- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于卷积神经网络的高分辨率遥感土地利用/土地覆盖分类全连接条件随机场方法
摘要： 土地利用与土地覆盖（LULC）的解译是高分辨率遥感（RS）图像处理和土地资源管理领域的重要课题。要完整训练一个用于LULC分类的新建或现有卷积神经网络（CNN）架构，需要大量遥感影像数据，因此需对预训练CNN进行微调以实现LULC检测。为提高高分辨率遥感图像的分类精度，需采用另一种特征描述符并结合后处理分类器。本文提出一种全连接条件随机?。‵C-CRF），通过利用微调后的CNN层、光谱特征及全连接成对势能来实现高分辨率遥感图像分类：首先采用现有CNN模型并通过训练数据集微调其参数，计算图像像素属于各类别的概率；其次结合光谱特征与数字表面模型（DSM），并采用支持向量机（SVM）分类器确定各LULC类别概率，基于微调CNN获得的概率构建新特征描述符；最后引入FC-CRF生成分类结果——其中一元势能由新特征描述符和SVM分类器获得，成对势能则由三波段RS影像与DSM生成。实验结果表明，当总体精度达到约85%时，该分类方案具有良好性能。
关键词： 遥感、全连接条件随机?。‵C-CRF）、图像分类、卷积神经网络（CNN）
更新于2025-09-10 09:29:36
-
[2018年IEEE国际电子/信息技术会议(EIT) - 美国密歇根州罗切斯特市(2018年5月3日-5月5日)] 2018年IEEE国际电子/信息技术会议(EIT) - 基于卷积神经网络的交通标志识别系统综述
摘要： 本文简要探讨了卷积神经网络（CNN）模型在交通标志识别（TSR）系统中的应用。传统上，TSR系统采用不同技术来检测和分类视觉数据。CNN曾被单独用于特征提取与分类器训练，也曾同时用于检测和分类任务。其中表现成功的是快速分支CNN模型，该模型通过模拟生物机制提升效率。尽管它并非本文所述模型中最精确的，但在时效敏感条件下展现的效率因其潜在应用价值值得深入探究。快速分支CNN模型挑战了既有模型的假设，唯有新模型继续突破这一局限，该技术才能实现进一步发展。
关键词： 卷积神经网络（CNN），交通标志识别（TSR），分类，检测
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于ResNet的SAR目标识别小样本学习优化
摘要： 深度卷积神经网络（CNN）是深度学习的重要分支。凭借其强大的特征提取能力，CNN模型已被引入解决合成孔径雷达自动目标识别（SAR-ATR）问题。然而，标注的SAR图像难以获取，因此如何从小样本数据集中获得良好的识别结果是我们主要关注的问题。理论上，更深的网络能带来更好的训练效果，但同时也给训练过程带来更多困难，尤其是在标注训练数据有限的情况下。近年来提出的残差学习能有效缓解这一问题。本文采用深度残差网络，并在构建?？橹幸雂ropout层以减轻有限SAR数据导致的过拟合。为提升训练效果，我们采用新的损失函数中心损失，并与softmax损失结合作为监督信号来训练深度CNN。实验结果表明，在不使用数据增强或预训练的情况下，该方法使用全部训练数据可实现99.67%的分类准确率；当训练数据集缩减至20%时，仍能获得高于94%的识别结果。
关键词： 中心损失，自动目标识别（ATR），有限标注数据，卷积神经网络（CNN），合成孔径雷达（SAR），残差学习
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于混合神经网络的高光谱图像分类
摘要： 卷积神经网络（CNN）能够提取空间语义特征，在许多计算机视觉任务中表现出色。本文提出混合神经网络（HNN），可在同一深度网络中同时提取空间与光谱特征。该网络由不同类型的隐藏层构成，包括空间结构层、空间上下文层和光谱层。这些层级作为有机整体网络运作，从高光谱数据中挖掘尽可能多的有效信息用于分类。实验结果表明，该方法性能优于其他最先进的神经网络方法。此外，该方案为利用深度网络处理多维数据提供了新途径。
关键词： 监督分类、特征学习、高光谱图像（HSI）、卷积神经网络（CNN）
更新于2025-09-10 09:29:36
-
[IEEE 2018年国际神经网络联合会议（IJCNN）- 里约热内卢（2018.7.8-2018.7.13）] 2018年国际神经网络联合会议（IJCNN）- 基于卷积神经网络的红外图像甲状腺结节识别
摘要： 早期发现甲状腺异常可降低疾病进展风险。影像学检查是诊断过程中的重要工具，但多数检查费用较高或可能使患者暴露于过量辐射。热成像技术作为甲状腺疾病诊断（尤其是结节检测）的有趣替代方案，因其能捕捉部分温度高于正常组织的结节特征。通过图像处理技术可定位潜在甲状腺结节区域，而卷积神经网络（CNN）则用于筛选真正与结节相关的区域。CNN在临床图像分类中应用广泛，已有模型在此类问题中展现良好效果。本研究提出结合简易图像处理技术与CNN的热成像甲状腺结节识别方法，测试了三种CNN架构：基于GoogLeNet（最高准确率86.22%）、AlexNet（77.67%）和VGG（74.96%）的模型。
