基于遥感影像的生产建设项目扰动图斑人机协同智能提取方法

水土保持生产建设项目扰动图斑解译工作多以人工目视解译方法实现,在实际工作中,存在效率低、成本高、主观性强等问题。本文提出了“智能提取模型+遥感监管协作平台”的生产建设项目扰动图斑人机协同智能提取框架,通过本底数据要素标注、数据增强等手段构建变化检测数据集,采用改进的U-Net++模型开展生产建设项目扰动图斑智能提取试验。结果表明,模型平均准确率为79.59%,面积召回率为80.90%。针对检测模型容易误提取伪变化和云雾遮挡区域,以及存在图斑破碎、轮廓不规整等问题,在自动提取成果的基础上构建了分布式并行协同解译平台,对扰动图斑进行增、删、补、检,并将最终结果作为新样本反馈给模型,进一步提升模型性能,形成样本与模型间的良性循环,提高了实际工作效率。     

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。     

高分辨率遥感影像的深度学习变化检测方法

为提升高分辨率遥感影像的变化检测精度,提出一种利用深度学习的变化检测方法。在预处理的基础上,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并通过设置自适应采样区间提取最可能的变化和未变化区域样本。构建并训练包含标签层的高斯伯努利深度限制玻尔兹曼机模型,以提取变化和未变化区域深层特征,从而有效辨别变化区域。通过WorldView-3与Pléiades-1影像的试验表明本文方法在变化检测精度方面优于对比方法。     

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。     

基于多源高分辨率遥感影像的典型自然资源要素提取

利用高分辨率遥感数据具有高空间分辨率的特性,本文以青海省西宁市0.3和1 m多源高分辨遥感影像为数据源,基于卷积神经网络深度学习算法进行典型自然资源要素提取。结果表明,0.3 m遥感影像提取耕地、林地准确率均在85%以上,召回率在89%以上;1 m遥感影像提取耕地林地准确率在90%以上,召回率在91%以上,研究成果可用于西宁市自然资源典型要素智能提取。     

融合Transformer结构的高分辨率遥感影像变化检测网络

为解决遥感影像变化检测全局上下文信息捕获的问题,本文提出了基于孪生结构、跳跃连接结构及Transformer结构的TSU-Net。该模型编码器采用混合CNN-Transformers结构,借助自注意力机制捕获遥感影像的全局上下文信息,增强了模型对于像素级遥感影像变化检测任务的长距离上下文建模能力。该模型在LEVIR-CD数据集和CDD数据集进行测试,F1得分分别为90.73和93.14,优于各对比模型。     

联合密集连接与注意力的遥感影像变化检测

针对高分辨率遥感影像变化检测中存在的变化像素与未变化像素边界难以准确区分以及变化小、目标检测中容易出现漏检等问题,本文提出一种联合密集连接与注意力的孪生网络(CDASNet)。该网络采用孪生网络的输入方式,并在编码阶段利用残差连接单元以及密集连接的方式增强对原始影像底层特征的提取,同时在解码阶段引入注意力模块为不同层次的特征图赋予新权重来关注变化信息,进一步利用跳跃连接将编码阶段的浅层特征和解码阶段的深层特征进行融合,最终经过上采样恢复原始影像分辨率得到变化检测结果。将本文方法应用在LEVIR-CD数据集和CDD数据集中进行实验,结果表明,本文提出的方法在精度和召回率上都优于FC-Siam-conv、FC-Siam-diff、DSAMNet、SUN-CD 4种方法。     

基于孪生注意力网络的高分辨率遥感影像变化检测

随着遥感影像空间分辨率的提升,地物成像特征愈加复杂,基于纹理表达和局部语义等技术的变化检测方法已很难满足需求.为提升高分辨率遥感影像的变化检测精度,构建了一套较大规模的0.8～2 m高分辨率遥感人类活动变化检测数据集(HRHCD-1.0);同时将空间注意力和通道注意力机制引入孪生变化检测网络中,设计了具有更强上下文变化...     

