排序方式： 共有8条查询结果，搜索用时 156 毫秒
1
1.
单像空间后方交会可描述为非线性最小二乘问题，不可导、法方程系数矩阵病态以及陷入局部极值是造成其数值过程不收敛的主要原因。不同地区的控制点空间分布不具相似性，若把同一地区同一组控制点之下数张已知外方位元素的像片看作一个样本集，则在给定每个外方位元素初值的前提下，可通过监督学习方法求取外方位元素的整体下降方向；而对于单像空间后方交会中因前述原因不收敛的情况，则可采用整体下降方向近似解算。以此为出发点，提出一种单像空间后方交会求解的监督学习方法，主要过程是:①训练阶段，利用监督学习过程，对同一测区内不同姿态像片所组成的样本集进行整体外方位元素的求解，得到该测区外方位元素的整体下降方向集合；②测试阶段，对该测区的任意像片，给定外方位元素的初值，直接采用训练阶段得到的整体下降方向集合进行外方位元素的迭代求解。对比试验表明，该方法在数值过程收敛性与初值依赖性上均表现出较强的优势，并能克服欧拉角法因法方程系数矩阵病态而无法收敛的情况。 相似文献
2.
针对三维坐标求解精度受非线性误差影响的问题,提出了一种多像前方交会与单隐层BP神经网络相结合的方法。基本过程为:①在样本点真实世界坐标已知的条件下,构建关于世界坐标的拉格朗日方程,对相机外参进行优化,以得到更高精度的三维坐标初值。②利用计算得到的三维坐标和真实三维坐标分别作为输入和输出参数对单隐层BP神经网络进行训练。③将三维坐标初值带入网络模型对其进行改正。试验结果表明:①相较于前方交会、稀疏光束法平差及典型神经网络方法,在试验装置环境视场内,本文方法解算精度较高,最大偏差为0.492 7 mm。②相较于典型神经网络方法,本文网络结构为3-6-3,结构简单且计算效率高。 相似文献
3.
针对参照物不在视场范围内的问题,提出一种复用镜像约束求解相机位姿的方法。具体步骤为：(1)依据相机位姿求解方法得到镜像相机位姿;(2)根据平面镜反射对称性构建单张图像镜像相机与相机位姿间线性约束关系;(3)复用镜像相机姿态,建立多张图像之间约束关系,在获得3张图像情况下,可得18个线性约束条件,提高相机位姿求解精度。试验结果表明：旋转矩阵和平移向量均误差分别为0.009°和1.866 mm,较对比方法,旋转矩阵均误差平均降低0.009°,平移向量均误差平均降低2.292 mm,且具有较强适应性。在真实试验中,平均重投影误差为0.492像素,优于对比方法,能够准确求解参照物不在视场范围内的相机位姿。 相似文献
4.
在运动控制应用场景中,由于疲劳等原因会导致设备微小形变,因此需要更加密集的观测手段与恢复方法.考虑到待检设备的摄影测量属性及高帧频相机高信息量特性,利用240帧/s的高帧频电荷耦合元件(charge coupled device,CCD)相机结合摄影测量方法实现对运动控制轴形变信息的精确量测,具体步骤如下:(1)固定标... 相似文献
5.
针对相机大视场感兴趣目标分辨率不足的问题,提出短基线同轴约束模型并设计主从相机原型, 大视场相机用于监视整个视场,主动相机用于对目标区域进行指向性高清观测。基本过程为:（1）利用短基线同轴约束模型简化相机外参矩阵, 并构建大视场相机与主动相机间的映射关系,通过三角函数计算主动相机初始控制参数;（2）在近距离场景下,对主动相机控制参数进行补偿。实验结果表明,相机只需一次离线标定即可适应各种场景。观测目标与大视场相机距离3~10 m的近距离场景下,目标在主动相机图像中的实际位置与理论位置误差在30像素以内;远距离场景的有效距离内,误差在6像素左右。计算单一目标点对应主动相机控制参数的时间不超过0.2 ms。原型对目标场景、目标深度无依赖性,且用于较远目标观测时相对于其他方法在精度与时效性方面具有较高优势。 相似文献
6.
胡明洪李佳田姚彦吉阿晓荟陆美李文 《测绘学报》2023,(5):808-817
针对深层卷积较难兼顾全局特征与局部特征从而导致提取建筑物边缘不准确和微小建筑物丢失的问题，以注意力机制和跳跃连接为基础提出SER-UNet算法。SER-UNet算法在编码器阶段耦合SE-ResNet和最大池化层，在解码器阶段关联SE-ResNet与反卷积层，通过跳跃连接将编码器提取的浅层特征和解码器提取的深层特征进行融合后输出特征图。验证SER-UNet算法的有效性，在MAP-Net网络并行多路径特征提取阶段使用SER-UNet算法替换原网络中的特征提取结构，分别在WHU数据集和Inria数据集上进行评估，IoU与精度分别达91.46%、82.61%和95.67%、92.75%,对比UNet、PSPNet、ResNet101、MAP-Net网络，IoU分别提高0.49%、0.14%、1.89%、1.57%,精度分别提高0.14%、1.06%、2.42%、1.09%。分析SER-UNet算法的泛化能力，将级联SER-UNet的MAP-Net网络在AerialImage数据集上进行提取验证，IoU与精度分别达85.32%和94.13%。结果表明，结合SER-UNet算法的MAP-Net并行... 相似文献
7.
在半监督语义分割中,主要采用编码-主从解码器结构使无标签样本参与计算以提高分割精度,但编码器的连续下采样操作易丢失浅层细节特征,从而导致地物边界分割不完整。为此,本文提出结合多尺度共享编码的半监督网络架构对航空影像进行语义分割,该网络的编码器采用ResNet-50获取影像浅层特征,并通过在ResNet-50末端嵌入多尺度共享编码模块来链接浅层特征,以构建密集特征金字塔和扩大感受野,从而获取目标地物多尺度细节信息。将本文网络与UNet、DeepLabv3+、FCN监督网络和CCT、XModalNet、VLCNet半监督网络在LandCover.ai和DroneDeploy数据集上分别进行了对比试验和精度评估。结果表明:本文网络在标签数量与精度方面均具有明显优势,对于LandCover.ai数据集,在6000张标签样本和6500张无标签样本的前提下,整体mIoU提升1.15%,对于DroneDeploy数据集,在30张标签样本和5张无标签样本的前提下,整体mIoU提升0.94%,同时显著提升影像地物的分割精度,得到更清晰、完整的地物边界。 相似文献
8.
针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题，尝试以UNet++网络为基础，通过将编码器的标准卷积及最大池化替换成深度可分离卷积，以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能，并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性，以经过数据增强预处理的WHU和Massachusetts数据集作为数据源，对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估，并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势，能够在大幅压缩模型参数量的前提下，显著提升建筑物提取精度，提取建筑物的边界更加平滑和精确，对不同尺度的建筑物表现出较强的泛化能力。 相似文献
1