ResNet50结构进行调整；再将改进的双重注意力机制结合调整后的ResNet50在常用基准航空影像数据上进行实验，并与ResNet50进行对比实验。最后，通过ResNet50、ResNet50+Attention、调整ResNet50+Attention、该文模型进行消融实验，验证该文提出方法的有效性。实验结果表明，该文提出的方法与ResNet50相比，在分类精度上和召回率上分别提高了3.83%和4.02%。 相似文献
10.
传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低.针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后,利用经过初步训练的网络对未标记数据进行预测,得到未标记样本的预测标签及其对应的置信度;最后,将具有高置信度的未标记样本作为真实标记数据加入到训练集中,继续对网络进行训练并重复上述过程.为验证算法的有效性,本文在3个常用数据集上进行试验,试验结果证明本文算法可以有效提高有限样本下高分影像场景分类精度. 相似文献