高分辨率遥感影像耕地提取研究进展与展望

耕地资源的快速、精准提取是支撑耕地保护和耕地用途管制的重要基础。随着高分辨率遥感和人工智能技术的快速发展,高分辨率遥感耕地提取已逐渐由传统的基于像元和面向对象的分类算法过渡至以深度学习为代表的智能化耕地提取新阶段,并取得不少成果,但也同样面临着诸多挑战。首先,梳理和分析了传统耕地提取算法和基于深度学习的智能化耕地提取算法的研究现状,阐述了深度学习支持下的耕地提取研究的必要性;然后,结合全卷积神经网络的发展历程,介绍了深度语义分割技术的基本原理以及在耕地提取应用中的实验流程,并归纳了主要的智能耕地提取算法;最后,围绕智能化耕地提取研究存在的不足,探讨了智能化耕地提取技术的发展趋势。     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

基于改进DeepLabV3+算法的遥感影像建筑物变化检测

变化检测是遥感测绘领域的重要任务,作为执法依据,在耕地非农化等场景监测中发挥重大作用。近年来,使用人工智能相关技术进行变化检测,常见的技术方案为叠加两期影像,再使用语义分割算法求解变化区域。本文使用变化检测数据集LEVIR-CD作为试验数据,在DeepLabV3+算法基础上,针对变化检测场景特点,对模型结构进行改进。以DeepLabV3+的孪生网络为主干,使用多层级特征交互操作,充分融合图像特征。结果表明,改进的网络结构更加适合变化检测任务场景。     

基于遥感+AI技术的沈阳市违法图斑的确定

研究了基于深度学习的自动变化检测等技术,并在沈阳市违法图斑确定项目中进行了深度应用。通过实际的成果分析,确定了该方法可以全方位提升遥感数据的自动化处理、分析能力,实现了影像变化信息的高精度、高效率提取,使目前的土地违法变化高效精准、常态化、低成本监测成为可能。     

面向建筑物边缘特征保持的遥感影像变化检测研究

随着深度学习技术在遥感变化检测领域的发展,许多基于卷积神经网络(CNNs)的变化检测算法得到了广泛的应用,但在建筑物变化检测中,仍存在样本不平衡、边界模糊等问题。为解决上述问题,提出基于孪生U-Net和边缘优化策略(Siamese U-Net and Edge Refinement Strategies, Siam-Unet-ERS)的建筑物变化检测方法。首先提出了边界优化策略,共享建筑物变化检测主任务和边界提取子任务之间的空间特征,以实现提升建筑物边界定位精度的目的。同时,设计了残差捷径模块,在不降低模型性能的同时提升模型收敛速率。网络在LEVIR-CD和WHU数据集上都经过验证和测试,分别达到了97.79%和98.92%的总体精度。实验结果表明,Siam-Unet-ERS方法优于一些以前较先进的变化检测方法。     

遥感大数据智能监测平台研究及应用

如何融合云计算、大数据、人工智能等先进技术手段,开展对遥感大数据的研究,进行遥感影像智能化处理,为空间智能应用提供更加精准、高效的数据支撑已成为必然,并具有广泛的应用前景。本文介绍了遥感大数据基本特征及研究现状,并运用深度神经网络等算法进行特征提取和目标识别,提出一种基于遥感大数据的智能监测方法,该方法结合了遥感技术和人工智能算法,通过对地表和大气信息的获取、分类和分析,实现了对城市环境、自然资源和生态系统的全面监测和管理。此外,开发了一套基于云计算和分布式处理的智能监测平台,该平台支持灵活的数据集成、可视化展示和实时预警功能,并已成功应用于城市的监测和管理任务中。     

基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测

建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题,本文结合面向对象图像分析技术,提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法,利用模糊集理论自动融合多尺度变化检测结果,并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中,并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果,召回率最高提升32%,F1指数最高提升25%,全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下,通过生成对抗网络进行样本迁移,与未使用样本迁移前的检测结果相比,召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3) Obj-SiamNet方法较其他变化检测方法,整体检测精度得到提升,F1指数最高提升23%,GTC最高降低9%。...     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

基于深度学习的乱占耕地建房疑似图斑自动提取方法研究

为实现农村乱占耕地建房问题“早发现、早制止、早查处”,本文提出一种基于深度学习的乱占耕地建房疑似图斑自动提取方法,利用高分辨率遥感影像解译模型,结合第三次国土调查成果耕地数据,快速识别乱占耕地建房疑似图斑。最后以江苏省某县级市为例开展实验,实验表明：该方法提取结果准确率高、用时少,可为耕地保护、督察执法提供重要支撑。     

基于遥感影像的建筑物监测监管平台的设计与实现

针对人工目视解译方法在建筑物监测监管方面效率低下的问题,本文设计研发了基于遥感影像的建筑物监测监管平台.通过深度学习算法模型,实现对影像上建筑物的自动提取,并生成矢量图层,将不同历史时期的矢量图层通过GIS算法进行对比分析,自动提取差异,实现对建筑物的自动识别与监测,使劳动力得到了解放,提高了建筑物监测监管与执法的效率...