基于生成对抗网络的遥感图像公路沿线地物分割研究
这是一篇关于高分辨率遥感图像,语义分割,生成对抗网络,Pix2Pix,半监督学习的论文, 主要内容为公路作为带动区域经济发展的重要基础设施之一,对国民经济的发展具有重要作用。随着国家对交通强国的大力推进,遥感技术被用于公路沿线的环境监测。遥感图像语义分割可以帮助工作人员更好地掌握该公路沿线的地物,帮助开展公路沿线环境的动态监测及其安全分析工作,对于对地观测、环境监测以及灾害预警具有重要作用。近年来,基于深度学习的图像语义分割方法能够高效、准确地获取到所需要的图像语义信息,具有巨大的实用价值。然而,由于公路沿线遥感图像数据集的背景复杂,导致现有的语义分割模型出现边界轮廓粗糙、错分割、漏分割等现象;而且这类方法需要大量的样本标注,这对语义分割任务来说存在挑战。显然公路建设具有覆盖地域广,路线长的特点,不同地区的公路以及同一条公路的不同局部路段地物存在差异,例如城市、乡村、集镇等一些人口较多,建筑物密集的地区和有些人迹罕至,以树木荒地、戈壁为主的偏僻地区,它们对地物的分割精度要求不同。基于此,本文利用生成对抗网络(Generative Adversarial Network简称GAN)实现全监督学习图像语义分割与半监督学习图像语义分割。论文的主要工作与创新包含以下三个方面:(1)基于改进Pix2Pix的遥感图像语义分割。在处理细节地物分割精度要求高的区域,采用监督学习模型Pix2Pix实现语义分割。针对经典的Pix2Pix模型的分割网络在下采样操作造成的细节信息丢失,进而导致分割精度下降的问题,本文进行如下改进。首先,在编码阶段的末尾连接空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块,以多个比例捕捉对象以及图像上下文,引入空间注意力机制(Spatial Attention Mechanisms,SAM)对地物边缘细节信息进行增强,提高网络模型对地物的分割能力。(2)基于改进循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Networks,Cycle GAN)的半监督遥感图语义分割。对于人迹罕至地物单一的偏僻地区,采用半监督学习的图像语义分割。首先对每一个特征提取阶段的卷积层后引入SAM用来增强特征提取能力,再在特征提取的最后连接ASPP去抓取多尺度信息,并采用半监督训练方法进行训练。使用较少的训练数据,改善模型的分割精度,大大降低了打标签所消耗的时间及人力成本。(3)公路沿线语义分割系统设计与实现。从系统的业务性、功能性、性能等方面进行需求分析,在此基础上分别对前端和后端采用lay UI框架和Spring MVC+Spring+Mybatis框架设计并实现了数据导入、图像分割、分割结果统计、分割结果上报、审批、审批状态跟踪等功能,公路沿线语义分割系统操作简便、性能稳定,具有较高的实用价值。实验结果表明,本文方法有效提升了语义分割的精度,缓解了对公路沿线地物的错分割、漏分割以及边缘分割模糊的问题。对公路沿线的环境地物分割更精准,同时应用到系统中,较好的改善公路沿线环境监测效率。
基于RetinaNet的高分辨率遥感图像目标检测方法研究
这是一篇关于计算机视觉,高分辨率遥感图像,目标检测,特征表达,标签分配,回归损失的论文, 主要内容为随着我国高分卫星星座和众多遥测平台系统的完善和进步,高分辨率遥感图像的可获得性逐渐提升,并朝着大数据和多样化的方向发展,给高分辨率遥感图像解译提出了更高的技术要求。其中,目标检测作为高分遥感图像解译任务中的重要内容,在智能交通、军事国防、抢险救灾和城市规划管理等众多应用中表现出重要的研究价值。然而,随着高分数据多样化程度和应用需求的提升,高分遥感图像目标检测模型在面临复杂地物背景、多样化目标类型、跨尺度目标特性和不同的标注形式等实际情况时,依旧表现出有效性和鲁棒性上的局限。因此,面向上述现实条件,本文从典型目标检测模型Retina Net的基本原理出发,深入研究多类别、多尺度目标特征自适应表达方法、背景和目标信息有效解耦策略、正负样本标签分配及不同标注形式下损失函数设计思路等内容,分别从通用目标检测和有向目标检测两个方面展开研究。论文主要包括以下内容:论文首先阐述现有经典通用目标检测模型Retina Net的基本原理及相关概念,然后细致地剖析了其在有向目标检测任务中的相关改进措施。在全面分析本文所用实验数据集的相关特性后,充分验证Retina Net及其有向改进模型的适应性和有效性,为后文设计新的目标检测方法奠定理论和实验基础。在通用目标检测任务中,论文针对Retina Net应用于高分辨率遥感图像通用目标检测时在多类别、多尺度特征自适应表达能力和语义信息解耦能力上的问题,提出了联合动态特征提取网络和语义引导滤波机制的通用目标检测方法,通过自适应调整网络的感受野并提升不同尺度层级间特征的信息交互,改善了Retina Net在高分辨率遥感图像通用目标检测数据集上的检测性能。在有向目标检测方面,论文针对Retina Net的有向改进模型在高分辨率遥感图像中可能存在标签分配策略及有向回归损失适应性不足的两方面问题,在其基础上提出了联合目标空间-尺度约束标签分配策略和Wasserstein距离度量回归损失的有向目标检测方法,通过提升训练样本质量并缓解传统损失的适应性问题,实现了Retina Net扩展至有向目标检测任务的同时有效提升了其在高分辨率遥感图像有向目标检测数据集上的性能。
