排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
2.
常用的人工判读方式需要耗费大量的人力资源,成本高且周期长。针对这些问题,基于视觉Transformer的深度学习网络模型对成都市重点区域开展典型地物要素分类,智能提取耕地、林地、道路、大棚、水体等8类地物的分布情况,并通过规则化算法对建筑提取结果进行优化。实验结果表明该方法的分类精度达到84.25%,较U-Net、HRNet、DeeplabV3+分类精度更高,且对成都市约6 400 km2重点区域的分类时间约为2 h,具有较高的精度和效率,能够辅助成都市高效率、大范围、高频次的监测重点区域地物。 相似文献
1