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6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：
基于多尺度上下文注意力U-SegNet的遥感目标检测
1
作者 陈瑞霞 张善文 吴青娥 《电讯技术》 北大核心 2025年第8期1187-1195,共9页
针对遥感目标图像多样、目标较小且与周围环境对比度差,导致现有目标检测方法复杂度高、检测效果差、泛化能力弱,以及经典U-Net和U-SegNet忽略了不同目标尺度特征感受野差异等问题,提出了一种基于多尺度上下文注意力U-SegNet(Multi-scal... 针对遥感目标图像多样、目标较小且与周围环境对比度差,导致现有目标检测方法复杂度高、检测效果差、泛化能力弱,以及经典U-Net和U-SegNet忽略了不同目标尺度特征感受野差异等问题,提出了一种基于多尺度上下文注意力U-SegNet(Multi-scale Context Attention U-SegNet,MSCAUSNet)的遥感目标检测新模型。该模型由U-SegNet、多尺度特征融合(Multi-scale Feature Fusion,MSFF)和多尺度上下文注意力(Multi-scale Context Attention,MSCA)模块组成,采用MSCA代替U-SegNet中的跳跃连接以融合目标低层特征与高层特征,并通过MSFF和MSCA模块充分捕获多尺度上下文特征,从而显著提升遥感多尺度目标检测性能。在遥感目标图像数据集上的实验结果表明,该模型能够有效检测不同尺度遥感目标,较经典U-Net和U-SegNet的检测精度分别提高了7.94%和5.09%。该模型为遥感目标检测和识别系统提供了技术支持。 展开更多
关键词 遥感多尺度目标检测 多尺度上下文注意力u-segnet 多尺度上下文注意力 多尺度特征融合
在线阅读 下载PDF
基于混合网络U-SegNet的地震初至自动拾取 被引量：21
2
作者 陈德武 杨午阳 +3 位作者 魏新建 李海山 常德宽 李冬 《石油地球物理勘探》 EI CSCD 北大核心 2020年第6期1188-1201,1159-1160,共16页
传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优... 传统初至拾取方法拾取效果和效率不能兼顾、算法稳定性差、工业化应用成熟度不高;基于深度学习的初至拾取方法制作标签耗时费力、数据预处理过程繁琐、网络结构过于复杂,导致训练和测试效率较低。为此,将U-Net与SegNet深度学习网络的优点相结合,构建新的混合网络U-SegNet,并基于U-SegNet自动拾取初至。U-SegNet以SegNet结构为基础,通过在解码器网络的反卷积层之前融合跳跃连接信息,提供编码器网络的多尺度信息,以获得更好的性能,并且其上采样操作将U-Net中的反卷积改为反池化,池化索引被传递到上采样层,网络模型收敛更快。因此,U-SegNet网络结构更利于分割背景噪声区域和含噪信号区域,从而提高初至拾取精度。基于U-SegNet的初至自动拾取流程包括制作训练数据集、设计网络模型、训练网络模型、测试网络模型和实际资料应用。测试和应用结果表明,所提方法的初至拾取效率约为某商业软件的2.2倍,且易于工业化应用,具有良好的发展前景。 展开更多
关键词 地震初至 拾取 深度学习 U-Net SegNet u-segnet
在线阅读 下载PDF
基于无人机遥感和深度学习的松材线虫病疫木自动提取方法研究 被引量：18
3
作者 时启龙 黄石明 +4 位作者 张明霞 肖欣 喻俊 徐健 邱琳 《西部林业科学》 CAS 北大核心 2022年第5期28-33,共6页
松材线虫病是一种由松墨天牛携带传播松材线虫而引起的毁灭性病害,已经成为近40 a来我国发生最严重、最危险的重大林业病害。传统的监测方法主要依靠人工外业调查和卫星遥感目视判读的方法,不仅工作量大,而且效率低下。本研究以江西省... 松材线虫病是一种由松墨天牛携带传播松材线虫而引起的毁灭性病害,已经成为近40 a来我国发生最严重、最危险的重大林业病害。传统的监测方法主要依靠人工外业调查和卫星遥感目视判读的方法,不仅工作量大,而且效率低下。本研究以江西省赣州市为研究区域,利用无人机航空摄影获取松材线虫病疫区遥感影像,以被松材线虫感染的疫木为目标,通过面向对象提取和人工校核的方式对图像进行标注,并以256×256像素大小对图像和标签进行裁剪,以8︰2的比例将图像随机分成训练集和验证集,从而构建出包括图像和相应标签的深度学习样本数据库。然后基于TensorFlow开源框架搭建了U-Net和SegNet两种深度学习网络模型。结果显示,U-Net网络模型和SegNet网络模型训练精度均超过95%,U-Net网络模型验证精度要高于SegNet网络模型,SegNet网络模型在训练过程中出现了过拟合现象。最后本研究选取部分区域开展了预测应用,结果表明,U-Net网络模型精确率为81.36%,召回率为83.12%,调和平均值为82.23%,高于SegNet网络模型的75.21%、76.84%和76.01%,U-Net网络模型提取效果优于SegNet网络模型。 展开更多
