-
题名基于深度学习的图像分割技术综述
- 1
-
-
作者
张振晗
黄海鑫
王奕
李佳鸣
-
机构
河南工业职业技术学院
-
出处
《计算机应用文摘》
2024年第16期158-160,共3页
-
文摘
近年来,深度学习在图像处理领域取得了显著的进展,特别是在图像分割方面。作为计算机视觉和图像处理的重要任务之一,图像分割旨在将图像划分为多个有意义的区域或对象。文章综述了基于深度学习的图像分割技术,重点介绍了全卷积网络(FCN)、U-Net、Mask R-CNN和DeepLab系列等主流方法,并分析了它们的原理、优缺点及应用场景。
-
关键词
深度学习
图像分割
FCN
u-net
maskr-cnn
deeplab
-
Keywords
deep learning,image segmentation,FCN
u-net,mask r-cnn,deeplab
-
分类号
TP301
[自动化与计算机技术—计算机系统结构]
-
-
题名基于多任务学习的高分辨率遥感影像建筑提取
被引量：20
- 2
-
-
作者
朱盼盼
李帅朋
张立强
李洋
-
机构
北京师范大学地理科学学部
北京师范大学环境遥感与数字城市北京市重点实验室
-
出处
《地球信息科学学报》
CSCD
北大核心
2021年第3期514-523,共10页
-
基金
国家自然科学基金项目(41371324)。
-
文摘
建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。
-
关键词
深度学习
多任务学习
语义分割
实例分割
遥感影像
建筑提取
mask
r-cnn
u-net
-
Keywords
deep learning
multi-task learning
semantic segmentation
instance segmentation
remote sensing
building extraction
mask r-cnn
u-net
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
TU198
[建筑科学—建筑理论]
-
-
题名基于深度学习的高分遥感影像建筑物提取研究
- 3
-
-
作者
王锦洋
-
机构
福建省经纬数字科技有限公司
武汉大学-福建招标集团通导遥集成应用工程研究中心
-
出处
《石家庄铁路职业技术学院学报》
2023年第2期53-57,共5页
-
文摘
传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。
-
关键词
建筑物提取
深度学习
高分辨率遥感影像
u-net
mask
r-cnn
-
Keywords
building extraction
deep learning
high-resolution remote sensing image
u-net
mask r-cnn
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
