修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

287 条数据
?? 中文（中国） ▾

  • [IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 基于卷积神经网络与线性逼近的光场图像压缩

    摘要： 计算机视觉应用（如重新对焦、分割和分类）已成为最先进的成像服务之一。光?。↙F）成像系统能提供场景的丰富语义信息。通过密集布置的相机阵列与微透镜阵列（全光相机），可提取并利用空间与角度坐标表示每个来自场景射向光场捕捉系统的光线方向。但此类成像系统存在诸多缺陷，包括产生海量数据及场景表征复杂度剧增等问题。 本文提出一种高效光场图像编码方案：该方案首先采用最新混合视频编码器（JEM）对稀疏视角集进行编码，继而通过线性近似估算第二组稀疏视角集。解码端则运用深度学习（DL）方法，从重构的稀疏视角集中重建完整光场图像。实验结果表明，本方案不仅提供了更优质的视觉质量，更以30%的码率增益超越了当前最先进的光场图像压缩解决方案。

    关键词： 光场、机器学习、未来视频编码、线性近似、卷积神经网络

    更新于2025-09-11 14:15:04

  • 基于Wasserstein生成对抗网络的高光谱图像无监督特征提取

    摘要： 特征提?。‵E）是高光谱图像（HSI）处理中的关键研究领域。近年来，由于深度学习（DL）在提取空间和光谱特征方面具有强大能力，基于DL的FE方法展现出巨大的应用潜力。然而，大多数基于DL的FE方法属于监督学习，其训练过程严重受限于高光谱图像中标注样本的缺失问题，这制约了监督式DL特征提取方法在高光谱处理中的应用。为解决该问题，本文提出一种改进型生成对抗网络（GAN），用于无监督地训练DL特征提取器。该网络包含生成器和判别器两个组件：生成器专注于数据集真实概率分布的学习，判别器则能有效提取具有优异不变性的空间-光谱特征。为实现自适应学习上采样与下采样策略，生成器采用全反卷积子网络设计，判别器则基于全卷积子网络构建。此外，通过利用生成器与判别器的零和博弈关系，设计了新型极小极大代价函数，实现端到端的无监督GAN训练。该方法还将原始JS散度替换为Wasserstein距离，以缓解GAN框架训练过程中的不稳定性和困难性。三个真实数据集的实验结果验证了所提方法的有效性。

    关键词： 卷积神经网络（CNN）、高光谱图像（HSI）、特征提?。‵E）、生成对抗网络（GAN）

    更新于2025-09-11 14:15:04

  • 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

  • 基于卷积神经网络的土壤光谱迁移学习及其在高光谱影像土壤黏粒含量制图中的应用

    摘要： 土壤光谱通常在实验室中测量，全球范围内建立的大型土壤光谱库数量日益增多。然而，基于土壤光谱库开发的校准模型难以直接应用于野外或航天获取的光谱数据。迁移学习有望弥合这一差距，使校准模型能在不同传感器间迁移应用。本研究旨在探索迁移学习在土壤光谱分析中的潜力，以及其利用高光谱数据进行土壤黏粒含量估算的性能表现。首先，采用一维卷积神经网络（1D-CNN）处理土地利用/覆盖面积框架调查（LUCAS）的矿质土壤数据。为评估预训练1D-CNN模型的可迁移性，使用LUCAS有机土壤数据对模型进行微调与验证。微调后的模型在黏粒含量估算中表现出良好精度（决定系数R2=0.756，均方根误差RMSE=7.07，偏差比RPD=2.26）。作为简易可迁移特征的光谱指数也在LUCAS数据中进行了探索，但黏粒含量估算效果不佳。随后，利用研究区实地采样数据（光谱源自HyMap影像）对预训练1D-CNN模型进一步微调，获得R2=0.601、RMSE=8.62和RPD=1.54的精度。最终通过微调后的1D-CNN模型与高光谱数据生成了土壤黏粒含量分布图。

    关键词： 高光谱影像、土壤光谱学、卷积神经网络、深度学习、迁移学习

    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?？焖俜种NN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 - 基于深度学习的SAR图像雪崩检测

