期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进Deep Labv3+算法在矿山岩体阴影数字化研究
1
作者 薛天山 李永强 +3 位作者 郝跃 贺东东 武国鹏 白怡明 《非金属矿》 2025年第2期87-91,共5页
为了准确获取岩体特征信息,提出一种基于改进Deep Labv3+算法的矿山岩体阴影数字化方法。针对Deep Labv3+算法的特征提取网络,运用轻量级的MobileNetV2网络替换原来的Xception以减少参数计算量,提高计算速度,并动态调整通道权重。通过... 为了准确获取岩体特征信息,提出一种基于改进Deep Labv3+算法的矿山岩体阴影数字化方法。针对Deep Labv3+算法的特征提取网络,运用轻量级的MobileNetV2网络替换原来的Xception以减少参数计算量,提高计算速度,并动态调整通道权重。通过改进后的算法实现矿山岩体结构面阴影的自动识别及数字化处理,包括结构面阴影骨架提取、交点消除、长度计算等。结果表明,改进Deep Labv3+算法的像素准确率最大值达93.65%,平均值为87.65%,类别准确率平均值为89.12%,平均交并比为79.34%,均优于对比算法。矿山岩体结构面阴影数字化处理结果偏差小,可靠性高,能较好反映实际测量情况。该方法提升了矿山岩体阴影数字化的有效性与可靠性,为矿山岩体处理提供了新的有力途径。 展开更多
关键词 改进Deep labv3+算法 矿山 岩石工程 图像分割 结构面阴影
在线阅读 下载PDF
基于轻量型DeepLabv3+的桥梁裂缝智能识别研究
2
作者 陈舟 温嘉豪 +1 位作者 卢汉文 杜和坪 《佛山科学技术学院学报(自然科学版)》 2025年第6期45-51,共7页
针对现有桥梁裂缝语义分割模型泛化能力弱、存储资源需求大等问题,提出了一种改进的Deep Labv3+模型,该模型将特征提取网络替换为轻量化网络Mobile Netv2,并结合了Swish激活函数和迁移学习策略。为验证改进模型的有效性,利用复杂背景干... 针对现有桥梁裂缝语义分割模型泛化能力弱、存储资源需求大等问题,提出了一种改进的Deep Labv3+模型,该模型将特征提取网络替换为轻量化网络Mobile Netv2,并结合了Swish激活函数和迁移学习策略。为验证改进模型的有效性,利用复杂背景干扰下不同类型的桥梁裂缝图片构建桥梁裂缝数据集,对改进的Deep Labv3+模型、Deep Labv3+模型、Segnet模型和Unet模型进行裂缝识别训练,从分割精度、平均交互比及模型大小等方面对四个模型的识别效果进行对比分析。分析结果表明,改进的Deep Labv3+模型分割精度达到93.41%,平均交互比达到78.51%,F1分数达到83.60%;改进模型大小仅为6.64MB,与Segnet模型大小处于同一数量级水平,明显小于Deep Labv3+和Unet模型。 展开更多
关键词 Deep labv3+ Mobile Netv2 桥梁裂缝 迁移学习 语义分割
在线阅读 下载PDF
遥感影像云检测网络泛化性能研究:以DeepLabv3+为例 被引量：15
3
作者 彭龙康 刘励聪 +3 位作者 陈学泓 陈晋 曹鑫 邱岳安 《遥感学报》 EI CSCD 北大核心 2021年第5期1169-1186,共18页
近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以... 近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4)DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。 展开更多
关键词 深度学习 云检测 Deeplabv3+ 泛化性能 地表景观 光谱波段组合 空间分辨率
原文传递
基于改进DeepLabV3+模型的建筑物提取
4
作者 陈兵 《长江信息通信》 2024年第4期29-31,共3页
针对遥感影像建筑物提取仍然存在提取精度较低的问题,文章基于Deep-LabV3+模型构建了M2-CA-DeepLabV3+模型,该模型首先使用MobileNetV2作为特征提取网络,在很大程度上减少了模型的参数量,提升了模型的特征提取能力;其次通过坐标注意力... 针对遥感影像建筑物提取仍然存在提取精度较低的问题,文章基于Deep-LabV3+模型构建了M2-CA-DeepLabV3+模型,该模型首先使用MobileNetV2作为特征提取网络,在很大程度上减少了模型的参数量,提升了模型的特征提取能力;其次通过坐标注意力机制加强网络模型对建筑特征的学习和特征提取能力。结果表明:该文构建模型表现在不同区域背景下优于原始DeepLabV3+模型交并比、F1分数分别高于原始模型4.14%、3.52%。 展开更多
关键词 建筑物提取 坐标注意力机制 语义分割 Deeplabv3+ MobileNetV2
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部