排序方式： 共有18条查询结果，搜索用时 15 毫秒
11.
建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。 相似文献
12.
针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法。以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力。结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.97,Kappa系数为0.93,均高于面向对象最邻近法,能够有效地满足研究区规模化枣园目标检测识别的精度和效率的要求,为精细化枣园田间管理提供基础依据。 相似文献
13.
实现复杂场景下航拍图像的端到端电力线提取是电力线无人机检测的关键。本文通过分析基于深度学习的电力线实例分割实现存在的问题,提出了一种基于改进Mask R-CNN的电力线自动提取算法。首先,根据电力线的线性特征,提出一种线性IoU计算方法,改进Mask R-CNN原有的IoU计算,提高电力线提取性能;然后,将改进后的网络在电力线数据集上进行训练,得到电力线粗提取结果;最后,通过线段编组拟合算法,对粗提取结果进行聚类拟合,以解决电力线断裂和误检的问题。试验结果表明,所提方法能从环境复杂的无人机航拍图像中较为准确地提取完整的电力线。 相似文献
14.
图像目标检测是计算机视觉与数字图像处理的一个热门方向,其主要任务是找出图像中感兴趣的物体并确定物体的位置与类别。目前基于深度学习模型是主流的目标检测算法,利用其解决诸多学科问题成为一种趋势。本文采用区域卷积神经网络（Faster R-CNN）深度学习算法和相关图像处理算法,以ResNet50、ResNet101为骨干网络,采用特征金字塔网络开展新冠疫情期间武汉市车辆变化监测,以此分析疫情下的武汉市内部活动强度。结果显示：本文车辆目标检测方法的精确率为0.96,召回率为0.92,平均精度为0.85。疫情前（2019年11月17日）、中（2020年02月22日）车辆变化情况为：武汉汇聚中心分别为263、32辆,汪家嘴立交桥分别为89、44辆,新兴工业园分别为554、347辆,经开未来城分别为188、57辆。可知,疫情导致武汉市人口出行减少、车辆活动明显降低。 相似文献
15.
SAR（synthetic aperture radar）图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法（Soft-NMS）进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播（backpropagation,BP）人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。 相似文献
16.
疫情期间复工复产需要准确的现场信息及高精度分辨率的正射影像作为决策依据，但管理人员无法通过密集的现场巡视获取信息。无人机外业数据采集速度快、采集精度高、数据量全，但传统的无人机正射影像处理速度无法满足项目刻不容缓的需求，因此本文对无人机外业快速采集-快速内业处理技术-目标成果识别作了全方位的研究，基于改进SURF无人机影像快速处理算法并针对大型工程设备在影像上呈现规则矩形、特征点突出、明暗对比关系明显等关键要素，快速处理得到正射影像，并在此基础上运用Fast R-CNN网络识别现场机械设备为复工决策提供决策依据，相应成果已在新冠疫情期间雄安高铁站工程建设复工复产中得到了应用。 相似文献
17.
18.
码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据。然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题。本文基于公开遥感数据集及Google Earth高分遥感影像构建了3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进：（1）采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;（2）采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率。实验结果表明,本文改进的Faster R-CNN算法FKSN（Faster R-CNN+K-Means+Soft-NMS）识别精度达到92.6%,相较Faster R-CNN算法精度提高了8.3%。将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2%和7.6%,说明本文方法对于各类码头目标识别具有更好的效果。基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径。 相似文献