排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
针对目前多种网络基于小数据集或国际通用的一些标准数据集进行训练与测试,无法满足从互联网图片中高效识别出地图图片的需求,该文构建了一套基于卷积神经网络的互联网图片分类体系,对自动采集的92543张互联网图片经类型标注后形成样本库,将样本输入残差网络ResNet50和轻量级网络SqueezeNet中进行训练及测试.结果 显示:在地图类中,ResNet50的精确率、召回率分别比SqueezeNet高2.01％、0.32％;前者所耗费的训练、测试时间分别为后者的2.51倍、6.43倍,将上述指标进行归一化处理来综合评价两种网络在地图图片识别中的优越性.得出结论:SqueezeNet网络在地图识别应用中更具优越性,可有效提升在互联网地图图片中所包含"问题地图"的审查效率和及时响应服务. 相似文献
2.
针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析。结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级。该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考。 相似文献
3.
互联网数据中蕴含丰富的地理信息,其无处不在、形式与结构多样的特征决定了感知和融合面临许多技术难题。本文在分析互联网泛在地理信息分类和特征的基础上,系统研究其感知和融合技术的总体现状,总结了服务快速准确发现、深层网络数据高覆盖度采集、非结构化文本中位置信息提取和关联图像空间语义提取等感知技术发展现状,分析了异源几何数据匹配关联、地址标准化处理、同名实体语义对齐、地理实体关系构建等融合处理关键技术;在此基础上,总结和展望了互联网泛在地理信息感知融合技术在开放地理数据网络、城市治理与应急管理、网络监测与地理空间情报等领域的应用前景。 相似文献
4.
2000-2013年青藏高原湖泊面积MODIS遥感监测分析 总被引：2，自引：0，他引：2
青藏高原上分布着大量的高原内陆湖泊群,该区域湖泊面积与区域及全球气候变化之间存在较强的耦合关系,遥感监测湖泊的分布和面积变化趋势,对分析区域自然生态环境具有重要意义。本研究将MOD09A1（地表反射率8天合成数据）进行逐月合成,提出了一种综合多种水体指数的青藏高原地区湖泊提取方法,并通过活动窗口、DEM和时间序列去噪等方法,消除山体阴影、冰雪等因素的干扰。最后,提取和合成了2000-2013年青藏高原逐年和逐月的湖泊范围,并选取色林错和卓乃湖2个典型湖泊与人工解译Landsat系列影像进行验证分析,其线性拟合度分别为0.99和0.97,从时空变化趋势上分析了青藏高原湖泊面积动态变化。结果表明：（1）2000-2013年,青藏高原地区湖泊范围整体上呈较显著的扩张趋势,湖泊总面积增加速率约为490.98 km2 a-1（R2约为0.96）;（2）1-12月份湖泊面积逐月变化率均大于0,表明青藏高原湖泊面积呈整体扩张,而非季节性扩张。除2-4月份外,其他月份增加速率均在400 km2 a-1以上（R2>0.79）,表现为稳定且持续扩张趋势。 相似文献
5.
2023年8月13日至18日,第31届国际制图大会在南非开普敦举行。本文首先简要介绍了第31届国际制图大会概况。然后,在详细分析大会专题报告的基础上,重点归纳和总结了国际上地图制图学在基础理论、地图制图与地理信息技术、地图数据、地图产品、空间数据基础设施建设、公众应用、可持续发展和历史文化伦理八个方面的研究新热点,并分析得到了以下特点：一方面地图制图更加注重多要素融合制图、用户/场景体验增强和快速制图能力;另一方面,地理信息技术在多模泛在感知、大数据融合处理、人工智能分析、知识构建与服务等方面不断深化;此外,面向资源管理、生态保护、社会发展等的全球/区域/国家/城市可持续发展应用,已成为各国政府机构、科研机构、产业企业等共同努力的热点方向。另外从国际地图大赛获奖地图可以看出地图可视化方法融入了更多的现代元素和文化印记,更加注重“人-图”互动。最后,探讨了大数据与人工智能时代地图制图学在理论体系、技术方法和应用服务方面的发展趋势,并对我国地图制图学科发展与国际合作提出了建议。 相似文献
6.
共享单车的需求量预测对于共享单车企业的精细化运营十分重要，是解决单车区域供需平衡的前提。为精准预测共享单车需求量，本文首先分析了纽约Citi Bike 2017—2019年共享单车数据的时空特征，探究了共享单车出行的分布规律；其次，融合卷积神经网络的特征提取能力和双向长短期记忆网络的双向时序数据处理能力，构建了卷积双向长短时记忆网络CNN-BiLSTM模型；然后，结合出行数据、气象数据及单车时空出行特征，采用相关性分析法探究了单车需求量的显著影响因子，并作为模型输入特征，对模型进行训练，生成单车预测模型；最后，选取CNN、LSTM、BiLSTM、CNN-LSTM作为对比模型，对CNN-BiLSTM预测模型效果进行评价。对比结果表明，CNN-BiLSTM模型的MAE和RMSE最小，分别为0.035和0.058;R2最大，为0.922,模型预测效果最佳。本文可为实际的共享单车调度与再分配提供参考依据。 相似文献
1