基于高分辨率遥感影像的建筑物变化检测算法
这是一篇关于建筑物变化检测,高分辨率遥感图像,注意力机制,视觉transformer,深度卷积神经网络的论文, 主要内容为近年来,随着遥感技术的进步,从遥感影像中检测建筑物的变化已经成为检测地表变化的一种重要方式,对探索土地资源利用和确定灾后建筑物损毁有着重要意义。因为深度学习强大的特征提取能力和端到端的快速检测能力,它已经被广泛应用到变化检测任务中。然而,一些现有的基于深度学习的算法在面对复杂的建筑物特征时存在着一些缺陷,比如捕捉建筑物边缘信息的能力不足,对小尺度目标检测能力差,难以区分相邻位置的建筑等。针对以上问题,本文基于深度学习方法,对高分辨率遥感影像中的建筑物变化进行研究,主要工作如下:1)总结对比传统算法和深度学习的算法,指出传统方法的不足和深度学习方法的优势,尤其在特征提取方面,深度学习方法显著优于传统方法。此外,介绍了深度学习理论知识,以便更好地理解本文所提出的算法。2)针对一些变化检测算法对原始图像的信息(如建筑物边缘的细节)利用不足、对小尺度建筑物或受其他建筑物干扰的变化区域小的建筑物检测效果差的问题,本文提出了一种基于注意力的多尺度输入输出网络,命名为AMIO-Net。它通过多尺度输入输出结构增强了网络对原始图像特征信息的利用能力。同时,利用金字塔池化注意力模块(PPAM)和孪生注意力机制模块(SAMM),在充分考虑全局上下文信息的同时,增强了对小目标的检测能力。在三个公开数据集(LEVIR-CD,Google,S2Looking)上的实验表明,和经典方法(如FCN、Seg Net等)相比,本算法的F1分数在三个数据集上的提升分别达到5.28%-15.32%,11.31%-21.53%,12.29%-26.13%。同先进方法(如SNUNet、STANet等)相比,本算法的F1分数提升分别达到2.27%-6.56%,6.83%-24.08%,6.81%-15.73%。3)针对部分算法由于特征提取能力不足而对不规则形状的目标建筑检测效果差、难以区分位置相近的不同建筑间的变化等问题,本文提出了一种结合UNet编码器和视觉transformer结构的特征增强网络(FENET-UEVTS)来检测高分辨率遥感图像中的建筑物变化。该模型将深度卷积神经网络与视觉transformer结构(VTS)的一部分相结合,对各种建筑物都有很强的特征提取能力,其中VTS主要为不同级别特征图的建筑物提供空间相关性。本文设计了一种增强特征提取器,由空间和通道注意力模块(SCAM)、U形残差模块(USRM)、增强特征提取模块(SFEM)、和自注意力特征融合模块(SAFFM)组成,用来提高网络对不同形状的建筑物及其边缘细节的特征提取能力。此外,为了减少特征图合并时的信息丢失,设计了一个跨通道上下文语义聚合模块(CCSAM)在通道维度上执行信息聚合。为了验证所提出模型的有效性和先进性,在三个公开的变化检测数据集(LEVIR-CD,WHU-CD,CDD)上与其它8个先进算法(如SNUNET、BIT、Change Former等)进行了大量对比实验。结果表明,FENET-UEVTS的F1分数在三个数据集上分别提升了3.68%-13.5%,3.24%-23.63%,3.98%-44.69%,而KAPPA系数则分别提升了3.86%-14.21%,3.69%-28.48%,4.34%-47.07%。
基于RetinaNet的高分辨率遥感图像目标检测方法研究
这是一篇关于计算机视觉,高分辨率遥感图像,目标检测,特征表达,标签分配,回归损失的论文, 主要内容为随着我国高分卫星星座和众多遥测平台系统的完善和进步,高分辨率遥感图像的可获得性逐渐提升,并朝着大数据和多样化的方向发展,给高分辨率遥感图像解译提出了更高的技术要求。其中,目标检测作为高分遥感图像解译任务中的重要内容,在智能交通、军事国防、抢险救灾和城市规划管理等众多应用中表现出重要的研究价值。然而,随着高分数据多样化程度和应用需求的提升,高分遥感图像目标检测模型在面临复杂地物背景、多样化目标类型、跨尺度目标特性和不同的标注形式等实际情况时,依旧表现出有效性和鲁棒性上的局限。