检索结果-南通市图书馆

基于机载高光谱影像的农田尺度土壤有机碳密度制图

在线全文

学校读者我要写书评

暂无评论

遥感学报 2024年第1期28卷 293-305页

作者：刘潜王梦迪郭龙王冉贾中甫胡献君唐乾坤石铁柱深圳大学自然资源部大湾区地理环境监测重点实验室&广东省城市空间信息工程重点实验室&深圳市空间信息智能感知与服务重点实验室深圳518060 华中农业大学资源与环境学院武汉430070 内蒙古自治区测绘地理信息中心呼和浩特010020 海军工程大学武汉430032 自然资源部第三航测遥感院&四川测绘地理信息局成都610100

准确监测土壤有机碳密度SOCD(Soil Organic Carbon Density)对调控土壤碳汇、合理利用土壤资源具有重要意义。机载高光谱影像为精细化SOCD制图提供了重要数据源。由于机载高光谱在数据收集过程中易受到外部因素的影响,光谱中存在噪声影... 详细信息

准确监测土壤有机碳密度SOCD(Soil Organic Carbon Density)对调控土壤碳汇、合理利用土壤资源具有重要意义。机载高光谱影像为精细化SOCD制图提供了重要数据源。由于机载高光谱在数据收集过程中易受到外部因素的影响,光谱中存在噪声影响SOCD的估算精度。因此,本研究旨在探究基于机载高光谱影像估算SOCD的技术流程。对原始光谱进行预处理,包括一阶微分FD(First Derivative)和包络线去除CR(Continuum Removal)变换。采用遗传算法GA(Genetic Algorithm)选择特征波段,并结合不同回归方法,如偏最小二乘回归PLSR(Partial Least Square Regression)、多元线性回归MLR(Multiple Linear Regression)、支持向量机SVM(Support Vector Machine)和人工神经网络ANN(Artificial Neural Network)估算SOCD。结果表明,在经过GA特征波段选择后,原始光谱、FD光谱和CR光谱预测SOCD的精度均有所提高。使用原始光谱特征波段,PLSR、MLR、SVM和ANN共4种模型预测SOCD的决定系数R~2分别为0.672、0.621、0.551和0.678。使用FD与CR光谱特征波段的R~2范围分别在0.452—0.593和0.332—0.602,具有较大的误差。利用原始光谱的特征波段进行SOCD数字制图,不同回归模型预测的SOCD在空间上具有较为相似的变化趋势,与SOCD测量值较为相近,绝对误差较大的点多出现在采样点边缘附近。

关键词：土壤有机碳密度机载高光谱遗传算法数字土壤制图

神经辐射场应用于大规模实景三维场景可视化研究进展

在线全文

学校读者我要写书评

暂无评论

遥感学报 2024年第5期28卷 1242-1261页

作者：赵强佘江峰万奇峰贺丽霞李思睿吴双品南京大学地理与海洋科学学院自然资源部国土卫星遥感应用重点实验室江苏省地理信息技术重点实验室南京210023 商丘师范学院测绘与规划学院河南省农业遥感大数据发展创新实验室河南省黄河故道生态保护与治理工程技术研究中心商丘476000

地理实景三维场景是重要的国家数字基础设施,其将地理信息从传统二维平面扩展到信息更丰富更全面的三维空间,数据以显式三维模型的形式存储表达。然而,经典的显式三维模型具有数据量大、可视化效果粗糙等问题,在一定程度上限制了实景三... 详细信息

地理实景三维场景是重要的国家数字基础设施,其将地理信息从传统二维平面扩展到信息更丰富更全面的三维空间,数据以显式三维模型的形式存储表达。然而,经典的显式三维模型具有数据量大、可视化效果粗糙等问题,在一定程度上限制了实景三维模型的实际应用。神经辐射场NeRF(Neural Radiance Field)是一种基于神经隐式立体表达(Neural Implicit Volume Representing)进行可微渲染(Differentiable Rendering)以实现高质量视图合成的新方法,由Mildenhall等(2020)首次提出,以其逼真的视图合成效果与新颖的实现方式成为计算机视觉领域的热点研究方向。自NeRF提出以来,国内外爆发式涌现出大量有关神经辐射场的研究文献,主要聚集于可视化效果的生成方法研究,兼有少量将其用于大规模实景三维场景可视化研究探索。本文回顾了神经辐射场提出的背景,概述了神经辐射场及其在大规模实景三维可视化方面的研究进展,分析了目前利用神经辐射场进行大规模实景三维场景可视化研究中被关注的无边界场景、锯齿效果、瞬态遮挡、光度一致性、场景重照明与可见性场等问题,指出了目前研究在多源数据融合、视觉效果优化、虚拟环境感知等方面面临的挑战,对未来值得进一步深入探索的方向进行了展望。

