深度学习技术在遥感影像滑坡识别中的应用

探索遥感影像滑坡识别方法对于抢险应急指挥具有重要意义。传统的人工现场勘察速度慢、效率低,因此本文提出了一种基于深度学习的遥感影像滑坡识别方法。该方法首先基于毕节滑坡影像构建样本集,为了增强模型泛化能力,对训练集进行扩充增强并加入部分非滑坡数据,然后搭建U-Net深度学习模型并输入训练集进行训练。最后,利用测试集和北京市房山区、延庆区的两处实际滑坡区域对模型进行测试。实验结果表明,该方法要优于常规的数学形态学与SegNet模型方法,方法精度较高,能够实现影像滑坡区域的有效识别。     

基于增强注意力门控U-Net的建筑物提取研究

针对经典深度学习语义分割网络对建筑物提取存在精度较低、边界模糊和小目标识别困难的问题,本文提出一种增强注意力门控的U型网络(advanced attention gate U-Net,AA＿UNet)用于改善建筑物提取的效果,该网络改进经典U-Net的结构,使用VGG16作为主干特征提取网络、注意力门控模块参与跳跃连接、双线性插值法代替反卷积进行上采样.实验采用武汉大学建筑物数据集(WHU building dataset,WHD)对比提出的网络与部分经典语义分割网络的提取效果,并探究网络改进的各个模块对提取效果的影响.结果显示：该网络对建筑物提取的总精度、交并比、查准率、召回率和F1分数分别为98.78%、89.71%、93.30%、95.89%、94.58%,各项评价指标均优于经典语义分割网络,且改进的各个模块有效提高了提取精度,改善了建筑物轮廓不清晰和小目标建筑物破碎的问题,可用于精准提取高分辨率遥感影像中的建筑物信息,对城市规划、土地利用、生产生活、军事侦察等具有指导意义.     

基于U-Net全卷积神经网络的人工建筑物提取

传统基于遥感光谱和空间特征信息提取、图像分割与分类的方法在面向背景复杂、人工地物繁多的影像时存在泛化能力较差的缺陷,即训练后的模型或规则难以适用不同地区、不同数据源的遥感影像,深度学习比以往分类模型在泛化能力方面表现出强大的潜力。本文选取不同区域、不同类型的遥感卫星影像作为试验对象,结合该区域的地理国情监测成果数据和1︰1万基础地理信息数据,进行遥感影像样本标注及样本增强扩充,构建大规模遥感影像基准数据集;然后基于U-Net全卷积神经网络,综合利用二分类和多分类语义分割网络模型,引入jaccard系数,对道路和房屋这两类人工建筑物目标进行了提取。通过与传统浅层分类方法进行精度对比,本文方法总体精度提升8.82%,Kappa系数提升79.54%,道路和房屋目标的F1值均高出70%,IUO指标高出了100%。分析表明：（1）地理国情监测成果和1︰1万基础地理信息数据在构建大规模的语义分割数据集中具有重要作用;（2）U-Net全卷积神经网络方法能够快速、准确地提取出道路和房屋,且具有很好的泛化能力,能够满足宏观尺度的人工地物提取需求,同时提升处理效率。     

基于改进U-Net的建筑物集群识别研究

针对U-Net在高分影像建筑物提取中部分建筑物边缘特征易模糊或丢失的问题,提出一种对高分影像建筑物边缘增强,同时对U-Net部分卷积过程进行改进的优化的建筑物提取方法.首先利用域变化递归滤波的方式对建筑物边缘进行增强,将增强后影像输入U-Net神经网络中进行训练;其次为充分利用建筑物在高分影像上丰富的细节特征,尝试在原...     

综合多特征的极化SAR图像建筑物U-Net分类方法

针对合成孔径雷达(SAR)图像不同类型建筑物的区分问题,该文提出了一种基于U-Net的极化SAR图像建筑物分类方法。该方法将极化SAR数据的Pauli分解参数、规范化圆极化相关系数和G⁰统计纹理参数作为U-Net的输入,建立建筑物分类U-Net模型,同时考虑建筑物的高度和单体面积的情况下,将建筑物分为高层、中层、低层小面积、低层厂房类大面积建筑物4类。对武汉市城区GF-3极化SAR数据的各类建筑物分类精度均在80%以上,最高达94.2%。该方法与仅使用单类别特征的U-Net网络方法以及卷积神经网络方法相比,分类结果更完整、建筑边界更准确,也更适合于复杂中心城区的不同类型建筑物的分类。     

基于改进U-Net网络的多源遥感影像洪涝灾害信息提取与变化分析

基于遥感影像的信息提取与变化分析是检测地球表面变化的重要方法,在城市规划、环境监测、灾害评估等方面应用广泛。合成孔径雷达（SAR）可以穿透云层,实现洪水期的对地观测,但侧视成像会随地形起伏产生叠掩、阴影等现象。DEM可以提供地面点的高程信息,反映地形的起伏变化,但无法提供地物信息。因此,本文提出了一种融合多源遥感影像、基于改进U-Net网络的变化检测方法;并通过试验证明了该方法可以实现高精度、高效的洪涝灾害信息提取。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

房屋等建筑物的分布情况是衡量地区发展的重要指标,利用遥感影像实现建筑物的自动高精度提取在指导城乡规划和市镇建设等方面具有重要意义。已有方法大多忽略了像素数较少的小面积建筑和边缘等细节信息的处理,针对此问题,提出了一种双路细节关注网络,将语义特征与细节关注特征双路并行优化,进一步提高了遥感影像中建筑物的提取精度。所提方法首先使用双路特征提取模块获取语义特征与细节关注特征,并在解码过程中进行双向优化,增强语义特征细节的同时提高细节关注特征的连续性与类别准确性,然后对二者进行融合,结合细节关注损失的监督,实现建筑物的高精度提取。在WHU建筑物数据集、ISPRS Vaihingen数据集与某地区国产高分数据集上,将所提方法与多种主流方法进行了对比验证,所提方法的F1分数和交并比均高于对比方法,且提取的建筑物完整性更好,小面积建筑漏检、误检率更低。