因此,面向上述现实条件,本文从典型目标检测模型Retina Net的基本原理出发,深入研究多类别、多尺度目标特征自适应表达方法、背景和目标信息有效解耦策略、正负样本标签分配及不同标注形式下损失函数设计思路等内容,分别从通用目标检测和有向目标检测两个方面展开研究。论文主要包括以下内容:论文首先阐述现有经典通用目标检测模型Retina Net的基本原理及相关概念,然后细致地剖析了其在有向目标检测任务中的相关改进措施。在全面分析本文所用实验数据集的相关特性后,充分验证Retina Net及其有向改进模型的适应性和有效性,为后文设计新的目标检测方法奠定理论和实验基础。在通用目标检测任务中,论文针对Retina Net应用于高分辨率遥感图像通用目标检测时在多类别、多尺度特征自适应表达能力和语义信息解耦能力上的问题,提出了联合动态特征提取网络和语义引导滤波机制的通用目标检测方法,通过自适应调整网络的感受野并提升不同尺度层级间特征的信息交互,改善了Retina Net在高分辨率遥感图像通用目标检测数据集上的检测性能。在有向目标检测方面,论文针对Retina Net的有向改进模型在高分辨率遥感图像中可能存在标签分配策略及有向回归损失适应性不足的两方面问题,在其基础上提出了联合目标空间-尺度约束标签分配策略和Wasserstein距离度量回归损失的有向目标检测方法,通过提升训练样本质量并缓解传统损失的适应性问题,实现了Retina Net扩展至有向目标检测任务的同时有效提升了其在高分辨率遥感图像有向目标检测数据集上的性能。
基于生成对抗网络的遥感图像公路沿线地物分割研究
这是一篇关于高分辨率遥感图像,语义分割,生成对抗网络,Pix2Pix,半监督学习的论文, 主要内容为公路作为带动区域经济发展的重要基础设施之一,对国民经济的发展具有重要作用。随着国家对交通强国的大力推进,遥感技术被用于公路沿线的环境监测。遥感图像语义分割可以帮助工作人员更好地掌握该公路沿线的地物,帮助开展公路沿线环境的动态监测及其安全分析工作,对于对地观测、环境监测以及灾害预警具有重要作用。近年来,基于深度学习的图像语义分割方法能够高效、准确地获取到所需要的图像语义信息,具有巨大的实用价值。然而,由于公路沿线遥感图像数据集的背景复杂,导致现有的语义分割模型出现边界轮廓粗糙、错分割、漏分割等现象;而且这类方法需要大量的样本标注,这对语义分割任务来说存在挑战。显然公路建设具有覆盖地域广,路线长的特点,不同地区的公路以及同一条公路的不同局部路段地物存在差异,例如城市、乡村、集镇等一些人口较多,建筑物密集的地区和有些人迹罕至,以树木荒地、戈壁为主的偏僻地区,它们对地物的分割精度要求不同。基于此,本文利用生成对抗网络(Generative Adversarial Network简称GAN)实现全监督学习图像语义分割与半监督学习图像语义分割。论文的主要工作与创新包含以下三个方面:(1)基于改进Pix2Pix的遥感图像语义分割。在处理细节地物分割精度要求高的区域,采用监督学习模型Pix2Pix实现语义分割。针对经典的Pix2Pix模型的分割网络在下采样操作造成的细节信息丢失,进而导致分割精度下降的问题,本文进行如下改进。首先,在编码阶段的末尾连接空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块,以多个比例捕捉对象以及图像上下文,引入空间注意力机制(Spatial Attention Mechanisms,SAM)对地物边缘细节信息进行增强,提高网络模型对地物的分割能力。(2)基于改进循环一致性生成对抗网络(Cycle-Consistent Generative Adversarial Networks,Cycle GAN)的半监督遥感图语义分割。对于人迹罕至地物单一的偏僻地区,采用半监督学习的图像语义分割。首先对每一个特征提取阶段的卷积层后引入SAM用来增强特征提取能力,再在特征提取的最后连接ASPP去抓取多尺度信息,并采用半监督训练方法进行训练。使用较少的训练数据,改善模型的分割精度,大大降低了打标签所消耗的时间及人力成本。(3)公路沿线语义分割系统设计与实现。从系统的业务性、功能性、性能等方面进行需求分析,在此基础上分别对前端和后端采用lay UI框架和Spring MVC+Spring+Mybatis框架设计并实现了数据导入、图像分割、分割结果统计、分割结果上报、审批、审批状态跟踪等功能,公路沿线语义分割系统操作简便、性能稳定,具有较高的实用价值。实验结果表明,本文方法有效提升了语义分割的精度,缓解了对公路沿线地物的错分割、漏分割以及边缘分割模糊的问题。对公路沿线的环境地物分割更精准,同时应用到系统中,较好的改善公路沿线环境监测效率。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://bishedaima.com/lunwen/50333.html