关键词：遥感神经辐射场视图合成隐式立体表达计算机视觉虚拟地理环境

在线全文

学校读者我要写书评

暂无评论

稠密连接递归特征金字塔的遥感目标检测算法

遥感学报 2024年第6期28卷 1602-1614页

作者：吕奕龙李敏吴肇青何玉杰火箭军工程大学作战保障学院西安710025

针对遥感目标检测中,目标尺寸较小、相似地物易混淆和背景复杂干扰大等问题,提出了一种基于稠密连接递归特征金字塔的遥感目标检测算法。首先,为充分利用遥感图像特征对特征融合模式进行了改进,利用典型相关分析CCA(Canonical Correlati... 详细信息

针对遥感目标检测中,目标尺寸较小、相似地物易混淆和背景复杂干扰大等问题,提出了一种基于稠密连接递归特征金字塔的遥感目标检测算法。首先,为充分利用遥感图像特征对特征融合模式进行了改进,利用典型相关分析CCA(Canonical Correlation Analysis),取代较为简单的逐像素相加融合模式,增强特征融合有效性;其次,为加强对小尺度目标的特征提取加入多感受野机制,利用不同尺寸的空洞卷积提取并融合不同感受野的特征,增强网络感知力;接着,为解决遥感多尺度目标泛化问题对特征递归形式进行改进,引入稠密连接结构,增强特征融合密度,充分利用骨干网络与高低层特征信息;最后,在前文基础上构建稠密连接递归特征金字塔模型DR-FPN(Densely-connected Recursive Feature Pyramid Network),并利用融合信息实现对遥感目标的精准定位。实验结果表明,在通用数据集MS-COCO2017上,使用本文金字塔模型平均精度可以提升9.9%;在遥感数据集NWPU VHR上,使用本文算法平均精度可以提升1.1%;在遥感数据集DIOR上,使用本文算法平均精度可以提升2.2%,超过其他特征金字塔模型和检测算法;在大规模遥感数据集DOTA上,使用本文算法平均精度可以提升1.8%,超过其他特征金字塔模型和检测算法,实现了对遥感目标的高精度检测。

关键词：遥感图像目标检测特征金字塔特征递归稠密连接

Hybrid-Gird:遥感图像细粒度分类可解释方法

在线全文

学校读者我要写书评

暂无评论

遥感学报 2024年第7期28卷 1722-1734页

作者：朱凯雯尤亚楠曹婧宜孟钢乔媛媛杨洁北京邮电大学人工智能学院北京100876 北京市遥感信息研究所北京100192

基于遥感图像的目标细粒度分类深度神经网络已技术日益成熟,网络决策的可解释性研究是当前细粒度分类深度学习算法进一步提高决策可信度的关键问题。为精确表征对模型决策起决定性作用的本质特征,本文基于博弈竞争理论对遥感图像目标细... 详细信息

基于遥感图像的目标细粒度分类深度神经网络已技术日益成熟,网络决策的可解释性研究是当前细粒度分类深度学习算法进一步提高决策可信度的关键问题。为精确表征对模型决策起决定性作用的本质特征,本文基于博弈竞争理论对遥感图像目标细粒度分类任务进行建模,分析了IG、SmoothGrad、Grad-CAM等可解释性方法在遥感图像目标细粒度分类网络上的适用性,提出了一种尺度自适应的目标细粒度分类本质特征可解释性分析方法Hybrid-Grid,使用像素级与局部特征关系融合算法提高对支撑网络决策的目标本质特征的精确描述能力。结果表明:本文提出的Hybrid-Grid对目标细粒度分类网络的解释效果在ADCC量化评估指标上达到78.87,相较Score-CAM有大幅提升;与SmoothGrad、Grad-CAM的解释结果相对比,本文方法在删除及精度损失实验上表现最好,使EFM-Net的Top-1准确率、Top-5准确率、F1得分分别损失了16.92%、1.61%、17.21%,证明Hybrid-Grid准确解释了对细粒度分类网络决策贡献最大的目标本质特征。本文提出的可解释性分析方法能够更精准地揭示当前目标细粒度分类网络的决策特征依据。

