检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

融合全局上下文的近岸养殖池塘提取算法

福州大学学报(自然科学版) 2024年第05期 520-527页

作者：彭俊陈红梅罗冬莲陈芸芝福州大学数字中国研究院(福建) 福建省水产研究所卫星空间信息技术综合应用国家地方联合工程研究中心

针对现有方法对于养殖池塘和干扰地物的区分效果不足，在多源高分辨率遥感影像上的普适性有待验证等问题，提出一种融合全局上下文信息的PG-unet养殖池塘提取模型.该模型在u-net的基础上，通过增加金字塔特征提取单元来捕捉丰富的全局... 详细信息

针对现有方法对于养殖池塘和干扰地物的区分效果不足，在多源高分辨率遥感影像上的普适性有待验证等问题，提出一种融合全局上下文信息的PG-unet养殖池塘提取模型.该模型在u-net的基础上，通过增加金字塔特征提取单元来捕捉丰富的全局上下文信息，增加全局引导流来改善不同级别特征图的质量，提升模型在多干扰地物环境定位目标的能力.在GF-2 PMS和BJ-2 PMS数据集上的实验结果表明，PG-unet模型精度最优，其Iou和F1分数分别达到92.30%、 96.00%和92.07%、 95.87%,优于u-net、 Densenetunet和u2net等方法，具有更强的抗干扰能力和普适性，能更好地区分养殖池塘和干扰地物；同时，PG-unet模型在诏安湾养殖区域应用也取得了较高的提取精度，能够实现大范围养殖池塘空间分布信息自动精准提取.

关键词：养殖池塘 u-net模型金字塔特征提取单元全局引导流

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

融合全局上下文的近岸养殖池塘提取算法

福州大学学报(自然科学版) 2024年

作者：彭俊陈红梅罗冬莲陈芸芝福州大学数字中国研究院(福建) 福建省水产研究所卫星空间信息技术综合应用国家地方联合工程研究中心

针对现有方法对于养殖池塘和干扰地物的区分效果不足,在多源高分辨率遥感影像上的普适性有待验证等问题,提出一种融合全局上下文信息的PG-unet养殖池塘提取模型.该模型在u-net的基础上,通过增加金字塔特征提取单元来捕捉丰富的全局上下... 详细信息

针对现有方法对于养殖池塘和干扰地物的区分效果不足,在多源高分辨率遥感影像上的普适性有待验证等问题,提出一种融合全局上下文信息的PG-unet养殖池塘提取模型.该模型在u-net的基础上,通过增加金字塔特征提取单元来捕捉丰富的全局上下文信息,增加全局引导流来改善不同级别特征图的质量,提升模型在多干扰地物环境定位目标的能力.在GF-2 PMS和BJ-2 PMS数据集上的实验结果表明,PG-unet模型精度最优,其Iou和F1分数分别达到92.30%、96.00%和92.07%、95.87%,优于u-net、Densenetunet和u2net等方法,具有更强的抗干扰能力和普适性,能更好地区分养殖池塘和干扰地物;同时,PG-unet模型在诏安湾养殖区域应用也取得了较高的提取精度,能够实现大范围养殖池塘空间分布信息自动精准提取.

关键词：养殖池塘 u-net模型金字塔特征提取单元全局引导流

融合级联CRFs和u-net深度学习模型的遥感影像建筑物自动提取

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

华南师范大学学报（自然科学版） 2022年第1期54卷 70-78页

作者：陈嘉浩邢汉发陈相龙广东晟腾地信科技有限公司佛山528200 华南师范大学地理科学学院广州510631 华南师大(清远)科技创新研究院有限公司清远511517 广东师大维智信息科技有限公司清远511517

针对深度学习模型进行建筑物提取时存在的建筑物边缘模糊问题,将级联CRFs(全连接条件随机场)引入到u-net深度模型中,提出了一种改进的u-net模型(u-net+级联CRFs),以用于遥感影像建筑物自动提取:构建级联CRFs并将其引入到u-net模型的解... 详细信息

