高分辨率遥感图像
高分辨率遥感图像的相关文献在2002年到2022年内共计236篇,主要集中在自动化技术、计算机技术、测绘学、无线电电子学、电信技术
等领域,其中期刊论文118篇、会议论文10篇、专利文献419403篇;相关期刊76种,包括测绘与空间地理信息、遥感信息、科学技术与工程等;
相关会议8种,包括第二届高分辨率对地观测学术年会、第七届中国智能交通年会、第十四届全国信号处理学术年会等;高分辨率遥感图像的相关文献由602位作者贡献,包括肖鹏峰、冯学智、王岳环等。
高分辨率遥感图像—发文量
专利文献>
论文:419403篇
占比:99.97%
总计:419531篇
高分辨率遥感图像
-研究学者
- 肖鹏峰
- 冯学智
- 王岳环
- 桑农
- 何国金
- 吴剑剑
- 唐为林
- 姚玮
- 宋云峰
- 王培法
- 佘江峰
- 唐娉
- 孙显
- 张学良
- 张鼎文
- 胡蕾
- 赵好好
- 郭雷
- 韩军伟
- 吴桂平
- 周培诚
- 姚国清
- 姚西文
- 李士进
- 杨帆
- 沈利强
- 潘国峰
- 王丽
- 程塨
- 胡昌苗
- 蒋亚平
- 陈曦
- 黄秋燕
- 丛瑜
- 刘明超
- 周伟
- 周志鑫
- 宁晨
- 康旭东
- 张兆明
- 张宁
- 张正
- 张道兵
- 张钧萍
- 李可
- 李树涛
- 洪星
- 潘旭冉
- 王东广
- 王宏琦
-
-
李润林;
邹焕新;
曹旭;
成飞;
贺诗甜;
李美霖
-
-
摘要:
在高分辨率遥感影像解译中,舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题,本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information,RSI-CenterNet)的多方向遥感舰船目标检测方法。首先,基于关键点检测网络,在检测阶段添加目标角度回归分支,以预测目标方向;其次,添加语义分割分支,并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息;最后,引入注意力模块,以强化目标显著区域与通道的特征,提升检测精度。实验结果表明,与其他多种先进方法相比,本文方法具有更高的检测精度与检测速度,在高分辨率船舶数据集(High Resolution Ship Collections 2016,HRSC2016)上的平均精度达到88.31%,检测速度达到17.8 FPS。
-
-
陈知明;
张江;
邱汉清;
戴颖成;
吴宇鑫;
李建军
-
-
摘要:
高分辨率遥感图像分类是当前一个研究热点,基于深度卷积网络和全连接条件随机场的高分辨率遥感图像分类模型(Deeplab),因其高效精准的分类性能被广泛应用于该研究领域,但Deeplab模型存在空洞卷积核对高分辨率遥感图像的信息利用率不足、限制分类精度进一步提高的问题。本文提出一种基于密集连接的轻量级高分辨率遥感图像分类模型Dspp,采用密集卷积网络连接结构,将Deeplab的空洞卷积金字塔结构替换成密集连接结构,以提高信息利用率且增强模型的泛化能力,并与当前经典的FCN、FCN8S、Deeplab分类网络模型进行实验对比。结果表明,Dspp模型相较于FCN模型、FCN-8S模型和Deeplab模型的整体精度分别提高16.8、11.7和7.7个百分点,验证了本模型的有效性。
-
-
夏英;
黄秉坤
-
-
摘要:
由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框;引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度;使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。
-
-
杨运龙;
梁路;
滕少华
-
-
摘要:
深度卷积神经网络对高分辨率遥感影像进行语义分割时,对图像的下采样会造成物体边缘模糊,使分割结果在边缘附近划分不清晰,误分类较多。通过在网络中增加边缘信息可以提升模型对遥感图像的分割能力。因此,提出了一个用于语义分割的双路网络模型,增加一路边缘网络学习目标的边缘特征,并利用边缘特征对分割特征进行细化。同时,作为一个多任务学习模型,分割网络和边缘网络可以同时进行训练。本文在ISPRS Potsdam和ISPRS Vaihingen数据集上证明了双路网络模型的有效性,对比多种语义分割模型,均取得了领先的效果。
-
-
郭杨亮;
马瑞娟;
韩子清
-
-
摘要:
针对目前深度卷积神经网络(Convolutional Neural Network,CNN)在遥感图像建筑物提取上存在小目标漏分、被遮挡目标无法提取、细节缺失等问题,在生成对抗网络(Generative Adversarial Network,GAN)的基础上提出一种基于多尺度条件生成对抗网络(Multi-Scale Conditional Generative Adversarial Network,MSR-cGAN)的城市建筑物提取方法.该方法包括生成网络和对抗网络两个部分,在生成网络中加入循环残差卷积模块和注意力门限跳跃连接机制,增强模型的特征提取能力;在对抗网络中引入通道注意力的特征融合,使网络提取丰富的上下文信息,应对目标尺度变化,改善小目标分割效果.在实验过程中,对Inria Aerial Image Labeling建筑物提取数据集进行实验并与多种方法进行比较,结果表明,所提出的方法具有更高的目标分割准确率,对小目标与被遮挡目标取得了较好的分割效果.在训练数据有限、背景复杂多样、尺度变化较大的建筑物提取中分割准确率分别达到96.18%,表明提出的方法可应用于复杂的高分辨率遥感图像建筑物提取.
