融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

基于深度学习的地震与爆破事件自动识别研究

针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9...     

优化卷积神经网络在道编辑中的应用

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.     

基于深度学习的甘蔗种植区域遥感提取方法研究

文章针对甘蔗种植区域提取的精度和效率等问题,提出了一种基于深度学习的高分辨率卫星遥感提取甘蔗种植区域的方法,设计了一种高效、准确、自动化的卷积神经网络(Sugarcane Extraction Convolutional Neural Network,以下简称SE-CNN).SE-CNN无需人为设计规则,能够自动学习甘...     

基于融合残差注意力机制的卷积神经网络地震信号去噪

由于U型卷积神经网络(Unet)在地震数据去噪中存在计算量大、网络退化和泛化能力弱等问题,本文为了提高去噪效果以及增强模型的泛化性,提出了一种融合残差注意力机制的卷积神经网络(RAUnet)。该网络结构主要由编码和解码两部分构成,网络的每个卷积层之后都加入了批标准化和带泄露整流激活函数。在编码器中,为了提高对噪声的提取能力,引入了残差结构和卷积块注意力模块。残差结构利用残差跳跃连接的方式减弱了网络退化,降低了特征映射的难度。卷积块注意力模块使用通道和空间的混合注意力权重,能提升相关度高的特征并抑制相关度低的特征。在解码器中,为了提升特征融合的维度恢复能力,选用双线性插值方式进行上采样。实验测试结果表明,对于合成地震信号,本文方法对简单模型和复杂模型随机噪声的压制效果均更有效,并且更好地保护了有效信号;对于实际地震信号,本文方法仍然能在去噪的同时尽量保持有效信号中的细节,对叠前数据和叠后数据都展现出了良好的泛化性。     

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。