针对深度学习模型进行建筑物提取时存在的建筑物边缘模糊问题,将级联CRFs(全连接条件随机场)引入到u-net深度模型中,提出了一种改进的u-net模型(u-net+级联CRFs),以用于遥感影像建筑物自动提取:构建级联CRFs并将其引入到u-net模型的解码层中,从多层结构中学习边界信息,增强模型对建筑物边界的分割能力。并以广东省佛山市为研究区,利用u-net+级联CRFs、u-net+CRFs、u-net、SVM模型进行建筑物提取实验。结果表明u-net+级联CRFs模型可以有效识别建筑物边界信息,提高建筑物提取的精度:u-net+级联CRFs模型在准确度、召回率、F1值和交并比4个指标上的均值分别达到了93.1%、87.5%、91.4%和85.1%,均优于u-net+CRFs、u-net、SVM模型。

关键词：深度学习建筑物提取 u-net模型全连接条件随机场

喀斯特山区复杂场景作物低空遥感识别与样本迁移研究 ——以烟草为例

在线全文

学校读者我要写书评

暂无评论

喀斯特山区复杂场景作物低空遥感识别与样本迁移研究 ——以烟草...

作者：黄有燕贵州师范大学

学位级别：硕士

中国南方喀斯特山区由于地表起伏大,耕地破碎,种植结构复杂,为精准农业的发展带来了挑战,快速、准确地提取典型作物植株信息有助于实现种植管理、精准施肥、产量预测等。文章以贵州省贞丰县北盘江镇烟草种植区和安龙县钱相街道烟草种植... 详细信息

中国南方喀斯特山区由于地表起伏大,耕地破碎,种植结构复杂,为精准农业的发展带来了挑战,快速、准确地提取典型作物植株信息有助于实现种植管理、精准施肥、产量预测等。文章以贵州省贞丰县北盘江镇烟草种植区和安龙县钱相街道烟草种植区为研究区,前者为山区的代表区域简称贞丰研究区,后者为坝区的代表区域简称安龙研究区,使用无人机(DJI-Mavic2 Prov 2.0)获取空间分辨率为6.4cm和2cm的无人机可见光影像,重点研究了复杂山区烟草生长场景解构与烟草识别,山区与坝区不同空间、坝区伸根期与旺长期不同时间样本迁移效果,探究不同复杂场景下烟草植株信息提取的精度差异及影响因素,探索不同时空样本迁移方法的适用性。研究结果如下:(1)贞丰研究区依据地块破碎、植株大小、有无杂草、阴影遮挡等4个主要因素,将研究区划分为地块平整无杂草(Ⅰ)、地块平整长势不均一(Ⅱ)、地块平整有杂草(Ⅲ)、地块平整株苗较小(Ⅳ)、地表破碎无杂草(Ⅴ)、地表破碎阴影遮挡(Ⅵ)、地表破碎有杂草(Ⅶ)、地表破碎株苗较小(Ⅷ)8个场景,分场景计算精度,8幅场景的Precision分别为0.76、0.74、0.49、0.58、0.85、0.73、0.77、0.77,整个研究区的Precision为0.68。(2)烟株边缘错提、玉米植株、灌木丛、白色地膜、裸岩和杂草这6类因素对喀斯特复杂山区实验结果影响比较大,在样本优化前被模型错误提取部分占所有错提的百分比分别为:67.21%、24.50%、7.40%、0.51%、0.21%、0.17%。其中烟株边缘错提最多,占整幅影像错提的67.21%。文章从株苗较小、边界模糊、杂草伴生,阴影干扰4个方面进行了样本的优化,提高样本质量,增加训练样本的数量,从原始2300张增加到9200张,实验结果表明:使用优化后的样本识别8个场景的Precision分别提高了10.93%、3.82%、25.31%、22.81%、0.78%、16.92%、15.72%、4.59%。(3)将安龙研究区根据烟草长势和有杂草,使用优化后的样本制作方法将研究区划分为有杂草、无杂草、长势较好和长势不均一4个场景,构建样本数据集训练u-net模型。通过分场景计算精度,各个场景的Precision为:长势较好(0.86)>无杂草(0.85)>长势不均一(0.84)>研究区(0.78)>有杂草(0.71)。不同场景识别精度比研究区整体精度高,说明复杂场景解构方法能降低识别难度提高识别精度在坝区一样适用。(4)样本迁移方法在空间迁移和时间迁移有不同的效果。山区样本迁移到坝区预测烟草影像,识别精度:Precision为0.87、Recall为0.29、IOu为0.27、F1-score为0.43。坝区样本迁移到山区预测影像得到识别结果:Precision为0.17、Recall为0.65、IOu为0.16、F1-score为0.27。在安龙研究区不同生长期的样本迁移发现,伸根期样本迁移到旺长期识别烟草结果为Precision为0.99、Recall为0.97、IOu为0.90、F1-score为0.95,旺长期样本迁移到伸根期得到识别结果:Precision为0.48、Recall为0.90、IOu为0.46、F1为0.63。研究表明山区烟草样本复杂度高于坝区,二者样本数据集的相似度较低,但亦可实现识别,可根据研究需要增加研究区样本提高精度。同一研究区不同生长期的烟草样本迁移,精度要高于空间上的迁移,烟草伸根期样本迁移到旺长期烟草识别,能达到不错的效果。研究验证了u-net模型在喀斯特山区复杂生境对烟株单株识别的可行性,分解复杂场景分别建立样本数据集、通过优化样本方法优化模型性能,场景分类的研究方法在坝区使用亦能提高识别精度,对提高喀斯特山区复杂生境作物识别分类是一种新的尝试。样本迁移方法为获取样本困难提供方法支持,降低样本制作的工作量。