-
-
王一琛;
刘慧;
王海涛;
钱育蓉
-
-
摘要:
针对高分辨率遥感图像建筑物分割方法存在分割完整度低和模型参数量大的问题,提出一种轻量化的编码器-解码器结构网络LED-Net (lightweight encoder decoder network)。编码器使用带有通道注意力机制的残差网络,使得网络充分提取图像的特征信息;解码器使用轻量化的数据依赖上采样模块,增加建筑物分割完整度,减少模型参数量。使用INRIA Aerial Image与Massachusetts Buildings数据集对该算法进行实验,LED-Net相较DeepLabV3+、Building-A-Net等模型,减少了模型参数量,提升了分割精确度及预测图中建筑物的整体和边缘分割完整度。
-
-
武昌东
-
-
摘要:
随着传感器技术的进步,遥感影像分辨率不断提高,高分辨率遥感影像的变化检测技术已经成为遥感领域的研究重点。传统的中低分辨率影像变化检测方法无法在高分辨率影像中取得较好的检测结果。提出了一种基于超像元全连接条件随机场的高分辨率遥感影像变化检测模型,用以提升高分辨率遥感影像变化检测精度。该方法通过变化矢量分析(CVA)产生差分影像;对差分影像进行超像素分割,得到超像元差分影像;构建超像元全连接条件随机场模型并利用图割算法进行推理获得二值变化图。实验结果表明,所提出的方法提高了高分辨率遥感图像变化检测的精度。
-
-
孙汉淇;
潘晨;
何灵敏;
胥智杰
-
-
摘要:
遥感图像语义分割是指通过对遥感图像上每个像素分配语义标签并标注,从而形成分割图的过程,在国土资源规划、智慧城市等领域有着广泛的应用。高分辨率遥感图像存在目标大小尺度不一与阴影遮挡等问题,单一模态下对相似地物和阴影遮挡地物分割较为困难。针对上述问题,提出了将IRRG(infrared、red、green)图像与DSM(digital surface model)图像融合的遥感图像语义分割网络MMFNet。网络采用编码器-解码器的结构,编码层采用双输入流的方式同时提取IRRG图像的光谱特征和DSM图像的高度特征。解码器使用残差解码块(residual decoding block,RDB)提取融合后的特征,并使用密集连接的方式加强特征的传播和复用。提出复合空洞空间金字塔(complex atrous spatial pyramid pooling,CASPP)模块提取跳跃连接的多尺度特征。在国际摄影测量与遥感学会(international society for photogrammetry and remote sensing,ISPRS)提供的Vaihingen和Potsdam数据集上进行了实验,MMFNet分别取得了90.44%和90.70%的全局精确度,相比较与DeepLabV3+、OCRNet等通用分割网络和CEVO、UFMG_4等同数据集专用分割网络具有更高的分割精确度。
-
-
邓露露;
张长伦;
邢思
-
-
摘要:
遥感图像语义分割是为遥感图像分配像素级语义标签的计算机视觉任务。随着传感器技术以及深度学习的发展,深度学习算法在精度与速度上远超传统算法。其中,基于深度学习的高分辨率遥感图像语义分割的算法成为众多学者的主要研究方向之一。本文主要针对深度学习在遥感图像语义分割中的相关算法以及网络结构进行介绍。首先介绍语义分割CNN网络,其次分别从三个方面对高分辨率遥感图像语义分割算法进行阐述:一是结合多尺度、多阶段、上下文聚合策略,二是在语义分割之后采用后处理技术,三是结合注意力机制。随后介绍经典数据集,最后对未来深度学习在高分辨率遥感图像语义分割中的算法的发展进行总结与展望。
-
-
景维鹏;
张明伟;
林敬博
-
-
摘要:
针对传统深度卷积神经网络遥感图像分类方法需要不断进行试错,花费相关专家大量时间和计算资源的问题,提出了一种基于神经网络架构搜索的遥感图像分类方法.首先搜索最优单元(cell),再以预定义的方式堆叠该最优单元得到目标网络.其中该方法将离散的网络架构表达连续化,从而可以使用梯度下降的方法在离散的搜索空间内进行搜索,实现其高效性.为了提高其精确性,该方法还对目标网络在训练集上进行重新训练.实验结果表明,在实验测试集上测试用时4 h训练所得模型分类准确率达到了88.57%,说明了该方法的高效性以及高精确性.