关键词：遥感图像可解释性分析方法目标细粒度分类网络可解释人工智能合作博弈理论本质特征

基于元学习和密集残差注意力的遥感图像任意尺度超分辨率重建

在线全文

学校读者我要写书评

暂无评论

遥感学报 2024年第7期28卷 1735-1745页

作者：魏小源孟钢张浩鹏姜志国北京航空航天大学宇航学院北京102206 北京市遥感信息研究所北京100192

超分辨率重建技术在卫星遥感图像信息智能处理领域中有重要的应用。现有面向遥感图像超分辨率重建的深度学习方法大多只能处理一种比例因子的超分辨率重建任务,在多尺度层面上缺少泛化性,难以满足真实遥感图像多倍率连续放大的超分辨率... 详细信息

超分辨率重建技术在卫星遥感图像信息智能处理领域中有重要的应用。现有面向遥感图像超分辨率重建的深度学习方法大多只能处理一种比例因子的超分辨率重建任务,在多尺度层面上缺少泛化性,难以满足真实遥感图像多倍率连续放大的超分辨率重建任务需求。为解决遥感图像超分辨率重建过程中的多尺度放大问题,本文采用元学习的方法,在构建单一自适应模型的基础上实现对遥感图像的任意尺度超分辨率重建,提升遥感图像的空间分辨率,利用密集残差网络和通道注意力机制重建遥感图像中地物纹理、目标边缘等丰富细节信息。在真实遥感图像上的定量实验表明,本文所提方法重建结果的峰值信噪比能达到40 dB以上,同时在多种数据上的定量和定性实验结果证明了本文方法的有效性。

关键词：超分辨率重建遥感图像任意尺度元学习密集残差网络通道注意力机制

在线全文

学校读者我要写书评

暂无评论

在轨光学目标检测模型轻量化研究

遥感学报 2024年第4期28卷 1041-1051页

作者：吕晓宁夏玉立赵军锁乔鹏中国科学院软件研究所天基综合信息系统重点实验室北京100190 中国科学院大学北京100049

目前应用广泛的神经网络模型结构复杂、参数量大,对星上有限的计算和存储资源占用较多。本文面向微纳卫星在轨计算平台,提出一种深度可分离卷积神经网络模型,该模型结合反向残差结构与通道注意力的思路改进在轨识别算法Yolov4网络模型结... 详细信息

目前应用广泛的神经网络模型结构复杂、参数量大,对星上有限的计算和存储资源占用较多。本文面向微纳卫星在轨计算平台,提出一种深度可分离卷积神经网络模型,该模型结合反向残差结构与通道注意力的思路改进在轨识别算法Yolov4网络模型结构,改进网络模型的局部模块结构,降低整体网络结构的深度与复杂度;同时利用可分离卷积结构实现空间卷积,改进SPP模块与PANet模块,降低模型参数量;通过合并卷积层与Batch Normalization层,进一步加快前向推理速度;此外借鉴Focal损失函数的思想,改进目标检测网络的损失函数,减缓前景与背景样本比例不均衡问题。通过与原Yolov4网络模型对比,在保证识别精度94.09%的前提下参数量降低约7倍,FLOPs降低约30倍。同时与Yolo系列、SSD、MobileNet、CenterNet等前沿网络模型对比的实验结果再一次验证了本文的算法性能,为实现在轨目标识别与过滤无用数据提供了理论支撑。

关键词：遥感卷积神经网络 Yolov4 在轨目标检测反向残差结构

融合遥感时间序列时空谱信息的森林扰动检测与归因研究进展

在线全文

学校读者我要写书评

暂无评论

遥感学报 2024年第3期28卷 558-575页

作者：吴伶刘湘南刘美玲张廷伟杨宝文徐宇岐中国地质大学(北京)信息工程学院北京100083

遥感时间序列蕴含自然因素和人类活动等不同驱动因子导致的森林组成、结构、功能变化及其差异信息,能有效提升对森林演替过程、发展态势及其驱动和响应机制的理解能力。本文系统评述了融合遥感时间序列时空谱信息的森林扰动检测与归因... 详细信息