关键词：场景解构样本迁移 u-net模型无人机可见光遥感

基于u-net深度网络改进模型的红外弱小目标检测方法研究

同方学位论文库评论

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U-Net深度网络改进模型的红外弱小目标检测方法研究

作者：朱林华中科技大学

学位级别：硕士

红外弱小目标检测是从红外图像中快速准确地提取感兴趣的弱小目标的过程,在军事侦察、灾害搜救等军用和民用领域具有广泛应用。近年来,基于深度学习的通用目标检测方法发展迅速,性能超越传统方法。但是,直接用于红外弱小目标检测性能有... 详细信息

红外弱小目标检测是从红外图像中快速准确地提取感兴趣的弱小目标的过程,在军事侦察、灾害搜救等军用和民用领域具有广泛应用。近年来,基于深度学习的通用目标检测方法发展迅速,性能超越传统方法。但是,直接用于红外弱小目标检测性能有限。究其原因,红外弱小目标面积小、特征少,难以直接通过大数据学习到目标特征。本文针对天基空间目标监视应用,基于全卷积神经网络u-net框架开展红外弱小目标检测深度学习算法研究,具体内容如下:首先,针对数据集缺乏的问题,结合目标-背景红外特性,使用星载中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)数据仿真构建红外弱小目标数据集。选取第20波段(3.660～3.840μm)数据作为背景,随机叠加多种尺寸(1×1、3×3、5×5、7×7)和中心强度(120～240)的目标,仿真遍历得到涵盖宽范围目标-背景信杂比的红外弱小目标图像数据集,为深度学习奠定了数据基础。其次,针对弱小目标特征难以直接学习的困难,采用深度学习估计背景、在抑制背景后检测目标的思路,以语义分割领域的u-net网络模型为基础,针对卷积边界信息丢失和感受野有限的问题,提出下采样优化、残差块、空洞卷积三种改进方案,形成红外弱小目标检测Iu-net(Improved u-net)网络模型。实验结果表明,Iu-net模型目标检测性能优于IPI(2013 TIP)和RIPT(2016 JSTAEORS)算法。最后,针对Iu-net模型在小尺寸(1×1和3×3)目标区域背景估计不准的问题,提出目标区域隶属度加权的均方误差(MSE)损失函数,提高目标区域背景估计准确性;进一步,构建深度可分离卷积和精简网络降低参数量和计算量,优化空洞卷积空洞率以规避栅格效应,采用Mish激活函数替换RELu激活函数加快梯度下降,采用Nadam优化器替换Adam优化器加强不同类别数据适应性,形成红外弱小目标检测Iu-net+模型。实验结果表明,Iu-net+模型的目标检测性能优于IPI、RIPT和PSTNN(2019 RS)算法,具备较强的泛化能力。

