共查询到17条相似文献，搜索用时 203 毫秒
1.
合成孔径雷达（synthetic aperture radar,SAR）自动目标识别过程主要包括目标特征提取和分类器训练两个步骤。提出一种基于深度卷积神经网络（deep convolutional neural networks,DNNs）的SAR自动目标识别方法,使用一类优化的DNNs网络结构对SAR图像目标进行分类训练。该网络结构自动提取目标类别特征,避免人工预选取特征方法带来的不标准性。在DNNs网络模型训练过程中引入迁移学习的概念,以防止结果陷入局部最优解和加快模型参数的训练。最后使用美国运动和静止目标获取与识别MSTAR数据集进行试验,给出该方法与其他分类方法结果的对比,证明其取得较高的分类正确率。 相似文献
2.
针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足,提出一种新型且轻量的网络,称为勺型网络（spoon-net,S-Net）,应用于Landsat遥感图像的云检测。S-Net分为2个阶段,第1阶段,使用1×1的卷积核提取图像光谱特征,避免图像细节被模糊;第2阶段,使用encoder-decoder框架提取图像空间特征,并引入分组卷积,对第1阶段提取的每一层光谱通道单独进行卷积,保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估,结果表明模型在内存与时间上具有较大优势,并达到95%的准确率。 相似文献
3.
针对光电图像中舰船分类检测困难的问题,提出一种基于改进循环注意卷积神经网络(recurrent attention convolutional neural network,RA-CNN)的舰船目标识别方法。该方法中的VGG19采用多个卷积层提取图像特征,注意建议网络(attention proposal network,APN)通过全连接层的输出定位特征区域,然后采用尺度依赖池化(scale-dependent pooling,SDP)算法选择VGG19中合适的卷积层输出进行类别判定,最后引入多特征描述特征区域,交叉训练VGG19和APN来加速收敛和提高模型精度。利用自建舰船数据集对方法进行测试,识别准确率较VGG19和RA-CNN有较大提升,识别准确率最高可达86.7%。 相似文献
4.
基于仿真SAR图像深度迁移学习的自动目标识别 总被引：1，自引：0，他引：1
使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题，提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上，使用仿真SAR图像提升最终目标识别性能的方法，把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中，先用仿真SAR图像预训练卷积神经网络，结合迁移学习的方法，有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性，识别准确率提高到99.78%，并在少量SAR图像样本数据上也取得不错的识别效果。 相似文献
5.
当前，基于时序特征提取的农作物遥感分类方法需要较多先验知识及人工干预，难以自动化，且易因忽略部分有效特征而导致精度降低。针对这些问题，提出基于时序光谱重构的卷积神经网络农作物分类法。为充分利用时间序列多光谱中丰富的作物物候与多光谱信息，对每个地面像元构造以时间维为纵轴、光谱维为横轴的时序光谱图，采用Adam梯度下降法与Dropout 40%连接率优化后的卷积神经网络对时序光谱图进行分类。对比实验结果表明，该方法可有效减少“椒盐”噪声的产生，且地块边界轮廓线清晰，总体分类精度达到95.12%，高于时间序列多光谱+随机森林（88.58%）、时间序列NDVI+随机森林（90.25%）、时间序列NDVI+卷积神经网络（91.79%）等对照实验组；对于“异物同谱”现象明显的春玉米与番茄，该方法的F1-score分别达到95.9%与89.9%，相比各对照组均有较大幅度的提高。该研究结果可为遥感农作物的自动化精细制图提供参考。 相似文献
6.
在极化合成孔径雷达（PolSAR）地物分类研究中,基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足,提出一种基于卷积神经网络和EM算法的轻量化图像分割网络,称为低秩重构网络（low-rank-reconstruction-net,LRR-Net）,应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发,利用EM算法对特征进行低秩重构,将特征从高维空间映射到低维空间,在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估,结果表明模型在保证分类精度的前提下,降低了模型复杂度。 相似文献
7.
遥感图像上的飞机目标检测是一件极富挑战性的工作，吸引了广大研究者的兴趣。基于人工神经网络的方法是当前遥感图像飞机目标检测的主流方法，这类方法要求人工标记大量的数据用于训练。对训练图像的人工标注工作费时费力，是制约有效利用大规模数据的主要瓶颈之一。为解决这个问题，提出一种基于生成对抗网络（generative adversarial networks，GAN）的半监督检测方法。在遥感图像飞机目标检测中，该方法不需要标记全部用于训练的图像，只需要标记其中一小部分样本，再和大量未标记数据一起进行训练便能取得优异的检测结果。该方法结合传统的检测网络和基于GAN的半监督学习网络。在对抗训练过程中，生成器学习数据分布并生成假样本，判别器判别真假样本，同时判别器还需要从标记数据中学习类别信息。最后，判别器学习到的决策分类面不仅仅区分出标记数据，而且平行于数据分布的边界。实验证明，在存在大量可供训练的图像的基础上，减少标注数据的比例，全监督学习方法性能会大幅下降；而本文提出的半监督学习方法，由于利用了未标注的数据，能保持更好的检测性能。 相似文献
8.
针对建立和更新田间图形数据库时，以高分辨率遥感影像为底图人工勾绘地块耗时费力这一问题，探索从边缘检测的角度实现对地块边缘的自动提取。在构建耕地地块边缘遥感影像数据集工作中，尝试深度学习边缘检测模型holistically-nested edge detection（HED）和richer convolutional features（RCF）的基础上，进一步改变模型特征融合方式，并采用空洞卷积结构，提出构建应用于遥感影像的边缘检测模型full dilated-RCF（FD-RCF），提取耕地地块边缘。实验表明，相关方法的精度评定F1值均能达到0.8以上。构建的FD-RCF模型表现最佳，其检测结果在ODS和OIS精度评定中F1值分别达到0.848 1和0.850 2，平均精度0.795 7。比较而言，FD-RCF方法检测结果画面更加清晰，能够显著提高田间地形数据的更新效率。 相似文献
9.
