利用Faster R-CNN进行立交桥自动识别与定位

立交桥结构的自动识别对道路网多尺度建模、空间分析和车辆导航具有重要意义.传统基于矢量数据的立交桥识别方法过分依赖人工设计的特征,对复杂场景的适应性较差.本文提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法,该方法利用卷积神经网络学习立交桥样本的深层次结构特征,进而实现立交桥的自动识别与准确定位...     

利用路段分类识别复杂道路交叉口

道路网数据中微观结构的识别对于多尺度路网建模、步行导航等至关重要。复杂道路交叉口是重要的道路微观结构之一,针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,从复杂交叉口识别与化简的角度出发,提出了一种利用路段分类进行复杂道路交叉口识别与化简的方法。该方法首先通过点密度聚类的方法对道路交叉口进行定位,然后利用路段的规模、形状和属性等特征构建特征空间,将交叉口的识别作为一种区分主干路段与辅助路段的两类分类问题,利用支持向量机的方法对交叉口区域内的路段进行分类,从而完成交叉口的识别与化简。利用开放街道地图(OpenStreetMap)数据进行实验,结果表明,该方法能够有效地识别道路交叉口。     

基于结构模式的道路网节点匹配方法

道路网数据中微观结构的识别对于多尺度路网建模、步行导航等至关重要。复杂道路交叉口是重要的道路微观结构之一,针对目前道路复杂交叉口基于几何形状描述与图形匹配识别方法存在的不足,从复杂交叉口识别与化简的角度出发,提出了一种利用路段分类进行复杂道路交叉口识别与化简的方法。该方法首先通过点密度聚类的方法对道路交叉口进行定位,然后利用路段的规模、形状和属性等特征构建特征空间,将交叉口的识别作为一种区分主干路段与辅助路段的两类分类问题,利用支持向量机的方法对交叉口区域内的路段进行分类,从而完成交叉口的识别与化简。利用开放街道地图（Open Street Map）数据进行实验,结果表明,该方法能够有效地识别道路交叉口。     

利用OpenStreetMap数据进行高空间分辨率遥感影像分类

针对高分辨率遥感影像分类样本标注困难的问题,提出了一种利用OpenStreetMap （OSM）数据自动获取标注样本的方法。与现有的利用OSM数据进行分类的方法不同,该方法加入了空间特征以弥补单独使用光谱特征分类的不足。首先,基于OSM数据提供的地物类别和位置信息进行样本标注,为了降低OSM数据中少量错误信息对分类结果的影响,采用聚类分析的方法对样本进行提纯;其次,使用形态学轮廓来提取影像的结构特征,挖掘高分辨率遥感影像丰富的空间信息,与光谱特征相叠加并输入分类器进行分类。试验证明,本文提出的方法能够有效避免人工样本标注所需要的人力物力;同时,联合影像的光谱空间特征能够更好地描述地物特性,得到较高的分类精度。     

基于特征的模糊神经网络遥感图像目标分类识别

特征是图像处理中用于辨识目标的最基本属性.提出了利用模糊神经网络方法,针对舰船的几何特征、矩特征和纹理特征进行舰船目标识别处理.首先简单地描述了几何特征、矩特征尤其是Hu矩特征、一阶纹理特征和二阶纹理特征.然后分别对仿真数据、卫星观测数据中的舰船目标,以及自动检测处理获取的舰船目标的几何特征、Hu机特征和纹理特征进行了提取和分析.模糊神经网络方法可以综合模糊集理论和神经网络方法的优势,有效地实现基于特征的图像目标分类识别处理.文章首先描述了一种主从神经元结构的模糊神经网络分类识别方法,然后利用该方法对大型舰船进行分类识别,包括基于单类舰船特征的分类识别和基于多源(时相)数据融合的分类识别.实验结果表明,基于大型舰船的几何特征、矩特征和纹理特征,利用模糊神经网络方法可以实现对大型舰船目标的有效分类识别.通过多源数据融合处理,可以改善分类识别效果.     

顾及可信度的OpenStreetMap数据清理

OpenStreetMap(OSM)的数据由大众自发标报,因而存在大量虚假、低质量的数据,数据清理是OSM数据走向实用的重要前提。可信度被多位研究者提出作为OSM数据质量的评价手段,但目前OSM数据清理的研究工作中很少顾及众源地理信息的可信度,因此,本文提出了顾及可信度的OSM数据清理模型。该模型首先计算出顾及用户信誉的OSM数据的可信度,再对数据按照属性进行分类,根据不同属性的数据可信度分布情况设置该属性数据相应的阈值并进行清理,对低于阈值的数据进行人工检查,高于阈值的数据则筛选出用户信誉与可信度不相等以及新建的数据进行人工检查,最后采用OSM真实历史数据中的线对象进行实验,实验结果表明:该模型能够有效地清理出绝大部分的虚假以及低质量数据。     

基于规则的OpenStreetMap数据模型转换

周边区域地理信息的获取是我国地缘环境研究中的一个难题,志愿者地理信息(volunteered geographic information,VGI)的兴起为解决该难题提供了一个可行的方法。在目前一系列的VGI项目中,OpenStreetMap(OSM)是比较领先的应用,但OSM数据模型不同于我国周边应用的专业矢量数据模型,因此,利用OSM数据时首先需要对其进行模型转换。有鉴于此,本文提出了一种基于规则的OSM数据到专业应用矢量数据模型转换方法。该方法首先利用OSM定义的几何类型与地物属性作为分类依据,建立了模型转换基本规则库;对于志愿者根据自己的理解自行标注未包含在基本规则库中的目标采用人机交互方式进行模型转换,并在此过程中不断完善规则库,利用越南与巴基斯坦数据进行实验,最终形成了包括2 344条转换规则的模型转换规则库,为OSM数据模型到专业应用矢量数据模型的转换提供了一条可行途径。     