关键词：天基红外监视弱小目标检测深度学习 u-net模型背景估计

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的拓扑优化算法研究

基于深度学习的拓扑优化算法研究

作者：崔富豪烟台大学

学位级别：硕士

拓扑优化是工业设计领域中常见的数学方法,旨在给定的物理领域内,在满足各种约束条件、负载和其他边界条件等前提下,生成最佳的拓扑结构。传统的拓扑优化方法大多使用有限元法(Finite Element Method,FEM),但有限元方法的迭代计算很大... 详细信息

拓扑优化是工业设计领域中常见的数学方法,旨在给定的物理领域内,在满足各种约束条件、负载和其他边界条件等前提下,生成最佳的拓扑结构。传统的拓扑优化方法大多使用有限元法(Finite Element Method,FEM),但有限元方法的迭代计算很大程度上增加了拓扑优化的时间成本和算力成本。如今,机器学习和深度学习在图像生成领域内的快速发展为拓扑优化的发展带来了机遇。其中,扩散模型是一种新兴的图像生成模型,因生成效果优秀、细节完美等特点被广泛使用;条件生成对抗网络作为经典的图像生成模型,能够根据给定的条件信息生成相应的高质量图像。本文对将在这两个模型的基础上提出基于深度学习的拓扑优化方法,通过优化网络结构,使其更适应拓扑优化生成特性和要求。本文的主要工作如下:(1)提出了基于条件扩散模型的拓扑优化算法(Topology Optimization using Conditional Diffusion Modes,TOu CD)。针对预测拓扑优化最终结构问题,提出采用扩散模型进行预测的深度学习方法为了预测有特定需求的拓扑结构,使整个拓扑优化更具有针对性和物理意义,在扩散模型中创新性地在时间编码器(Time Embedding)中加入了条件信息;为了提高模型的训练效果,损失函数采用均方误差(Mean Squared Error,MSE)和绝对值误差(Mean Absolute Error,MAE)分段式启动模式,使模型快速收敛并趋向于稳定,预测结果与金标准高度相似。通过实验验证,该方法产生的预测结构具有多样化、噪声少等优点。(2)提出了基于级联条件对抗网络的拓扑优化算法(Topology Optimization using Multi-stage c GAN,mc GANs)。针对基于深度学习的拓扑优化方法在条件信息的生成中仍需大量前期准备工作的问题,本文提出级联网络。网络前两个自网络用于生成应变、应力等物理条件信息,后一个子网络用于预测最终拓扑结构,在保证拓扑结构具有物理意义的同时极大地节省了时间成本和算力成本。为了提高网络生成效果,模型生成器采用u-net架构并加入注意力机制;为了解决模型深度增加导致的梯度爆炸问题,模型引入了残差模块;最后,为了优化部分预测结果出现噪声问题,采用局部二值化方法对最终结果进行后处理。通过实验验证,该方法在时间成本上远远小于传统方法并且领先于TOu CD,预测结果也和传统方法高度相似,且无需迭代计算为实验做前期准备。(3)提出基于条件对抗网络的热扩散拓扑优化算法(Thermal Diffusion Topology Optimization using c GAN,TDuc GAN)。针对TOu CD预测时间成本依旧很大和mc GANs无法适应热扩散拓扑结构预测问题,本文提出了TDuc GAN网络;针对于深度学习网络不能很好识别出拓扑优化过程中的重要信息问题,本文在TDuc GAN网络中引入了CBAM注意力机制;针对于预测结构与真实结构存在差异性问题,本文多次对TDuc GAN模型进行实验分析,归纳出合理的损失函数。

