共查询到20条相似文献，搜索用时 125 毫秒
1.
本文探讨了深度学习在航空影像密集匹配中的性能，并与经典方法进行了比较，对模型泛化能力进行了评估。首先，实现了MC-CNN（matching cost convolutional neural network）、GC-Net（geometry and context network）、DispNet（disparity estimation network）3种代表性卷积神经元网络在航空立体像对上的训练和测试，并与传统方法SGM（semi-global matching）和商业软件SURE进行了比较。其次，利用直接迁移学习方法，评估了各模型在不同数据集间的泛化能力。最后，利用预训练模型和少量目标数据集样本，评估了模型微调的效果。试验包含3套航空影像、2套开源街景影像。试验表明：①与传统的遥感影像密集匹配方法相比，目前深度学习方法略有优势；②GC-Net与MC-CNN表现了良好的泛化能力，在开源数据集上训练的模型可以直接应用于遥感影像，且3PE（3-pixel-error）精度没有明显下降；③在训练样本不足时，利用预训练模型做初值并进行参数微调可以得到比直接训练更好的结果。 相似文献
2.
全面识别和发现地质灾害隐患,已成为我国地质灾害防治的重大实际需求。目前,基于InSAR技术和深度学习相结合用于广域尺度下地质灾害隐患智能识别应用效果与适用性还需要进一步探索与研究。本文基于Stacking InSAR技术获得地表形变相位数据,利用深度学习检测识别正在变形的滑坡隐患位置与分布,确定显著性形变区边界,探索将上述技术方法推广到一定的广域范围和动态更新数据集。结果显示,测试数据集显著性形变区平均识别精度为0.69,召回率为0.67,F1 score为0.67,动态更新数据集识别精度为0.85,召回率为0.58,F1 score为0.68。研究表明,本文方法在广域地灾隐患识别中具有应用可行性,可为地质灾害监测预警提供理论基础与技术支撑。 相似文献
3.
针对现有方法检测无人机目标时精度与泛化能力不足,提出一种基于回归的多目标检测方法.使用密集连接增强层间信息传递,添加批量再规范化(Batch Renormalization,BRN)层加速模型训练,降低样本分布不均而导致的精度偏低,使用密集连接结构聚合上采样层不同层信息.以开源数据集Vision Drone为基础建立优化数据集训练模型.结果表明,提出模型检测精度达89.57％平均精度均值,相比(You Only Look Once v3,YOLOv3)模型和(Region Full Convolutional Network,R-FCN)分别提高6.53％和3.11％,检测速度达27每秒传输帧数,在不同场景表现稳定. 相似文献
4.
近年来，随着三维计算机视觉的发展，三维点云深度学习方法得到越来越多学者的关注。然而，目前大多数三维点云深度学习方法仅在标准数据集上进行精度和性能评估，这些方法在设计过程中通常会根据特定数据集设定特定的学习策略以达到最佳点云分类精度，从而影响模型的泛化能力。在三维点云深度学习方法的遥感应用中，往往会出现诸如复杂的网络模型方法并不一定取得更好的数据处理精度，以及原始网络模型学习策略并不一定获得最优结果等问题。对此，为了探究学习策略对三维点云深度学习方法在实际遥感应用的影响，文中以机载多光谱LiDAR点云分类应用为例，以深度学习经典模型PointNet++为主，在分析当前学习策略的基础上构建一套较为通用的深度学习策略，以提高点云分类精度的稳定性和鲁棒性。机载多光谱LiDAR点云分类实验表明，学习策略对于点云分类精度影响不容忽视，学习策略的调整可以有效地提高模型对海量三维点云分类能力。 相似文献
5.
针对当前立面窗户重建存在的精细结构缺失、标注数据获取困难、迁移学习精度不高的问题,提出了一种基于生成对抗网络(GAN)的半监督精细窗户结构识别方法。该方法使用纹理影像进行信息提取,基于半监督学习的方式,从大量无标签数据中构建生成对抗网络模型,提升了模型的泛化能力和抗干扰能力。实验表明,本文方法可以明显提升小样本下建筑立面窗户的种类识别精度和参数回归精度,应用于实际建模之中也取得了良好的效果。 相似文献
6.
7.
为利用已有标注的影像数据集实现对未标注遥感影像的语义分割,提出一种对抗域适应的方法。首先在生成对抗网络的基础上,利用基于香农熵的不确定图,进行域间的对抗学习,实现已标注的影像(源域)与未标注的影像(目标域)之间的迁移学习;其次为进一步提升模型的无监督学习能力,使用基于伪标签提纯的自学习策略。为验证所提方法的有效性,使用ISPRS提供的IRRG波段的Vaihingen数据集与RGB波段的Potsdam数据集进行实验。实验结果表明,与典型的域适应方法相比,该方法可以有效地提升网络的泛化能力,进而提高模型在目标域上的分割精度。 相似文献
8.
为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets (SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。 相似文献
9.
近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4) DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。 相似文献
10.
