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2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：
基于深度学习的高分辨率遥感图像建筑物识别 被引量：46
1
作者 宋廷强 李继旭 张信耶 《计算机工程与应用》 CSCD 北大核心 2020年第8期26-34,共9页
为解决当前深度学习方法在高分辨率遥感图像中存在识别结果过度分割,以及小物体识别差的问题,提出一种基于SegNet架构改进的网络模型AA-SegNet,增加了增强的空间金字塔池化模块和空间注意力融合模块。该网络可以加强特征传播并能够有效... 为解决当前深度学习方法在高分辨率遥感图像中存在识别结果过度分割,以及小物体识别差的问题,提出一种基于SegNet架构改进的网络模型AA-SegNet,增加了增强的空间金字塔池化模块和空间注意力融合模块。该网络可以加强特征传播并能够有效传递更高级别的特征信息以抑制低级特征的噪声,并且可以增强小目标特征学习。基于高分二号遥感影像制作数据集并进行实验,AA-SegNet网络总体识别准确率为96.61%,在识别率、F1分数以及训练时间等方面也都优于SegNet、U-Net、DeepLab-V3网络。 展开更多
关键词 深度学习 建筑识别 高分辨率遥感 增强型空间金字塔模型 注意力机制 语义分割
在线阅读 下载PDF
联合分离卷积与密集连接轻量级神经网络的高光谱图像分类 被引量：2
2
作者 宋廷强 宗达 +4 位作者 刘童心 范海生 黄腾杰 蒋晓旭 王浩宇 《遥感学报》 EI CSCD 北大核心 2022年第11期2317-2328,共12页
针对高光谱遥感图像空间分辨率低,标注训练样本困难的问题,本文提出一种基于分离卷积(Separable convolution)与密集连接(Dense connection)的轻量级神经网络SDLN模型。该模型基于DenseNet的思想,同时采用计算量更少的分离卷积代替3D卷... 针对高光谱遥感图像空间分辨率低,标注训练样本困难的问题,本文提出一种基于分离卷积(Separable convolution)与密集连接(Dense connection)的轻量级神经网络SDLN模型。该模型基于DenseNet的思想,同时采用计算量更少的分离卷积代替3D卷积,根据算法提取的光谱信息和空间信息,结合目标及周围像素信息推断其中心像素内容,实现对单像素的分类。基于IP、PU和KSC这3个广泛使用的高光谱数据集进行实验,按照分层抽样的方法,每个类别选取少量样本作为训练集,分类精度分别达到了97.4%、97.6%、99.2%,与SSRN、SVM-RBF、MDGCN、DBDA及pResNet多种先进分类算法对比,分类精度提高且时间成本降低。 展开更多
关键词 高光谱图像分类 深度学习 轻量级网络 密集连接 可分离卷积
原文传递
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