检索结果-南通市图书馆

基于deeplab v3的西藏地区降雨云团分割方法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机应用 2020年第9期40卷 2781-2788页

作者：张永宏刘昊田伟王剑庚南京信息工程大学气象灾害预报预警与评估协同创新中心南京210044 南京信息工程大学自动化学院南京210044 南京信息工程大学计算机与软件学院南京210044 南京信息工程大学大气物理学院南京210044

针对高原地区数值预测法建模复杂,雷达回波外推法易产生累积误差且模型参数难以设置的问题,提出了一种基于改进deeplab v3网络模型的西藏地区降雨云团的分割方法。首先,通过编码网络中的卷积层和残差模块进行下采样;然后,利用空洞卷积... 详细信息

针对高原地区数值预测法建模复杂,雷达回波外推法易产生累积误差且模型参数难以设置的问题,提出了一种基于改进deeplab v3网络模型的西藏地区降雨云团的分割方法。首先,通过编码网络中的卷积层和残差模块进行下采样;然后,利用空洞卷积构建多尺度采样模块,并且加入注意力机制模块提取深层高维特征;最后,通过解码网络利用反卷积恢复特征图分辨率。将所提方法与谷歌语义分割网络deeplab v3等模型在验证集上进行比较,实验结果表明所提方法具有更好的分割性能与泛化能力,其降雨云团分割结果更为准确,平均交并比(Miou)达到0.95,与原始deeplab v3相比提高了15.54个百分点。在小目标上和非平衡数据集上,该方法可以更准确地分割出降雨云团,为降雨云团监测预警提供参考。

关键词：降雨云团分割多尺度采样注意力机制 deeplab v3 遥感图像处理

基于深度学习的高分辨率遥感影像典型地物要素分类研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的高分辨率遥感影像典型地物要素分类研究

作者：李慧慧长安大学

学位级别：硕士

典型地物分类信息是国家统筹规划管理土地的数据支撑,也是遥感解译研究方向之一。遥感影像数据以获取方便、信息量大而被广泛应用。随着传感器的发展,遥感数据获取时间越来越短,空间分辨率越来越高,传统的遥感分类方法和机器学习方法难... 详细信息

典型地物分类信息是国家统筹规划管理土地的数据支撑,也是遥感解译研究方向之一。遥感影像数据以获取方便、信息量大而被广泛应用。随着传感器的发展,遥感数据获取时间越来越短,空间分辨率越来越高,传统的遥感分类方法和机器学习方法难以在复杂的背景中快速有效识别出地物间特征差异。深度学习是现下最热门的研究方向之一,在视频推荐和目标识别等领域取得很好的成绩,将其应用在遥感影像分类中,深度学习可以从大量的影像数据中自动学习特征信息,很大程度提高了数据处理的自动化度以及精度,突破了传统方法人工参与设计特征的局限。本研究利用深度学习模型进行高分辨遥感影像典型地物分类,具体内容如下:(1)本文利用Google Earth中京冀农村、城市、城乡结合部等不同地区的高分辨率遥感影像,根据影像上各类地物的解译特征,选取了植被、水体、建筑物、裸地、道路、其他共六类地物,对影像进行标签标注,制作样本数据集,经过数据加强、随机抽取后按比例划分为训练集、验证集、测试集。(2)基于三种深度学习网络FCN、U-Net、deeplab v3构建高分辨率遥感影像分类模型,使用训练集、验证集对三种分类模型不断地进行训练和验证,将测试集分别输入到训练好的三种分类模型得到预测结果。从结果图、各精度评价指标和损失函数的变化曲线图对比分析得出,三种基于深度学习的分类模型在本文数据集中可以得到很好的成绩,其中deeplab v3网络表现最佳,总体分类正确率达96.22%,Kappa系数为93.53%。(3)对比分析基于deeplab v3网络改进前后的分类模型表现,针对deeplab v3分类模型表现出的不足,本文加深骨干网络下采样的深度,使用并行不同空洞卷积捕捉多尺度特征的空洞空间金字塔池模块前,引入可分离卷积进行上采样。实验结果表明改进后的分类模型有效缩短了模型的收敛时间,提高了模型的总体分类正确率和Kappa系数。

关键词：遥感影像分类 FCN U-Net deeplab v3 深度可分离卷积

粤港澳大湾区红树林遥感产品和数据集设计与制作

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

粤港澳大湾区红树林遥感产品和数据集设计与制作

作者：成京芸江苏海洋大学

学位级别：硕士

红树林是我国生态系统的重要组成部分,利用遥感技术对红树林分布进行信息提取己成为监测保护红树林,促进生态可持续发展的重要手段。本文以粤港澳大湾区分布的红树林为研究对象,采用Goole Earth高分辨率遥感影像和Landsat中分辨率遥感... 详细信息