关键词： 影像检查，卷积神经网络 - CNN，图像分类
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 采样方法对基于三维卷积神经网络的像素级高光谱图像分类的影响
摘要： 监督图像分类是从遥感影像生成语义图的关键技术之一。由于采集训练样本存在固有的时间和成本投入，标注真实数据集的匮乏导致新分类器通常在单幅影像内进行训练与验证。针对此情况，主流方法采用随机采样策略将现有真实数据划分为互斥的训练集和测试集。本文探讨了该策略与光谱-空间及像素级分类器（如三维卷积神经网络3D CNN）结合使用时产生的问题：随机采样方案会导致独立性假设被违背，并产生从训练集中提取全局知识的假象。为此，本文提出两种基于密度聚类算法（DBSCAN）的改进采样策略，通过最小化训练/测试样本独立性假设的违背程度，确保对分类器泛化能力的真实评估。
关键词： DBSCAN、聚类、采样策略、卷积神经网络（CNN）、深度学习、高光谱图像分类
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于生成对抗网络的遥感图像半监督目标检测
摘要： 目标检测是计算机视觉中的一项具有挑战性的任务。目前许多检测网络在应用大规模训练数据集时能取得良好的检测效果，但标注足量训练数据往往耗时较长。针对这一问题，本文提出了一种基于半监督学习的方法。半监督学习利用少量标注数据和大量未标注数据来训练检测网络。本方法采用生成对抗网络从无标注数据中提取数据分布特征，并将这些信息用于提升检测网络性能。实验表明，相比仅使用少量标注数据的监督学习方法，本文方案能显著提升检测性能。结果表明，当训练数据集中仅标注少量目标对象时，仍可获得可接受的检测效果。
关键词： 生成对抗网络（GAN）、卷积神经网络（CNN）、半监督学习、目标检测
更新于2025-09-10 09:29:36
-
[IEEE 2018年第七届农业地理信息学国际会议（Agro-geoinformatics） - 杭州（2018.8.6-2018.8.9）] 2018年第七届农业地理信息学国际会议（Agro-geoinformatics） - 基于机载高光谱遥感图像的中国南方典型农场精细分类
摘要： 在中国南方地区，特殊的土地碎片化现象使得作物种植呈现出单块种植面积小、多地块轮作和空间多样化种植的特点?；谥泄戏蕉捞氐淖魑镏种蔡卣?，本文以湖北省洪湖市典型南方农场为例，采用无人机成像光谱仪平台同步获取"双高"（高光谱与高空间分辨率）影像。为完成"双高"影像的作物精细分类，本文提出了CNN-CRF算法。该算法仅需1%的训练样本即可在遥感影像上达到91.5%的分类精度，其性能远优于大多数传统分类方法。
关键词： 条件随机?。–RF）、卷积神经网络（CNN）、精细分类、机载高光谱
更新于2025-09-10 09:29:36
-
基于卷积神经网络的DFT扩频OFDM可见光通信系统时域均衡器
摘要： 本文提出了一种基于机器学习方法的可见光通信(VLC)系统新型时域均衡器。本研究采用离散傅里叶变换扩频正交频分复用(DFT-S-OFDM)作为调制方案，并以卷积神经网络(CNN)作为均衡器的核心处理单元。通过训练序列估计信道状态信息(CSI)后，该均衡器根据估计的CSI恢复传输符号。数值仿真表明，该均衡器能显著提升误码率(BER)性能。例如当信噪比(SNR)为20dB且采用16/32/64正交幅度调制(QAM)时，原始误码率约为0.5，而恢复后的误码率可达10^-5，远低于前向纠错(FEC)门限3.8×10^-3。本研究推动了机器学习在VLC领域的应用。据我们所知，这是首次探索基于CNN的均衡器。
关键词： 机器学习（ML）、离散傅里叶变换扩频正交频分复用（DFT-S-OFDM）、可见光通信（VLC）、卷积神经网络（CNN）
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 高光谱图像分类的深度张量分解
摘要： 高维光谱特征和有限的训练样本给高光谱图像（HSI）分类带来了一系列困难。特征提取是解决这一问题的有效方法。具体而言，张量分解优于主成分分析（PCA）和非负矩阵分解（NMF）等突出方法，因为它考虑了空间信息。近年来，深度学习因能高效提取各类任务的分层特征而备受关注。本文提出一种新颖的特征提取方法——深度张量分解（DTF），用于从观测到的HSI中提取分层且有意义的特征。该方法利用张量表示HSI的优势以及卷积神经网络（CNN）在分层特征提取方面的优点。具体来说，首先对HSI的光谱维度进行卷积操作以抑制噪声影响，然后将卷积后的HSI输入张量分解以学习数据的低秩表示，之后重复上述两个过程以学习HSI的分层表示。在两个真实高光谱数据集上的实验结果表明了所提方法的优越性。
关键词： 高光谱图像（HSI）分类、特征提取、卷积神经网络（CNN）、张量分解
更新于2025-09-10 09:29:36