BP神经网络的道路场景杆状地物自动分类

针对车载激光扫描数据中杆状地物分类精度不高、自动化程度低的问题,本文提出一种基于BP神经网络的分类方法。首先根据杆状地物点云特征选取10个特征值,获取杆状地物聚类单元的特征向量,构建特征矩阵;然后使用样本集训练BP神经网络模型并保存该分类模型;最后使用BP神经网络分类模型对试验区内的杆状地物进行分类。试验结果表明,该方法对杆状地物的分类精度可达95.34%,验证了文中所述方法对杆状地物分类的有效性。     

基于机载LiDAR数据的大型立交桥三维建模方法

大型立交桥是城市交通的重要组成部分,也是城市地区中最为复杂的地物之一。立交桥三维可视化建模是数字化城市建设的重要课题,然而其复杂的几何与拓扑结构导致许多传统的统一建模方法无法正确表达其特征,一些商业软件中的表达方法又过于抽象,无法提供直观的感受以及交互式的处理。本文提出一种基于机载LiDAR数据的大型立交桥建模方法。主要特点包括：1）采用了分割后建模的策略,提出了自动的立交桥结构分割方法,能够将复杂的交汇、分叉结构分割成多个结构简单的区段,为后续建模工作打下了重要基础;2）在轮廓中确立约束边,采用全约束三角网建模方法,建立了立交桥三维可视化模型;3）利用区段建模信息结合先验知识检测并恢复被遮挡的结构。实验结果表明,本文先分割后建模的思想在复杂结构立交桥的建模问题上可以取得令人满意的结果,全约束三角网建模的方法很好的保留了模型的三维特征,更重要的是可用于恢复被遮挡的结构,从而使得模型具有完整的三维结构。整个模型在地理位置,几何尺寸以及拓扑关系上均与实际地物保持一致,具备三维浏览以及交互式操作的条件。对模型质量和算法效率的分析进一步说明了本文方法的可行性、有效性。     

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。     

顾及拓扑联通性的互通式立交桥增量更新

由于互通式立交桥错综复杂的拓扑结构特点,使互通式立交桥更新时存在拓扑联通性维护困难的问题,针对该问题提出一种顾及拓扑联通性的互通式立交桥增量更新方法.该方法以21种互通式立交桥类型为基础,通过分析每种类型的拓扑结构特点,用计算匝道数和平面交点数组成的二元组值来识别这21种互通式立交桥;根据不同类型互通式立交桥需要维护的...     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

高光谱热红外遥感：现状与展望

针对高光谱影像分类中的深度学习模型设计问题,提出了一种面向高光谱影像分类的网络结构自动搜索方法。该方法首先利用可微分结构搜索技术在源高光谱数据集上进行网络结构搜索,然后采用堆叠单元的形式构建深度网络模型,最后利用目标高光谱影像对模型进行分类性能评估。该方法仅在源高光谱数据集上进行一次网络结构搜索,得到的深度网络模型即可应用于其他目标高光谱影像的分类任务,能够有效提高模型利用率。为了提高自动搜索得到的模型的泛化能力和分类精度,采用多源多分辨率的高光谱影像构建源数据集,并引入部分通道连接操作提高搜索效率。试验表明,该方法能够自动搜索出适合高光谱影像分类任务且具备一定通用性的深度网络模型,该模型能够取得较常规深度学习模型更为优异的分类效果,在University of Pavia、Indian Pines、Salinas和Houston 2018这4个目标高光谱影像上分别取得了98.15%、98.74%、97.30%和74.47%的总体分类精度。

     

Sentinel-3 OLCI数据的内陆湖泊有机悬浮物浓度遥感估算

有机悬浮物OSM (Organic Suspended Matter)是湖泊有机碳库的重要组成成分,对研究湖泊生态环境和初级生产力具有重要意义.本研究以太湖、巢湖、涌湖、小兴凯湖、滇池、洪泽湖、呼伦湖和南漪湖8个内陆湖泊为研究区,发展了适合内陆水体的有机悬浮物浓度遥感估算方法.基于B6、B7波段的斜率和B10、B11波...     

Kohonen神经网络在遥感影像分类中的应用研究

根据Kohonen网的生物学基础 ,基本结构和学习算法 ,提出了解决遥感影像分类的途径。依据实验区土地利用类别的光谱特征 ,采用主成分分析对遥感影像进行预处理 ,结合地理辅助数据的量化输入训练出Kohonen自组织图后对融合有地理辅助数据的影像进行土地利用分类 ,并与BP网和最大似然法分类结果进行分析比较。结果表明 ,地理辅助数据的参与对提高Kohonen网影像分类精度具有意义     

基于LDCNN特征提取的多核SVM高分辨率遥感影像场景分类

针对卷积神经网络特征维度高且单层特征不能准确表达复杂高分辨率遥感影像语义信息的问题,本文提出了一种提取低维卷积神经网络(LDCNN)深层次特征进行多核SVM分类的场景分类方法.首先将预训练的卷积神经网络改造成低维网络结构,其次提取低维网络的不同深层特征并进行不同核函数的SVM分类,找到对应的最优核函数;然后将多种最优核...     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。