基于深度卷积神经网络的遥感图像船只识别

根据遥感图像的特点,针对海面目标难以准确识别的问题,提出了一种基于深度卷积神经网络的船只识别方法.首先利用分类网络进行图像的预分类,然后在分类结果的基础上,构成双通道的识别体制,识别网络采用Faster R-CNN.针对受云雾遮挡的船只识别问题,利用改进的深度卷积神经网络结构开展网络训练与调优,处理结果的F1-Scor...     

基于卷积神经网络模型的照片精细化识别研究

目前的照片精细化识别主要是基于传统机器学习,识别精度无法保证大范围应用,部分基于神经网络模型的方法在提升精度的同时难以兼顾效率。基于此,提出一种轻量化的卷积神经网络模型,减少了模型的参数量与计算量,从而提高速度。方法包含跨阶段融合以及多尺度融合策略,强化模型的特征学习能力,提升模型的预测精度。在利用三调照片对菠萝、柚子、香蕉等地表植被的识别中,通过与主流模型的对比实验发现,提出的模型在识别速度和精度方面均有较大提高。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

基于显著性卷积神经网络的变化检测方法

针对变化检测方法对差异遥感影像去除斑点噪声和地物边缘检测效果不佳的问题,该文提出一种基于显著性卷积神经网络(SCWNN)的变化检测方法。该方法采用上下文感知显著性检测方法,提高遥感影像中差异较大区域显著性值,减小差异较小区域显著性值,有效优化了地物边缘,同时降低斑点噪声;然后采用卷积神经网络方法,克服了由于样本不足对变化检测精度的影响。通过超高分辨率影像和合成孔径雷达两组双时相遥感影像数据进行实验,结果表明方法的有效性和鲁棒性。     

立交桥识别的CNN卷积神经网络法

OSM数据中立交桥结构的识别和分类,能够为构建多尺度模型、导航和位置服务、拥堵分析等提供重要信息。传统的立交桥识别方法依赖于人工设计的低层次特征,无法有效区分存在干扰路段的复杂立交桥结构。本文针对当前算法抗差性上存在的不足,提出了一种新的基于卷积神经网络的立交桥识别方法。该方法将矢量数据与栅格图像相结合,利用神经网络学习区分立交桥类型的高层次模糊性特征,从而对OSM中的复杂立交桥结构进行分类。试验表明,该方法有较强的抗干扰性,在复杂的立交桥形态分类中取得了良好的效果,并随着案例库的扩充和神经网络模型的优化存在进一步提升的空间。     

深度卷积神经网络的遥感影像水体识别

从遥感影像中准确识别水体信息对水资源管理和洪涝灾害监测有重要意义。目前,传统遥感水体识别方法仍存在着不足,难以满足实际应用中的精度要求。近年来,卷积神经网络CNN (Convolutional Neural Network)的快速发展,为高分辨率遥感水体识别提供了新的思路。本文基于高分一号卫星数据,利用DenseNet、ResNet、VGG、HRNet等CNN模型和传统的归一化差异水体指数（NDWI）进行洪泽湖地区不同季节的水体识别,并采用精确度（P）、召回率（R）、F1分数和误判率（MRate）等指标来评价各种方法的水体识别能力。在DenseNet经典结构中加入了上采样过程和跳层连接结构,以解决梯度爆炸和梯度消失问题;采用OSTU方法确定NDWI的最优阈值,以降低水体识别的不确定性。得出主要结论如下：（1）所有CNN网络模型的水体识别效果都显著优于传统NDWI方法;例如,NDWI识别的精确度仅为0.779,而所有CNN网络模型的识别精确度均高于0.922。（2）改进后的DenseNet模型有效缓解了梯度爆炸与梯度消失的问题,其水体识别结果在识别精确度P(0.960)和误判率（0.04...     

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

面向地图图片识别的两种卷积神经网络分析

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.     

基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

排水管网GIS数据入库与更新方法研究

在对排水管网数据特征进行分析的基础上,设计了其在排水管网GIS系统中的入库算法,对新测管网数据和历史管网数据先进行缓冲区分析确定数据更新范围,然后叠加分析并进行相应数据编辑,实现排水管网GIS系统中数据的更新。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围,获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度,提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明,本文架构ZF模型和本文架构VGG-16模型的mean average precision(mAP)分别比Faster-RCNNZF模型和Faster-RCNNVGG-16模型提高8.17%和8.31%,本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取

本文以宁夏盐池Landsat 8影像、高分二号影像、LiDAR数据插值生成的DEM数据、地理国情普查数据等为数据源,首先利用一年多期的Landsat 8影像确定提取内陆盐沼湿地的最佳时相;然后对最佳时相的高分二号(GF-2)融合影像等数据进行多尺度叠置分割,获取NDVI、DEM、穗帽变换等特征,采用最邻近分类器提取内陆...     

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

城镇地籍数据更新与监理入库子系统设计方案探讨

本文结合作者目前所从事的城镇地籍数据库建设工作的相关经验,论述了城镇地籍数据库建设面临数据不断更新的需求,并基于城镇地籍管理信息系统,提出了一整套具有实际操作意义的城镇地籍数据更新、数据监理、数据入库模块的设计方案。     

地形图更新的数据监理与数据入库子系统设计方案探讨

结合作者目前所从事的数字化地形图数据库建设工作的相关经验,为满足地形图数据库面临不断更新的需求,基于基础空间数据库管理系统,提出了一整套具有实际操作意义的数字化地形图数据更新、数据监理、数据入库模块的设计方案。     

注意力机制与卷积神经网络融合的军队标号识别方法

手绘军队标号识别是基于草图的战场态势表达的重要组成部分.针对现有的草图特征手工提取方法费时费力,以及依靠数据驱动的深度学习方法泛化能力受到训练数据多样化制约的问题,提出一种注意力机制与卷积神经网络融合的军队标号识别方法.首先构建了特征提取模型Sketch-Net,实现手绘军队标号特征的初步提取;然后引入注意力机制模块,...     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

基于改进卷积神经网络的城市地下排水管道视频智能识别

城市地下排水管道是市政工程中的一个重要基础设施,但随着管道的老化,不同类型的缺陷开始产生,如何及时有效地对其进行智能识别是当前市政管理面临的一个重要挑战。对此,本文利用当前最新的深度学习进行管道视频图像的智能识别,提出了基于改进卷积神经网络的IM-CNN算法。算法基于InceptionV3框架,针对需要识别的管道图片不同类别缺陷间具有类不平衡性的特点,设计了面向管道识别的改进特征融合策略及新的目标函数。基于地下排水管道数据集的试验表明,该算法的预测识别能力不仅优于传统的机器学习算法,而且强于已有直接利用卷积神经网络的算法。     

基于卷积神经网络的快速SAR自聚焦方法

自聚焦是SAR高分辨率成像的关键技术。然而,传统的SAR自聚焦方法均需要迭代多次,实时性差,不适合在轨处理。本文提出了一种基于卷积神经网络的在轨快速SAR自聚焦方法(CNN-AF),该方法采用卷积神经网络来学习失焦图像到聚焦图像的映射,主要用于校正方位向的相位误差,由于在测试阶段该方法无须迭代和调整参数,因此该方法实时性好,更加适用于在轨处理。在真实SAR数据上的试验结果表明,本文方法具有较高的聚焦质量和聚焦速度。