遥感时间序列蕴含自然因素和人类活动等不同驱动因子导致的森林组成、结构、功能变化及其差异信息,能有效提升对森林演替过程、发展态势及其驱动和响应机制的理解能力。本文系统评述了融合遥感时间序列时空谱信息的森林扰动检测与归因研究进展。从数据、特征、算法等多个角度阐述了当前森林扰动检测进展:(1)数据角度。介绍了面向稠密和稀疏时间序列等不同观测频次的变化检测方法;(2)特征角度。归纳了森林扰动光谱响应特征和多光谱特征集成变化检测策略,总结了面向森林扰动检测的时序与空间特征融合方式;(3)算法角度。介绍了并行和串行两种多算法集成策略,描述了面向森林低强度扰动的变化检测算法研究进展。此外,森林扰动归因的本质是面向森林多类型扰动分类问题,本文在分别按照时间顺序和特征维度归纳作为森林扰动归因输入的归因特征的基础上,总结了基于遥感时间序列时空谱和地形特征融合的森林多类型扰动归因方法。最后,本文分析了森林扰动遥感监测目前存在的问题,并对未来研究方向进行了展望,以期为融合遥感时间序列时空谱信息的变化检测和归因研究提供借鉴。

关键词：森林扰动遥感时间序列时空谱信息特征融合扰动检测扰动归因

在线全文

学校读者我要写书评

暂无评论

基于对称网络的光学和SAR影像变化检测

遥感学报 2024年第6期28卷 1560-1575页

作者：汤玉奇林泽锋韩特杨欣邹滨冯徽徽中南大学有色金属成矿预测与地质环境监测教育部重点实验室长沙410083 中南大学地球科学与信息物理学院长沙410083

相比同源影像,光学影像和合成孔径雷达SAR(Synthetic Aperture Radar)影像变化检测具有充分利用不同类型数据之间的互补信息、发挥其各自优势的优点,已成为遥感领域的研究热点,在应急灾害监测等方面具有广阔的应用前景。然而,光学影像和... 详细信息

相比同源影像,光学影像和合成孔径雷达SAR(Synthetic Aperture Radar)影像变化检测具有充分利用不同类型数据之间的互补信息、发挥其各自优势的优点,已成为遥感领域的研究热点,在应急灾害监测等方面具有广阔的应用前景。然而,光学影像和SAR影像的成像特征差异导致无法直接对比双时相影像提取变化信息,现有光学影像和SAR影像变化检测方法对特征空间统一的精度与效率不高。对此,本文认为光学影像和SAR影像间的差异主要由成像特征差异导致,因此可以通过特征空间变换,将影像映射到同一特征空间进行比较。由此提出了一种新的对称网络结构,通过基于相似性度量的网络初始化及优化,将光学影像和SAR影像映射到近似的特征空间中进行比较并提取变化信息。首先度量对称网络提取的多组特征之间的相似性,利用相似性最大特征组对应的网络权重实现网络初始化,引导光学影像和SAR影像特征映射。然后通过相似性优化学习将光学影像和SAR影像映射到同一特征空间进行直接对比,并对多时相特征变化向量进行聚类分析以区分变化类型。本文利用3组光学影像和SAR影像数据集(Google Earth影像、Landsat 8影像和哨兵1号影像)的实验结果表明:相对于现有方法,本文方法的卡帕系数KC(Kappa Coefficient)至少提高了4.02%,且运行时间至少降低了30.79%,有效提高了光学影像和SAR影像变化检测的精度与效率。

关键词：遥感光学影像 SAR影像变化检测对称网络特征提取空间映射相似性度量变化类型

在线全文

学校读者我要写书评

暂无评论

低秩张量嵌入的高光谱图像去噪神经网络

遥感学报 2024年第1期28卷 121-131页

作者：涂坤熊凤超侯雪强南京理工大学计算机科学与工程学院南京210094 中国酒泉卫星发射中心酒泉732750

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的... 详细信息

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888的SSIM。仿真数据和真实数据实验结果表明,所提出的低秩深度神经网络方法去噪效果优于其他方法。

关键词：高光谱图像去噪深度神经网络低秩张量表示知识驱动深度学习 CP分解 U-Net