针对传统的轨迹身份识别存在的特征选择主观性强、精度有限等问题,本文提出了一种融合双向循环神经网络模型(ConvGRU-Bidir)。首先采用一维卷积和一维池化压缩轨迹数据,提取高维特征;然后采用双向GRU,分别从时间正序和时间逆序学习轨迹特征,最终实现用户身份ID识别。研究采用GeoLife轨迹数据集,来自122名用户的10837个轨迹样本参与模型训练及测试。结果表明,本文提出的模型对于异步轨迹数据的身份识别精度达97.28%,相比现有方法精度至少提高30%,由此证明了深度学习在此类问题上的可行性和有效性。 相似文献
11.
中国的城镇化加快了地下空间大规模开发与利用的进程。摸清地下空间目标的分布状况,保障城市可持续发展和地下空间资源的永久利用,是维护未来城市安全中的重要任务。探地雷达(GPR)凭借其数据采集速度快、成像分辨率高、无损检测等优点在地下空间资源调查中得以广泛应用。但仍存在GPR数据地下目标识别不准确、自动化程度低等缺陷,自动检测GPR数据中的地下目标或目标缺陷仍然是一个亟待解决的难题。为此,本文分析并确定了GPR影像中可进行识别的城市道路地下空间的7类典型目标(如雨水井、电缆等)。并根据其反射信号特征,标记了GSSI SIR30设备以400 MHz波段采集的GPR数据中的典型地下目标,构建了GPR地下目标样本库,共包含7类总数为3033个。通过迁移学习的方法,精调预训练后的Darknet53网络参数,通过端到端的YOLOV3检测方法完成地下目标的自动识别与定位。最后,利用深圳福田区彩田路GSSI SIR30装备以400 MHz波段采集的GPR数据进行试验验证。试验结果表明,本文提出的基于深度学习的地下目标探测方法对城市典型地下目标的检测精度和召回率达到85%以上,检测速度达到了16帧/s,能够有效探测GPR数据中的城市地下目标。 相似文献
12.
遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。 相似文献
13.
针对当前地址匹配方法严重依赖分词词典、无法有效识别地址中的地址元素及其所属类型的问题,提出了使用深度学习的中文地址解析方法,该方法能够对解析后的地址进行标准化和构成分析以改善地址匹配结果。通过对地址的不同词向量表示及不同序列标注模型的对比评估,结果表明,使用双向门递归单元和双向长短时记忆网络对中文地址解析差别较小,稀疏注意力机制有助于提高地址解析的
14.
针对即时定位与地图构建(SLAM)在室内动态环境下定位精度低和地图效果差的问题,提出一种基于几何约束和目标检测的室内动态SLAM方法. 使用目标检测网络获取语义信息,提出运动物体漏检的方法;根据先验知识,提出准确识别动态区域的信息判定方法;结合几何约束和深度学习方法剔除动态点,利用静态点估计相机位姿;根据存储信息构建可闭环的静态地图. 在TUM数据集上进行实验,定位精度比ORB-SLAM2提高97.5%,相较于其他动态SLAM可取得更好的性能. 在室内真实环境进行实验,构建的静态地图更准确,有效提高了室内动态SLAM的定位精度和地图效果. 相似文献
15.
16.
滑坡自动识别能够解决人工目视解译方法速度慢的问题,现有基于深度学习的自动识别方法多以目标检测和语义分割等单任务识别方法为主。本文基于深度学习实例分割网络探索可同时完成滑坡目标定位和语义分割的多任务识别方法。首先,基于谷歌地球影像构建了包含3822个样本的黄土滑坡样本数据集;然后,采用单阶段实例分割网络(YOLACT)构建了基于小样本学习的黄土滑坡多任务自动识别模型;最后,通过大、中、小3种比例尺度的滑坡测试样本对识别结果进行评价。试验结果表明:①滑坡目标定位框(Box)平均精确度为61.66%,滑坡语义分割掩码(Mask)平均精确度为62.0%,大比例尺测试结果中Mask交并比为0.88;②基于YOLACT构建的滑坡识别模型可同时完成滑坡目标定位和滑坡高精度掩码分割的双任务识别,为滑坡多任务自动识别及快速制图提供了技术支撑。 相似文献
17.
合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。 相似文献
18.
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
19.
跨比例尺新旧居民地目标变化分析与决策树识别 总被引：1，自引：1，他引：0
变化分析与探测是跨比例尺地图数据更新的核心问题之一。以往研究主要关注时间维上地理实体时空演化引起的地图目标变化,甚至将地图目标变化等同于地理实体真实变化,忽略了尺度维上由地图综合导致的表达变化。本文以居民地数据为例,从表层形式和深层缘由对跨比例尺新旧地图数据间的目标变化进行深入分析。在此基础上,引入机器学习领域的决策树方法构建变化信息识别模型。该模型的目标是判别时态变化和表达变化两种类型,从而提取用于更新小比例尺地图数据的真正变化信息。结合广州市多比例尺地图数据库更新任务及实际数据进行验证,结果显示设计的变化探测模型可以达到90%以上的整体精度。 相似文献
20.
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