-
-
Xue Qiao;
乔雪;
Zhoujun Xu;
许舟军;
Chengbo Jiao;
焦程波;
Chen Peng;
彭晨;
He Duan;
段贺
- 《第五届高分辨率对地观测学术年会》
| 2018年
-
摘要:
随着遥感技术的快速发展,高分辨率遥感图像数据急剧增加,如何从海量的遥感图像数据中提取有效的语义描述信息具有重要的研究价值.然而,现有方法通常忽略遥感图像中的细节特征,从而导致图像的重要内容不能被语义信息准确描述.针对上述问题,本文提出了一种基于注意力机制的门控循环单元(Attention based Gated Recurrent Unit,Att-GRU)模型,并将该模型应用于高分辨率遥感图像的语义描述.首先,利用卷积神经网络提取高分辨率遥感图像的全局特征;然后在门控循环单元网络中引入注意力机制,以捕捉遥感图像中的细节视觉特征;最后,将图像视觉特征和描述文本特征共同作为Att-GRU模型的输入,以保证描述文本和图像内容的语义一致性,最终生成具有丰富语义内容的高分辨率遥感图像描述文本.实验结果表明,本文提出的模型在高分辨率遥感图像语义描述方面取得了较好的效果.
-
-
CHEN Keming;
陈克明;
ZHOU Zhixin;
周志鑫;
GUO Jianen;
郭建恩;
ZHANG Daobing;
张道兵;
SUN Xian;
孙显
- 《第二届高分辨率对地观测学术年会》
| 2013年
-
摘要:
为适应高分辨率遥感图像应用需求,本文提出了一种面向语义场景理解的高分辨率遥感图像变化分析方法.首先,从图像语义目标的视觉表征出发,分析高分辨率遥感图像语义信息表征方法,并以复杂场景语义理解为目的,基于图模型理论构建典型地物目标对象语义关系网;其次,基于半监督学习方法,充分利用少量已标注样本和大量未标注样本,在语义信息主动传递的基础上实现复杂场景下目标语义标注;最后,面向认知理解,通过目标物理层变化信息与语义层次变化信息结合,实现对变化信息的语义层精细化解译,提升高分辨率遥感图像变化分析的应用价值.多个高分辨率遥感实验数据集上的实验分析验证了本文所提出的变化分析方法的有效性和应用前景.
-
-
-
-
-
-
肖鹏峰;
冯学智;
赵书河;
佘江峰
- 《第十三届全国图象图形学学术会议》
| 2006年
-
摘要:
高分辨率遥感图像分割是面向对象分类的基础,而基于分水岭变换的图像分割性能在很大程度上依赖于计算待分割图像梯度的算法.本文从频域角度引入了相位一致的不变特征提取方法,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度,发现相位一致梯度较空域检测算子提取的梯度有着更为尖锐的响应,而且对线形特征定位更为准确,有利于高分辨率遥感图像的分割.接着在对相位一致梯度图像进行分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合遥感图像的分割,于是给出了一种基于前景标记和梯度重建的分水岭算法,有效地克服了过度分割问题.使用该方法对IKONOS Pan图像农田、厂房和居民楼等地物进行特征提取和图像分割,得到了较好的分割结果.
-
-
王成军;
徐伟铭;
毛政元;
罗星
- 《2016中国地理信息科学理论与方法学术年会》
-
摘要:
综述了高分辨率遥感图像的特点以及变化检测的流程,对高分辨率遥感变化检测的方法按照其处理对象的不同分为面向像元、面向特征和面向对象的变化检测方法,对不同种类的方法进行简要的介绍和适当的比较,阐述了不同方法对于高分辨率遥感图像变化检测的适用性及其优缺点.如果能够融合一些先验知识作为辅助信息,从多尺度和多层次的角度来理解图像,例如利用马尔科夫随机场对图像进行多尺度的建模,将结果作为分类或者是分割的先验知识,分割时采用基于图论的对影像采取谱聚类或者是机器学习等自动化程度高的方法进行分类或者分割,来进行变化检测,能够有效的提高检测的精度和效率。
-
-
-
李伟明;
董淑伟;
连剑
- 《山东省航空航天学会2018学术年会》
| 2018年
-
摘要:
本文针对可见光遥感图像军事目标在轨识别问题,设计了一种改进的深度神经网络模型结构.首先对遥感图像中疑似目标的所在区域进行提取,设计了具有七层结构的深度卷积神经网络模型,最后设计了一种网络剪枝方法,在保证识别精度的条件下缩小网络规模,提高计算下效率深度.实验结果表明,所设计的深度神经网络模型具有良好的识别和分类效果.