     

基于混合损失函数的U-Net网络建筑物提取

针对传统卷积神经网络进行建筑提取时效果不佳的问题,本文以U-Net网络为基础,在U-Net网络的跳跃连接结构中加入注意力门机制,并且使用混合交叉熵损失函数和Lovasz损失函数的策略监督训练。上述方法可有效解决不同层级特征在跳跃连接时,因语义鸿沟而造成拼接后的特征语义损失的问题,而混合损失函数的策略还能有效整合多个不同混合损失函数的优势,从而增强模型的鲁棒性。定性和定量化的实验结果均表明,本文方法的建筑物提取结果错漏较少,建筑物提取效果较为完整,并且精度较其他对比方法有一定优势。     

空间信息感知语义分割模型的高分辨率遥感影像道路提取

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。     

深度学习网络支持下的农房侵占耕地自动化监测

近年来,违法占用耕地现象屡禁不止,如何利用人工智能等新一代信息技术,快速摸清农村乱占耕地建房底数,做到"早发现、早制止、严查处",是当前整治农村乱占耕地建房工作的研究难点之一。本文通过对高分辨率自然资源影像数据进行预处理,构建基于深度学习网络的自动化监测模型,应用模型进行预测并对输出结果进行GIS优化和空间叠加。试验结果表明,该方法可以快速监测出疑似侵占耕地的违法房屋,为坚守"耕地红线不突破"的底线提供了智能化技术选择,可服务于整治农村乱占耕地建房工作。     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法.该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保...     

Landsat 8 地表温度产品降尺度深度学习方法研究

以光谱指数为趋势面因子的降尺度方法被广泛用于遥感地表温度尺度转换中,但面临构建的光谱指数难以凸显地表温度分布规律、浅层的统计模型难以精准刻画趋势面因子与地表温度之间的复杂关系的不足。为此,本文以Landsat 8 ARD 地表温度产品为降尺度对象,以Landsat 8 OLI原始数据为潜在趋势面因子,构建地表温度降尺度残差网络（LSTDRN）的深度学习模型;探索适用于Landsat 8地表温度产品空间降尺度的趋势面波段或组合,并在不同季节、不同地表类型下与经典传统方法TsHARP进行定量比较。结果表明：LSTDRN方法利用Landsat 8 OLI原始单波段作为趋势面因子就能有较好的降尺度效果,增加潜在趋势面因子的组合数量并不能提高降尺度效果。不同地表覆盖类型实验中,LSTDRN方法降尺度效果整体优于经典传统方法,且以近红外波段、红光波段和归一化植被指数为趋势面因子时,近红外波段降尺度效果定量评价表现最佳;不同地表覆盖类型的LSTDRN降尺度效果排序为：植被>建筑>水体,而经典传统方法则没有表现出明显的差异。不同季节实验中,LSTDRN方法在春夏冬3季的降尺度效果的定量评价表现明显好于经典传统方法,两类方法的秋季降尺度结果相当。因此,提出的LSTDRN对Landsat 8遥感地表温度产品具有较好的降尺度效果,整体优于经典传统方法且稳定性更强。     

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

基于遥感技术的公路工程地质分析

结合具体工程项目,对遥感技术应用于公路工程地质勘察时的技术路线、技术方法进行了阐述,并重点介绍了工程区内断裂、地形地貌和工程地质条件的研究结果,对工程的设计与施工提出了建议.     

深度学习在光学和SAR影像融合研究进展

遥感影像融合作为影像处理领域中最具有挑战的工作,一直是学术界研究的热点。合成孔径雷达SAR(Synthetic Aperture Radar)具备全天时、全天候、穿透云雾等多种特点,却因存在相干斑噪声等问题,使得影像难以解译。相比之下,光学影像可以反映地物的光谱和空间信息,易于解译,但容易受到云雾干扰,造成信息丢失,将光学与SAR影像数据融合可以实现不同类型传感器成像之间的信息互补,能够更好地为后续的影像分析与解译提供方便。本文首先对光学和SAR影像融合进行了系统性回顾,包括传统融合方法和基于深度学习方法在影像融合方面的最新工作,重点阐述了卷积神经网络CNN (Convolutional Neural Network)、生成式对抗网络GAN (Generative Adversarial Networks)等框架在光学和SAR影像融合中的进展;然后总结了光学和SAR影像融合在深度学习领域开发的数据集,并做了简单介绍和说明;最后,从数据集、时间序列影像融合、融合评价体系和算法轻量化等4个方面对光学和SAR影像融合的未来发展趋势进行了展望。     

Sentinel+Landsat融合影像的城市不透水面积参数获取

不透水面是衡量城市化的发展程度和评价城市生态环境质量的重要指标之一。南昌市作为环鄱阳湖生态经济圈的典型代表区域城市之一,准确、及时、高效地获取其不透水面信息对经济发展和生态规划提供全新的决策参考具有重大意义。现有的不透水面研究大多集中在针对单一光学遥感影像数据提取不透水面信息,但受影像数据源的影响,其分类结果往往存在光谱混淆和“椒盐”现象,限制了不透水面分类精度的进一步提高。为了改善这一局面,本文以南昌市为研究区,综合考虑多源遥感影像数据各自具有的影像特征优势,探究基于Sentinel+Landsat影像提取不透水面信息的适用性与优劣性。