排序方式： 共有5条查询结果，搜索用时 93 毫秒
1
1.
文章探讨了如何有效利用自发地理信息（Volunteered Geographic Information, VGI）大数据促进灾后恢复监测工作。首先概述了国内外VGI相关研究的发展现状,明确了VGI用于灾后恢复监测研究的不足,然后提出了一个基于VGI大数据的灾后恢复监测应用的研究框架,助力于灾后恢复监测各类具体恢复目标（如旅游业恢复、工商业恢复、生活常态恢复）的实现。该研究框架包含数据获取、数据质量控制和数据挖掘3个核心组成部分。其中,数据获取对象以VGI为主,以传统官方权威数据为辅;数据质量控制主要是通过模糊逻辑专家系统和人工神经网络（深度学习）确保VGI适用性;数据挖掘则是以变革式范例为理论基础,利用定量和定性结合的方法调查灾区基建、经济和安全3个灾后恢复主要方面的状态。最后,文章还讨论了当前利用VGI大数据促进灾后恢复监测所存在的一些局限性,包括VGI来源的可持续性问题、各VGI平台应用程序接口的数据获取限制问题和VGI应用所涉及的用户隐私问题。 相似文献
2.
随着科学技术的不断发展，志愿者地理信息（volunteered geographic information，VGI）已经成为地理空间数据中最为重要的来源之一。为了充分利用志愿者地理信息，需要进行VGI与传统地形图数据的匹配与融合。开发了一种全新的数据自动匹配与融合算法，其目的是将ATKIS道路网数据（由德国联邦测绘局所采集的官方数据）与AOSD数据（由大量志愿者携带定位仪器进行户外徒步或骑行所获取的轨迹数据）匹配并融合起来，从而丰富传统地理信息数据的内容，并实现数据的增值。考虑到ATKIS数据与AOSD数据在空间表达上的差异很大，所开发的算法包括了道路要素的智能化分割、道路要素匹配、道路网数据融合以及融合后道路网内部要素间的匹配运算与数据集成等4个过程。大量实地数据的测试结果表明，该算法具有匹配成功率高、准确率高、运算速度快等优点。 相似文献
3.
交通标志检测是自动驾驶中的重要研究方向,实时准确地从街景图像中检测交通标志对实现自动驾驶及智慧城市的发展具有重要意义。传统的算法基于颜色、形状特征进行检测,只能提取特定种类的交通标志,算法无法同时检测不同类型的交通标志。基于图像特征+机器学习分类器的算法需要人工设计特征,算法速度较慢。主流的基于深度学习的方法多基于先验框,在网络设计上引入了额外的超参数,且在训练过程中产生过量的冗余边界框,容易造成正负样本不平衡。本文受Anchor-free思想的启发,引用YOLO检测器直接回归物体边界框的思路,提出一种基于Anchor-free的实时交通标志检测网络AF-TSD（Anchor-free Traffic Sign Detection）。AF-TSD摒弃了先验框的设计,并引入自适应采样位置可变卷积与注意力机制,大大提高网络的特征表达能力。本文开展大量对比实验,实验结果表明本文提出的AF-TSD交通标志检测网络速度接近主流算法,但精度优于主流算法,在德国GTSDB交通标志检测数据集上取得了96.80%的精度,检测速度平均单张图片32 ms,达到实时检测的要求。 相似文献
4.
5.
基于多边形的形态分析提出一种城市主干道提取方法。首先根据点线数据生成多边形并计算多边形几何形态指标;然后使用支持向量机集成各项指标对生成的多边形进行形态分类,提取候选主干道多边形;最后根据格式塔理论使用区域增长算法连接候选主干道多边形,提取最终的道路网主干道。实验表明,通过本方法能够快速有效地提取道路网中的平行车道。与道路属性数据中的高等级道路比较发现,本文提取的主干道与道路网的建设等级趋于一致。 相似文献
1