关键词 松材线虫 无人机遥感 深度学习 样本数据库 U-Net SegNet 网络模型
在线阅读 下载PDF
基于深度学习的多时相GF-1影像林分类型分类研究 被引量：7
4
作者 杨丹 李崇贵 张家政 《林业资源管理》 北大核心 2022年第1期142-149,共8页
为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果。以黑龙江省孟家岗林场为研究区,以多时相GF-1影像和数字高程模型(DEM)为数据源,通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集,并结合VSURF算法进... 为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果。以黑龙江省孟家岗林场为研究区,以多时相GF-1影像和数字高程模型(DEM)为数据源,通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集,并结合VSURF算法进行特征优选。同时,分别采用优化后的U-Net,SegNet,DeepLab V3+模型对森林林分类型进行分类,并与最大似然法、随机森林方法进行对比分析。结果表明:1)利用多时相影像分类精度明显优于单时相影像;2)基于VSURF算法从构建的97个特征中优选出16个特征变量,其中NDVI、RVI、均值、同质性、对比度、相关性以及DEM特征具有较高的贡献性均被保留,其余变量被消除,从而在一定程度上避免“维数灾难”,提高模型效率;3)3种深度学习方法中U-Net模型的分类精度最高,总体精度为86.04%,Kappa系数为0.742,DeepLab V3+模型次之,SegNet模型精度最低。同时,深度学习方法的精度均优于随机森林和最大似然法。基于多时相GF-1影像构建最优特征组合,并结合深度学习方法对森林林分类型分类具有一定的参考价值。 展开更多
关键词 多时相GF-1影像 植被指数 纹理特征 VSURF U-Net SegNet DeepLab V3+
在线阅读 下载PDF
深度学习作物分类模型空间泛化能力分析 被引量：3
5
作者 盖爽 张锦水 朱爽 《遥感学报》 EI CSCD 北大核心 2023年第12期2796-2814,共19页
大数据驱动训练的深度学习模型是当今农作物分类的最新方法。当前研究仍然主要关注该模型方法的创新性,其在特定时间、特定地区的作物分类模型的泛化能力分析经常被忽略。因此,提高遥感分类模型在大尺度空间范围的有效迁移能力是遥感技... 大数据驱动训练的深度学习模型是当今农作物分类的最新方法。当前研究仍然主要关注该模型方法的创新性,其在特定时间、特定地区的作物分类模型的泛化能力分析经常被忽略。因此,提高遥感分类模型在大尺度空间范围的有效迁移能力是遥感技术支撑地球系统科学研究和社会应用的关键。本研究通过设计实验分析了模型架构、作物物候特征、农区地块尺度、数据类型等因素对作物分类模型泛化能力的影响。结果表明:一方面当训练区和测试区地块大小发生明显变化时,MultiResUNet相对于SegNet,DeepLab V3+和U-Net具有更好的泛化性能。然而,单纯依靠MultiResUNet的泛化能力依然无法完全克服地块空间形态的变化对模型迁移的不利影响,为获得更高精度的华北玉米分布信息,需要优先使用与华北地区农业景观更相似的东北作物分布数据产品进行深度学习模型训练;另一方面,相对于TOA (Top of Atmosphere)数据,采用SR (Surface Reflectance)数据更有利于模型在跨洲际尺度进行空间迁移,因此,在大尺度作物制图研究中,应优先考虑使用SR数据。综上,本研究从一定程度上验证了影响农作物分类模型迁移性能的内在因素,可为大尺度作物制图提供科学依据。 展开更多
关键词 模型泛化 深度学习 SegNet DeepLab V3+ U-Net MultiResUNet 作物制图
原文传递
基于VGG网络不同模型的建筑物自动提取 被引量：2
6
作者 刘于昆 高郭瑞 +3 位作者 王淑焜 戚慧 王振华 张家佑 《电子测试》 2021年第22期58-59,131,共3页
本文基于VGG16网络,搭建FCN、U-net、SegNet三种网络模型,对同一数据集进行训练,通过多次实验,对比分析三种模型优劣。实验结果得出:三种模型在建筑物特征定位方面相差无几,但在细节方面,U-net模型所呈现的结果最优,明显优于另外两种模型。
关键词 建筑物提取 FCN神经网络 U-net网络 SegNet网络
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