    摘要： 雪崩检测对于建立雪崩清单和应急管理至关重要。本文提出一种基于深度学习的SAR图像雪崩检测方法。我们采用现有方法通过多时相SAR图像变化检测来生成候选区域，随后利用卷积神经网络判断候选区域是否包含雪崩。该方法应用了已针对自然RGB图像分类训练的预训练网络。由于SAR图像属于非标准图像，我们提出了一种将SAR图像适配至RGB图像预训练网络的方法。随后对预训练网络进行微调，使其能够区分SAR图像候选区域中的雪崩与相似干扰物。通过交叉验证发现，该方法平均分类错误率为3.5%。

    关键词： 雪崩检测、卷积神经网络、深度学习、变化检测、合成孔径雷达图像

    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（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 遥感图像中桥梁分割的联合特征网络

    摘要： 本文提出了一种新型卷积神经网络架构，用于光学遥感图像中不同尺度桥梁的语义分割。在针对不规则形状物体的遥感影像分析中，需要获取密集的像素级分类图。为此，我们需要一种能生成精细形状的新网络架构，而非仅提供图像分类标签。在我们的端到端框架中，采用ResNet作为主干模型提取语义特征，随后添加级联式自上而下的路径来融合不同尺度的这些特征。通过堆叠不同层的特征图获得联合特征。实验表明，我们提出的架构能够整合丰富的多尺度上下文信息，生成高精度的语义分割图。

    关键词： 遥感影像（RSIs）、语义分割、卷积神经网络（CNNs）、像素级分类

    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 - 基于卷积神经网络的云检测：从Landsat-8到Proba-V的迁移学习

    摘要： 云检测是利用地球观测卫星多光谱传感器信息的关键问题。对于Proba-V卫星而言，由于光谱波段数量有限，云检测具有挑战性。先进的机器学习方法（如卷积神经网络CNN）在有足够标注数据的情况下已被证明能有效解决该问题。然而，关于云层存在的同步共址信息通常不可获取或需要大量人工标注。本研究提出利用现有的Landsat-8云掩膜数据集进行学习，并将这种学习迁移应用于解决Proba-V云检测问题。我们使用经调整以模拟Proba-V特性的Landsat影像训练CNN模型，并在大量真实Proba-V场景上进行测试。所开发的模型在不使用任何真实Proba-V数据训练的情况下，性能超越了当前运行的Proba-V云检测系统。此外，若使用少量Proba-V数据对CNN进行微调，云检测精度还可进一步提升。

    关键词： Proba-V，迁移学习，卷积神经网络，云检测，领域自适应，Landsat-8

    更新于2025-09-10 09:29:36

  • [IEEE 2018年第40届国际医学与生物工程院大会(EMBC) - 美国夏威夷檀香山(2018.7.18-2018.7.21)] 2018年第40届IEEE医学与生物工程院国际年会(EMBC) - 融合多种深度学习架构结果用于光学相干断层扫描中正常与糖尿病性黄斑水肿的自动分类

    摘要： 糖尿病性黄斑水肿（DME）是一种严重的眼科疾病，若不治疗可能导致不可逆的失明。目前DME诊断仍依赖眼科医生的手动评估，因此过程耗时且诊断可能带有主观性。本文提出两种新型DME检测框架：(1)融合AlexNet、VggNet和GoogleNet三个预训练卷积神经网络的特征，并通过主成分分析进行特征空间降维；(2)基于AlexNet、VggNet和GoogleNet分类结果的多数投票机制。实验使用新加坡眼科研究所和香港中文大学获取的光学相干断层扫描数据集，采用体素级别的留二患者交叉验证法评估结果。该方法将DME分类准确率提升至93.75%，与当前同类数据集最佳算法效果相当。

    关键词： 谷歌网络、卷积神经网络、亚历克斯网络、多数投票法、糖尿病性黄斑水肿、主成分分析、VGG网络、光学相干断层扫描

    更新于2025-09-10 09:29:36