红树林是我国生态系统的重要组成部分,利用遥感技术对红树林分布进行信息提取己成为监测保护红树林,促进生态可持续发展的重要手段。本文以粤港澳大湾区分布的红树林为研究对象,采用Goole Earth高分辨率遥感影像和Landsat中分辨率遥感影像为实验数据源,使用面向对象的机器学习以及深度学习方法,对研究区域内的红树林进行提取。对比不同算法,选择最优算法,最终生成2000-2020红树林数据集。其中,面向对象的机器学习算法一方面可以减少“同物异谱,异物同谱”现象,再者,能够充分利用遥感图像的几何特性和纹理特性,进一步提高分类精准度。深度学习算法可实现端对端的智能化提取,可以高效自主提取遥感影像中的浅层特征以及深层特征,能够智能化的提取遥感图像的浅层特点与深层特点,使的分类结果实现自动拟合,适用于多波段遥感影像信息提取,目前己成为遥感图像信息提取的有效途径。本文最终确定的基于深度学习的deeplab v3算法提高了红树林提取精度,提升了破碎红树林区域提取的准确性,所生成的深度学习训练模型具有一定泛化性和普适性,可以推理不同年份区域的红树林分布。论文的主要研究内容如下:(1)下载研究区域内landsat8和Google earth遥感影像,对landsat8影像进行图像裁剪,图像融合,对Google earth影像进行图像增强和图像裁剪,提高遥感影像的质量,为下一步实验打好基础;(2)基于Arcgis pro软件制作粤港澳大湾区遥感影像深度学习样本库,通过选择不同切片大小、步长大小、翻转角度可以实现深度学习遥感影像样本智能化扩充,节省人力物力,提高效率,节约时间;(3)使用基于深度学习的deeplab v3算法,通过选取不同骨干模型,训练导出了适合不同数据源遥感影像的红树林智能化提取模型,实现对实验区域内红树林高精度智能化提取,有效的抽取红树林遥感影像的深层特征和浅层特征,提高分类精度;(4)为了验证本文模型对红树林边界提取的优势,与其他深度学习方法如基于深度学习的unet方法对比,本文基于深度学习的deeplab v3与resnet-152结合的方法在整体区域红树林提取和破碎边界红树林提取都取得了更好的效果,其中召回率为0.939,模型的预测推理效果也最突出,具有一定的普适性。(5)为了验证本文模型的对于其他遥感数据源和其他区域红树林的适用性,使用已经训练好的模型分别对不同时相的Google earth粤港澳大湾区红树林进行提取,实验结果证明本文最终选择的深度学习模型对不同时相不同区域的遥感影像的红树林提取都具有普适性,大大提高工作效率,展示了本文模型的实用性;(6)为突出Google earth影像及深度学习的优越性,使用面向对象的机器学习算法进行对比,以landsat8遥感图像数据为实验数据,选取特征指数,NDvI和NDWI,然后结合植被纹理、几何信息,最后使用面向对象的随机森林算法和支持向量机方法计算红树林分布,其中随机森林结合光谱特性,植被指数,几何信息和纹理信息的分类方案分类效果最好;(7)使用基于深度学习的deeplab v3算法结合高分辨遥感影像对深度学习模型导致的漏分误分进行人工更正,最终通过数据的转化,输出2000-2020粤港澳大湾区红树林数据集。为实现粤港澳大湾区红树林的监测保护提高数据支撑。该论文有图39幅,表20个,参考文献70篇。

关键词：遥感深度学习红树林数据集面向对象 deeplab v3 unet 随机森林支持向量机

基于深度学习的高分辨率遥感影像道路提取研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的高分辨率遥感影像道路提取研究

作者：杨朝辉长安大学

学位级别：硕士

道路信息提取是遥感图像处理及解译等领域的一项重要工作,道路提取工作常受影像分辨率影响,且传统的道路提取技术往往难以实现自动化的道路提取。近几年航天技术的不断发展使得高分辨率遥感影像能够被更加快速、便捷的获取,并且由于其... 详细信息

