高分辨率遥感影像解译中的机器学习范式     

周培诚  程塨  姚西文  韩军伟 《遥感学报》2021,25(1):182-197

高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值。传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低。所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题。近年来,随着人工智能技术的飞速发展,采用机器学习方法实现高分辨率遥感影像解译已成为主流的研究方向。本文结合高分辨率遥感影像解译的典型任务,如目标检测、场景分类、语义分割、高光谱图像分类等,系统综述了5种代表性的机器学习范式。具体来说,本文分别介绍了不同机器学习范式的定义、常用方法以及代表性应用,包括全监督学习(如支持向量机、K-最近邻、决策树、随机森林、概率图模型)、半监督学习(如纯半监督学习、直推学习、主动学习)、弱监督学习(如多示例学习)、无监督学习(如聚类、主成分分析、稀疏表达)和深度学习(如堆栈自编码机、深度信念网络、卷积神经网络、生成对抗网络)。其次,深入分析五种机器学习范式的优缺点,并总结了它们在遥感影像解译中的典型应用。最后,展望了高分辨率遥感影像解译的机器学习发展方向,如小样本学习、无监督深度学习、强化学习等。  相似文献   

多源遥感精确提取光伏电站研究     

王卫  蔡俊兴  田广增  成量  孔德庸 《北京测绘》2021,35(12)

  相似文献   

空洞卷积U-Net的遥感影像道路提取方法     

林娜  张小青  王岚  冯丽蓉  王伟 《测绘科学》2021,46(9):109-114,156

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.  相似文献   

遥感影像分析在新增建设用地督察中的应用     

方芳  向浩  张亮 《地理空间信息》2021,19(1):53-54

以卫星影像大数据和时空数据挖掘技术为基础,采用深度学习框架支撑,构建了面向新增建设用地遥感监测应用需求的深度学习训练平台,可智能发现自然资源督察线索,全面提高自然资源督察问题的发现能力。该技术可广泛服务于大范围、高频次的督察工作,为督察工作提供更及时客观全面的信息基础和保障。  相似文献   

改进YOLOv3模型的GF-2卫星影像车辆检测     

彭新月  张吴明  钟若飞 《测绘科学》2021,46(12):147-154

  相似文献   

改进特征金字塔网络的遥感影像崩滑体提取     

高琛  冯德俊  胡金林  王杰茜 《测绘科学》2021,46(11):32-38,46

针对大多数网络存在精度低,特征冗余,计算量大,训练时间长等问题,提出密集连接特征金字塔网络(DCFPN),将特征提取网络得到的特征图通过一组并行深度可分离空洞卷积进一步计算其全局语义信息,并搭建解码上采样网络,加入连接组合特征层的结构,对遥感影像进行语义分割实现崩滑体提取,较好地解决了参数量过多,计算时间较长和精度较低等问题.通过特征金字塔网络(FPN)和DCFPN在崩滑体数据集上的大量对比实验表明,DCFPN在崩滑体语义分割方面有更高的精度并且计算量更少,训练时间更短,能够更好地为应急抢险工作.  相似文献   

ToF深度相机标定方法研究进展     

胡龄心  李浩 《地理空间信息》2021,19(2):22-25

目前ToF相机标定多是利用激光反射强度图像并采用张正友棋盘格的标定方法,通过最小化重投影误差对相机参数进行优化.但因图像分辨率的影响,像点坐标的准确提取存在困难,通常包含较大的误差,解算方法对噪声也较为敏感.预期今后的研究将更多地结合距离值信息,并进一步提高像点坐标检测的准确性,优化相机模型,以提升解算方法的稳定性和精度.  相似文献   

利用深度卷积循环神经网络的高光谱影像空谱特征分类方法     

张鹏强  刘冰  左溪冰  余旭初 《测绘科学技术学报》2021,38(4):368-373

针对高光谱影像分类问题,提出了基于深度卷积循环神经网络的高光谱影像空谱特征分类方法.首先将高光谱数据立方体看作一组特征序列;然后利用深度卷积循环神经网络构建特征序列的依赖关系,并采用"预训练+微调"的训练策略对深层网络模型进行训练,从而使得所设计的深层网络在训练样本较少的情况下也能得到更加充分的优化.在Pavia大学和Indian Pines数据集上的试验结果表明,构建的深度卷积循环神经网络的分类精度比RNN方法分别提升了9.49％和5.8％.  相似文献   

堆叠降噪自编码器的影像特征融合变化检测     

史文洁  戴晨光  赵莹  王岩  王志坚 《测绘科学技术学报》2021,38(4):391-397

提出一种基于堆叠降噪自编码器的影像特征融合变化检测方法.首先在影像分割对象的像素级特征和对象级特征分析、设计与提取基础上,通过像素级特征主成分分析与特征优选处理算法,实现遥感影像多类型特征融合并构建分割对象的多维特征向量;其次利用堆叠降噪自编码器的高维复杂数据处理能力,实现遥感影像多维融合特征的变化检测.实验结果表明,该方法与传统的像素级或对象级特征变化检测方法相比,具有更高的变化检测精度.  相似文献   

确定区域大地水准面的K-means-RBF神经网络方法     

黄子炎  王庆宾  冯进凯  谭勖立  范雕  黄炎 《测绘科学技术学报》2021,38(3):246-252

确定区域大地水准面的几何水准方法在拟合大地水面时未顾及重力场信息,仅是一种单纯的数学拟合,忽略了重力场数据自身的物理性和不同数据间的相关性.近年来,深度学习方法得到广泛重视与研究.本文提出了一种有监督学习的RBF神经网络精化大地水准面的方法,使用包含重力异常和大地水准面高的重力场数据进行神经网络训练,并采用K-means聚类算法为RBF神经网络的径向基函数进行初始化,提高神经网络的收敛速度和精度.实验结果表明,该方法确定的平原、丘陵和山地复杂实验区域大地水准面高标准差分别为0.044、0.159和1.075 cm,优于使用几何水准直接拟合大地水准面高的精度,且在重力异常中加入蒙特卡罗随机噪声模拟的观测误差后,3类实验区域标准差总体仍在cm级,误差增幅不显著,表明该方法在确定大地水准面时,能够抑制观测误差的影响.  相似文献