基于空间遥感影像的居民地自动解译

针对当前地物要素信息采集劳动强度大、智能化程度不高、效率低等技术瓶颈,本文以深度学习理论为基础,在Caffe框架上依托Digits网络服务器构建居民地数据集进行分类识别训练,建立样本数据集并完成模型训练工作.整合居民地复杂数据信息,设计了针对遥感影像自动解译居民地的操作流程.通过对实验结果分析,利用深度学习获取的数据模...     

基于改进YOLOX的遥感影像目标检测算法

目标检测是遥感影像处理中一项基础性和常规性的工作。本文基于YOLOX(you only look once X)网络进行改进,设计了一种针对遥感影像目标的检测算法。首先在特征提取模块PANet(path aggregation network)中加入自适应空间特征融合(adaptively spatial feature fusion, ASFF)网络,针对目标检测中尺度不一致的细部特征进行深入挖掘。其次,设计了基于ECA(efficient channel attention)的特征提取模块,高效通道交互在更加关注特征图中正样本特征信息的同时降低了模型的复杂性。再次,为了避免过拟合造成梯度消失、激活效果弱的问题,提出使用swish激活函数。最后,在DOTA(dataset for object detection in aerial images)上进行实验,通过消融实验定性分析、通过对比实验定量验证了本文算法的最佳机制和有效性。结果表明：在添加ASFF和ECA机制并且优化swish激活函数的前提下,改进网络模型的全类平均正确率(mean average precision, mAP...     

面向高光谱影像小样本分类的全局-局部特征自适应融合方法

高光谱影像标记样本的获取通常是一项费时费力的工作,如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分,导致在小样本条件下的分类精度较差。针对此问题,本文设计了一种面向高光谱影像小样本分类的全局特征与局部特征自适应融合方法。该方法基于动态图卷积网络和深度可分离卷积网络,分别从全局尺度和局部尺度挖掘影像的潜在信息,实现了标记样本的有效利用。进一步引入极化自注意力机制,在减少信息损失的同时提升网络的特征表达,并采用特征自适应融合机制对全局特征和局部特征进行自适应融合。为验证本文方法的有效性,在University of Pavia、Salinas、WHU-Hi-LongKou和WHU-Hi-HanChuan4组高光谱影像基准数据集上开展分类试验。试验结果表明,与传统分类器和先进的深度学习模型相比,本文方法兼顾执行效率和分类精度,在小样本条件下能够取得更为优异的分类表现。在4组数据集上的总体分类精度分别为99.01%、99.42%、99.18%和95.84%,平均分类精度分别为99.31%、99.65%、98.89%和...     

一种AHP-FCE的数字线划地图数据质量评价方法

随着遥感技术、计算机技术、光电传感技术及航天技术的迅速发展,地理空间数据的采集手段越来越多.针对这些地理数据质量存在的一系列的问题,利用层次分析法确定各个因素的权重,使用缺陷扣分法计算,对数字线划地图数据在数据完整性、逻辑一致性、位置精度、属性精度进行计算分数,采用模糊综合评价方法分别从上述4个方面检查数据质量,使其更好地为人们日常生活服务.