排序方式： 共有16条查询结果，搜索用时 19 毫秒
1.
针对靠岸舰船难以检测的问题,提出了一种直线特征辅助的靠岸舰船检测方法。首先利用高精度的卷积神经网络目标检测算法YOLOv3对影像进行粗检测,获取可能存在舰船目标的区域作为兴趣区域;然后提取影像的直线特征,将直线的方向作为确定舰船方向的辅助信息;最后利用具有一定角度的滑动窗口遍历兴趣区域获取候选目标,并对侯选目标进行二次分类和识别得到最终检测结果。利用不同港口的遥感影像进行实验的结果表明,提出方法能够有效检测港口内多种方向和并列停靠的舰船目标。 相似文献
2.
机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。 相似文献
3.
针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。 相似文献
4.
一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法 总被引：1，自引：0，他引：1
从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。 相似文献
5.
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
6.
高光谱影像特征的利用率对提高其分类精度具有重要意义。为充分利用影像的特征,提出了一种特征重标定网络的高光谱影像分类方法。该方法通过全局平均池化将特征图转换为具有全局信息的实数,利用全连接层与非线性层生成能够代表各通道相对重要性的权值,进而采取加权法完成初始特征的重标定。为验证该方法的有效性,选取PaviaU和KSC两组高光谱影像数据进行实验。结果表明,提出方法总体分类精度分别达到98.38%和95.61%,可为高光谱影像提供有效的类别判定特征,有助于提高影像分类精度并获取平滑的分类结果图。 相似文献
7.
8.
建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高.针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法.首先,引入稳健的法向量估计算法计算点云法向量,利用提出的迭代区域增长策略和RANSAC提取多个可靠屋顶面片;然后,基于可靠屋顶面片参数和RANSAC计算内点的思想,迭代合并可靠屋顶面片,并精化屋顶面参数;最后,计算未能通过前面步骤分割的点到各屋顶面的垂直距离,将其标记为距离最小且小于阈值的屋顶面,并通过局部范围内投票的方式精化屋顶面分割结果.利用多个具有代表性的建筑物点云和一组区域建筑物点云进行试验,结果表明,所提出的方法可有效地分割不同复杂程度的建筑物屋顶面,并能较好地分割面积较小的屋顶面,以屋顶面和单点为评价单元的平均分割正确率为95.56％ 和97.93％,分割的结果可为建筑物三维模型重建、点云精简等应用提供可靠的信息. 相似文献
9.
级联卷积神经网络的遥感影像飞机目标检测 总被引：1，自引：0，他引：1
传统遥感影像飞机目标检测算法依赖于人工设计特征，对大范围复杂场景和多尺度的飞机目标稳健性较差，基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题，针对上述问题，本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点，采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索，快速获取疑似飞机目标作为兴趣区域，然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力，在卷积层中引入多层感知器，并在训练过程中采取多任务学习与离线难分样本挖掘的策略；在测试阶段，建立影像金字塔进行多级搜索，并结合非极大值抑制消除冗余窗口，从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试，结果表明，本文方法具有较高的准确性和较强的稳健性，可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。 相似文献
10.