主动学习和卷积神经网络的地图图片识别方法

针对目前互联网中存在有大量地图图片识别精度低、分类模型训练困难等问题,该文提出了一种基于主动学习和卷积神经网络的地图图片识别方法,通过主动学习算法优化地图/非地图图片样本数量及分类结构,可使用少量的训练样本以及人工投入,来获取基于卷积神经网络的高精度地图图片识别模型。结果表明:基于主动学习方法将地图/非地图图片样本类型划分为17类时,地图图片识别精度最高,约为95.01%。本文地图识别方法可有效地推动图像地理信息挖掘、地图审查及地理信息监管等领域的技术进步。     

基于CNN模型的遥感影像液气贮存设备识别

基于卷积神经网络（CNN）进行遥感影像液气贮存设备提取。基于0.3 m、0.5 m、2.1 m分辨率的多源遥感影像,通过训练CNN模型来提取液气贮存设备,检测精度F值分别为0.78、0.77和0.36;基于0.3 m、0.5 m、1 m分辨率的无人机影像,训练得到不同的CNN模型,迁移学习至0.8 m分辨率的高分影像上进行液气贮存设备识别,检测精度F值分别为0.08、0.73和0.71。结果表明,CNN模型可有效提取液气贮存设备,且训练样本包含的信息越均一,识别精度越高;CNN模型对多源遥感影像具有较好的迁移学习能力,在遥感影像典型目标识别与提取方面具有较好的应用前景。     

高分影像场景分类的半监督深度卷积神经网络学习方法

传统基于深度卷积神经网络的场景分类方法往往需要大量标记样本用于模型的参数训练,在标记训练集数量有限的情况下,学习得到的特征泛化能力降低.针对这一问题,本文提出了高分影像分类的半监督深度卷积神经网络学习方法(3sCNN),采用自学习半监督策略,训练阶段不断增加训练样本:首先,通过有限的标记数据对深度网络进行初步训练;然后...     

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。     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向.采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别.本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中...     

面向机器阅读的地图名称注记类别识别方法

地图在人们的生产生活中发挥着重要作用,地图注记中蕴含大量信息,识别地图名称注记类别对未来计算机阅读地图以及进一步绘制地图具有重大意义。近年来,热门的深度学习技术尤其是卷积神经网络对解决图像分类问题具有良好效果,使用训练集对卷积神经网络进行训练,神经网络模型可以提取出数据集图片中的特征,并不断调整模型参数直到训练完成。以谷歌的开源框架TensorFlow作为实验的深度学习平台,对多部地图集的多份注记数据集进行智能分类研究,从地图集中人工获取注记图片作为样本数据集,构建卷积神经网络模型并尝试混合训练和分开训练两种方式。实验表明,混合训练方式获得的模型表现更加出色。     

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。     

利用深度卷积循环神经网络的高光谱影像空谱特征分类方法

针对高光谱影像分类问题,提出了基于深度卷积循环神经网络的高光谱影像空谱特征分类方法.首先将高光谱数据立方体看作一组特征序列;然后利用深度卷积循环神经网络构建特征序列的依赖关系,并采用"预训练+微调"的训练策略对深层网络模型进行训练,从而使得所设计的深层网络在训练样本较少的情况下也能得到更加充分的优化.在Pavia大学和Indian Pines数据集上的试验结果表明,构建的深度卷积循环神经网络的分类精度比RNN方法分别提升了9.49％和5.8％.     

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。