在利用主动学习方法进行高光谱图像分类时，往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题，提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本，通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类；然后，基于高光谱图像的空间相似性和光谱相似性，对无标注样本进行标注，并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明，该方法能在较少标注样本的情况下，有效提高高光谱图像的分类精度。 相似文献
10.
对已知目标形状,利用核主成分分析方法非线性建模,并根据高分辨率遥感图像特点,提出一种新的融入形状先验、图像边缘、颜色以及阴影信息的目标提取方法.该方法构造了基于活动轮廓模型的能量函数,并通过迭代的全局最优化方法最小化,实现对目标的准确分割提取.实验结果表明,该方法不仅能准确高效分割提取目标区域,而且能抵制背景噪声干扰,具有很强的鲁棒性和实用价值. 相似文献
11.
传统遥感卫星图像处理采用在地面进行目标检测和跟踪处理的模式，卫星将拍摄到的图像数据下传至地面数据处理中心，由地面数据处理系统对接收到的遥感图像数据进行目标检测和跟踪。然而，随着遥感图像分辨率的不断提高，需要下传的数据量增大，导致星地数据传输的时间大大增加，最终造成目标检测和跟踪的时效性降低。针对上述问题，提出一种基于多特征量判别的Canny边缘检测和联合概率数据关联的在轨海上多运动舰船目标检测和跟踪方法。将该方法利用中国科学院微小卫星创新研究院的高分微纳卫星实测数据在模拟星载的嵌入式开发平台上进行验证，结果表明该方法能够在轨对海上多运动舰船目标进行快速、准确的检测和跟踪。 相似文献
12.
基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义。针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet和Inception等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条。以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F1分数、Kappa系数和总精度表现最为优秀,分别达到85.14%、90.50%、0.7816、0.8774、0.8504和95.57%,并在WHU数据集上验证了它的鲁棒性。该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则建筑物的提取上,将极大促进真实、复杂、大场景高分辨率影像的建筑物提取遥感应用。 相似文献
13.
纪启国 《安徽职业技术学院学报》2008,7(1):20-24
文章提出一种基于小波变换的像素级图像融合方法,即首先对源图像利用Mallat算法做小波分解,然后由区域能量法实现小波系数的选择。实验选取曼谷西北部的多波段图像进行融合,统计特性评价结果表明了该算法的有效性。 相似文献
14.
高分四号（GF-4）卫星是目前世界上分辨率最高的静止轨道光学遥感卫星,它具有高时间分辨率、高空间分辨率和大成像幅宽等优点,可对指定区域进行连续观测。提出一种适用于GF-4卫星光学遥感图像的多运动舰船检测方法。首先,对遥感图像进行中值滤波去噪和非线性灰度拉伸;然后,通过谱残差法提取显著图;最后,使用基于加权Dempster-Shafer证据理论的图像融合方法对显著图进行融合处理后,进行舰船检测。GF-4卫星遥感图像真实数据的实验表明,本文所提方法能够对GF-4卫星光学遥感图像进行快速、准确的多运动舰船检测。 相似文献
15.
一种基于图像处理的船舶水尺标志识别方法 总被引：1，自引：0，他引：1
为解决传统水尺计重(目测水尺)主观性强、效率低等问题,提出一种基于图像处理的船舶水尺标志自动识别方法。对待识别的目标图像进行纵向颜色梯度处理,辨明水线;基于标准水尺标志样本图像,目标图像经二值化处理后与样本图像进行匹配;根据计算公式自动求取船舶吃水值。试验结果表明,该方法是有效的。 相似文献
16.
高分辨率遥感影像具有高空间分辨率、高清晰度、信息量丰富等优点,它的出现极大提高了遥感在城市土地利用/覆被变化研究中的应用能力.城市土地利用类型的准确分类是城市土地利用/覆被变化研究的重要前提,高分辨遥感影像凭借其自身优势成为最重要的数据源.本研究从高分辨率遥感影像的发展与特点、分类方法及其在城市专题信息提取中的应用3个方面进行综述,重点回顾高分辨率遥感影像用于城市土地利用分类的代表性方法及其在城市系统中提取建筑物、道路和绿地等专题信息的方法和应用进展,最后指出高分辨遥感影像在城市土地利用/覆被变化研究中的不足以及未来需要解决的问题. 相似文献
17.
L1A级影像产品是中国高分三号SAR卫星产品发布的初级产品形式。为实现后续科学研究、增值应用,提出一套完整的L1A级产品处理流程,用以生成辐射纠正产品、几何纠正产品等高级产品形式。在辐射纠正过程中,为剔除L1A级产品量化过程中存在空值和零值像素对辐射纠正结果造成的统计偏差,基于高分三号等效噪声系数提出改进的辐射纠正方法。在几何纠正中,提出RPC参数反算算法确定影像角点坐标,基于xml元数据文件中提供的轨道方向、视向以及采样间隔参数保证反算方法的稳健性,在几何校正重采样部分引入SAR滤波算子实现等效视数的提升。对使用Envi5.5软件无法完成几何校正的部分高分三号影像,使用本文提出的处理流程可以顺利完成,其处理结果通过与同为C波段的Sentinel-1影像辐射精度,以及Sentinel-2光学影像几何精度的对比,表明本方法对L1A产品进行处理的精确性和可靠性。 相似文献