道路信息提取是遥感图像处理及解译等领域的一项重要工作,道路提取工作常受影像分辨率影响,且传统的道路提取技术往往难以实现自动化的道路提取。近几年航天技术的不断发展使得高分辨率遥感影像能够被更加快速、便捷的获取,并且由于其中有着许多丰富的、详细的、重要的地物信息,如果高分辨率遥感影像中的道路信息被高效、准确的提取并加以利用,将会对交通、生活等各方面产生重大影响。深度学习作为近几年进步最快也最有前途的技术,将其运用到高分辨率遥感影像的道路提取工作中,将会很大程度的提高道路提取的效果以及自动化程度,解决传统方法所存在的道路边缘粗糙、抗干扰性弱、提取精度低等问题。本文应用深度学习的方法对高分辨率遥感影像的道路提取问题进行研究,具体研究工作如下:1、研究和对比了三种基于深度学习网络的高分辨率遥感影像道路提取模型。本文基于马萨诸塞州道路数据集（Massachusetts Roads Dataset）,分别构建基于全卷积神经网络、U-Net网络、deeplab v3网络的道路提取模型,通过对模型进行训练、验证、测试,得到基于三种不同深度学习网络的道路提取结果,这三种基于深度学习网络的道路提取模型均可以很好的实现道路自动提取,证实了深度学习技术在高分辨率遥感影像自动提取方面的可行性,此外,这三种方法各有优缺点,对不同背景下的道路信息有着不同的提取效果,综合来说,deeplab v3不仅可以提取道路的多尺度特征,而且比较适合多场景下的道路自动提取,精确度达到了90%左右。2、改进了基于deeplab v3网络的高分辨率遥感影像道路提取模型并与原始deeplab v3道路提取模型进行对比研究。基于deeplab v3网络的道路提取模型可以提取道路多尺度特征,因此考虑在deeplab v3网络中引入注意力机制来提取道路深层高维特征。通过对改进后的deeplab v3道路提取模型进行训练、验证、测试,发现结合注意力机制的deeplab v3道路提取模型细化了道路的边缘特征,使得提取的道路信息更加全面、完整。通过与原始的deeplab v3道路提取模型对比,精确度提升了约2.4%。

关键词：高分辨率遥感影像深度学习道路提取 FCN U-Net deeplab v3

基于空间和通道双重注意力机制的变电站施工安全带分割方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于空间和通道双重注意力机制的变电站施工安全带分割方法研究

作者：宋维华北电力大学

学位级别：硕士

《电力安全工作规程》规定施工人员在距离地面2m以上施工时必须使用安全带。穿戴安全带能有力保障高处施工人员的安全。本文以变电站施工现场图像中的施工人员、安全帽以及安全带为研究对象,采用深度学习方法,完成了以下工作:利用深度... 详细信息

《电力安全工作规程》规定施工人员在距离地面2m以上施工时必须使用安全带。穿戴安全带能有力保障高处施工人员的安全。本文以变电站施工现场图像中的施工人员、安全帽以及安全带为研究对象,采用深度学习方法,完成了以下工作:利用深度学习方法对变电站施工现场图像进行语义分割,首先需要一个可供深度模型训练的变电站施工现场图像语义分割数据集,但目前并没有适用于该问题的公共数据集,因此采用标注工具Labelme对变电站施工现场图片进行标注,并通过样本扩增,构建了一个变电站施工现场图像语义分割数据集。该数据集包含施工人员、安全带、安全帽和背景四类。选择分割精度较高的deeplab v3网络对变电站施工现场图像进行语义分割,用迁移学习的方法训练网络。在分割完成之后,介绍了如何通过分割完成的图像检测变电站施工人员是否佩戴安全带和安全帽的方法。实验表明,deeplab v3网络可以对变电站施工现场图像进行端到端的语义分割,平均像素分类精度能达到90.9%,平均交并比能达到67.8%。针对deeplab v3网络对变电站施工现场图像中施工人员、安全帽以及安全带的分割分割精度不高、施工人员和安全带特别是安全带的分割会出现边缘缺失等问题,在deeplab v3网络的残差单元和空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中加入通道和空间双重注意力机制优化分割效果。实验表明,加入空间和通道双重注意力机制的deeplab v3网络平均像素分类精度提高了1.6%,平均交并比提高了4.1%,分割的细节变得更加丰富,安全带的分割更加平滑,边界像素分类更加准确。

关键词：数据集 deeplab v3 语义分割注意力机制安全带

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的衬衫定制设计

电脑知识与技术 2021年第31期17卷 109-111,114页

作者：贾群喜张伟民罗依平洛阳理工学院河南洛阳471000

为了深度学习更好地在衬衫定制设计中的应用,解决衬衫定制中人体参数识别不准、价格昂贵和标准不统一等问题,提出了一种基于深度学习的衬衫定制设计方法。利用deeplab v3图像分割神经网络,在自主建立数据集的基础上,进行人体模型和背景... 详细信息

为了深度学习更好地在衬衫定制设计中的应用,解决衬衫定制中人体参数识别不准、价格昂贵和标准不统一等问题,提出了一种基于深度学习的衬衫定制设计方法。利用deeplab v3图像分割神经网络,在自主建立数据集的基础上,进行人体模型和背景的分割,结合人体特征点的方法进行人体尺寸的拟合,同时考虑衬衫的个性化定制,并进行真人试穿检验。实验结果综合得分在6.0以上,表明可以该方法进行衬衫个性化定制方面表现良好,并在具有一定的应用价值。

关键词：衬衫定制 deeplab v3 特征点提取人体尺寸拟合