关键词：扩散模型条件生成对抗网络拓扑优化 u-net模型

基于选择性自校正卷积u-net的肺部X射线图像肺实质分割

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

天津科技大学学报 2024年第4期39卷 73-80页

作者：王怡李昆天津科技大学人工智能学院天津300457

针对u-net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的u-net改进算法。改进后的u-net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用... 详细信息

针对u-net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的u-net改进算法。改进后的u-net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

关键词：肺部X射线图像肺实质分割 u-net模型选择性自校正卷积

基于u-net神经网络的浮筏养殖信息提取——以长海县为例

在线全文

学校读者我要写书评

暂无评论

绿色科技 2024年第2期26卷 261-265页

作者：由金浩刘威王权明辽宁师范大学地理科学学院辽宁大连116029 国家海洋环境检测中心辽宁大连116023

浮筏养殖是海水养殖中最重要的类型之一,对于浮筏养殖的精确提取尤为重要。然而浮筏在遥感影像中分布密集,且背景复杂,并且以往的浮筏提取方法,多为机器学习,未能挖掘浮筏养殖的深度特征,以及光谱信息的高效利用。针对上述问题,提出了u-... 详细信息

浮筏养殖是海水养殖中最重要的类型之一,对于浮筏养殖的精确提取尤为重要。然而浮筏在遥感影像中分布密集,且背景复杂,并且以往的浮筏提取方法,多为机器学习,未能挖掘浮筏养殖的深度特征,以及光谱信息的高效利用。针对上述问题,提出了u-net网络模型进行浮筏养殖信息提取,使用比值指数计算特征波段,去除冗余光谱信息,并添加深度神经网络,深化提取浮筏信息提取的深度特征通道,实现了浮筏养殖信息的高精度提取。选取长海县大长山岛作为研究区域,与Canny算子、Otsu算法、PCA_Kmeans算法提取结果进行了对比,u-net模型浮筏养殖的提取总体精度为95.6%,与常用的机器学习算法相比,提取精度提高了9%~13%,验证了u-net模型在浮筏养殖识别中的高效性。

关键词：浮筏养殖 u-net模型比值指数深度特征光谱信息

改进u-net的视网膜OCT图像分层方法研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电脑编程技巧与维护 2024年第3期 147-149页

作者：杨明辉谢德洁杜肖洋陈荣青岛黄海学院大数据学院山东青岛266427

视网膜光学相干断层扫描(OCT)图像各细胞层的厚度和形状在诊断眼科疾病中具有重要意义。目前,视网膜分层研究存在许多挑战,例如,层边界缺乏上下文语义信息、病变区域分割不精确等。为了提高OCT成像中视网膜层分割和测量的精度,提出了一... 详细信息

视网膜光学相干断层扫描(OCT)图像各细胞层的厚度和形状在诊断眼科疾病中具有重要意义。目前,视网膜分层研究存在许多挑战,例如,层边界缺乏上下文语义信息、病变区域分割不精确等。为了提高OCT成像中视网膜层分割和测量的精度,提出了一种融合密集编码器与位置注意力的u型网络方法。该方法的密集编码器能够提取更多样化的全局特征,利用位置注意力保证了视网膜目标边界和区域空间的一致性。与现有经典分割模型相比,该方法的视网膜自动分层平均准确率达到了87.35%,平均厚度误差减少至1.74个像素点,大大提升了视网膜OCT分层的性能。

关键词：视网膜OCT分层 u-net模型密集编码器位置注意力