排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
近年来,深度学习改变了遥感图像处理的方法。由于标注高质量样本费时费力,标签样本数量不足的现实问题会严重影响深层神经网络模型的性能。为解决这一突出矛盾,本文提出了用于多源异质遥感影像地物分类的自监督预训练和微调分类方案,旨在缓解模型对于标签样本的严重依赖。具体来讲,生成式自监督学习模型由非对称的编码器-解码器结构组成,其中深度编码器从多源遥感数据中学习高阶关键特征,任务特定的解码器用于重建原始遥感影像。为提升特性表示能力,交叉注意力机制模型用于融合异源特征中的信息,进而从多源异质遥感影像中学习更多的互补信息。在微调分类阶段,预训练好的编码器作为无监督特征提取器,基于Transformer结构的轻量级分类器将学习到的特征与光谱信息结合并用于地物分类。这种自监督预训练方案能够从多源异质遥感影像中学习到刻画原始数据的高级关键特征,并且此过程不需要任何人工标注信息,从而缓解了对标签样本的依赖。与现有的分类范式相比,本文提出的自监督预训练和微调方案在多源遥感影像地物分类中能够取得更优的分类结果。 相似文献
4.
基于直线特征匹配的序列图像自动配准 总被引:2,自引:0,他引:2
提出了一种运用相应直线段特征作为控制基础的序列图像自动配准方法。根据相应直线段"共线"原理建立了图像配准模型,该模型的优点是不必精确定位相应直线段的端点,突破了相应特征必须严格"同名"的限制。同时,根据图像配准对控制直线段的要求,分别设计了序列图像中直线段特征的自动提取和自动匹配算法,从而实现了概略对准条件下的序列图像的全自动配准。 相似文献
5.
6.
SIFT特征匹配技术在自动相对定向中的应用 总被引:2,自引:1,他引:1
提出了一种利用尺度不变特征变换(SIFT:Scale invariant Feature Transform)特征匹配技术应用于遥感影像自动相对定向的方法,SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化均保持不变,对视角变换、仿射变换、噪声均有一定程度的稳定性。文中给出了较为详细的理论分析和实验分析,结合小波变换建立影像金字塔采用分频道相关提高影像匹配的速度,利用最小二乘匹配方法提高了匹配的精度,取得了较好的实验结果。 相似文献
7.
1