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） ▾

  • 基于跨域卷积神经网络的高光谱图像光谱-空间特征高效提取与分类

    摘要： 近年来，众多遥感应用高度依赖高光谱图像（HSI）。作为基础性问题，HSI分类日益受到关注，已成为遥感领域的热门课题。我们实现了一种采用dropout和正则化策略的卷积神经网络（CNN），以解决有限训练样本导致的过拟合问题。尽管大量文献证实融合光谱与空间上下文是有效的HSI分类方法，但尺度问题尚未得到充分挖掘。本文提出一种高效的光谱-空间HSI深度特征提取与分类方法，能充分利用引导滤波获取的多尺度空间特征。该方法是首次尝试为光谱和多尺度空间特征学习CNN。实验结果表明，相比同类方法，在印度松树、帕维亚大学和萨利纳斯等数据集上，本方法可将分类精度提升3%。

    关键词： 卷积神经网络（CNN）、高光谱图像（HSI）分类、引导滤波、光谱-空间融合

    更新于2025-09-23 15:22:29

  • 基于多尺度显著性与深度小波残差的红外线超分辨率成像

    摘要： 低密度焦平面阵列的红外（IR）成像系统会产生空间分辨率较差的图像。为解决这一限制，可在红外低分辨率（LR）图像上应用超分辨率（SR）算法。本文提出一种基于多尺度显著性检测与小波域深度卷积神经网络（DWCNN）学习残差的新SR技术。输入LR图像通过二维离散小波变换在转换域进行处理，将图像分解为低频和高频子带。多尺度显著性检测用于从双三次上采样LR图像中提取小尺度与大尺度显著特征图，这些特征图被整合至LR图像的高频子带中。此外，利用训练阶段DWCNN学习的残差对低频与高频子带进行优化。该算法与传统及前沿SR方法进行对比，结果表明：本方法重建质量优异，具有高峰值信噪比、高结构相似性及低模糊指数，且计算耗时更少。

    关键词： 红外成像、卷积神经网络、离散小波变换、多尺度显著性、超分辨率

    更新于2025-09-23 15:22:29

  • 利用长短期记忆网络和卷积神经网络预测太阳能发电量

    摘要： 随着太阳能光伏发电成本效益的提升，太阳能正成为替代能源中极具潜力、可满足日益增长能源需求的重要选项。因此，运维成本对光伏?？楣芾硇б娴挠跋煊⑾灾?，能源市场参与者需要精准预测短期及长期的太阳能发电量。本文提出一种基于卷积神经网络与长短期记忆网络的太阳能发电预测技术——这两种深度学习领域最新发展的时序数据分析方法。考虑到光伏组件安装地可能无法持续获取气象数据且传感器易损坏的情况，我们通过实证研究证实：该方法不仅能利用国家气象中心提供的粗略估算气象数据进行有效预测，而且在无需复杂预处理（如剔除异常值）的原始输入条件下仍能保持稳健的预测性能。

    关键词： 卷积神经网络、深度学习、长短期记忆、太阳能发电预测

    更新于2025-09-23 15:22:29

  • 基于大规模样本的Landsat OLI影像建成区提取方法综合评估

    摘要： 关于建成区的详细信息对于绘制复杂城市环境具有重要价值。尽管已开发出大量针对此类区域的分类算法，但鲜少从特征工程与特征学习视角进行验证。为此，我们开展了一项独特研究，全面测试了2015年中国北京地区15米分辨率建成区分类的陆地成像仪（OLI）影像数据。训练分类器需要大量样本点，我们基于欧洲航天局（ESA）2014年全球38米分辨率建成区数据、OpenStreetMap及MOD13Q1-NDVI，提出了一种快速自动生成海量样本点的方法。本研究旨在考察传统特征工程与现代特征学习策略下，单像素与图像块的影响差异。 在特征工程中，我们采用光谱、形状和纹理作为输入特征，选用支持向量机（SVM）、随机森林（RF）和AdaBoost作为分类算法；在特征学习中则使用卷积神经网络（CNN）。最终生成了26幅建成区土地覆盖图。实验结果表明：（1）基于特征学习的方法在分类精度上普遍优于特征工程方法，集成分类器（如RF）性能与CNN相当，二维CNN和7邻域RF的分类精度最高（近91%）；（2）总体而言，基于图像块的分类效果与精度优于单像素，能突出目标类别信息的特征（如PanTex纹理衍生建成区存在指数和增强形态学建筑指数EMBI）有助于提升分类精度。代码与实验结果详见https://github.com/zhangtao151820/CompareMethod。

    关键词： 分类，卷积神经网络，特征工程，建成区，Landsat 8-OLI，精度评价，特征学习

    更新于2025-09-23 15:22:29

  • [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) - 从物体识别中学习光照估计

    摘要： 本文提出了一种基于深度学习的图像光源估计方法。我们的模型并非通过光源标注进行训练，而是以提升辅助任务（如物体识别）性能为目标。据我们所知，这是首个无需真实光源标注即可训练的深度学习光源估计架构。我们在标准色彩恒常性数据集上评估该方案，并与现有最优方法进行对比。结果表明，在跨数据集评估中，本方案优于大多数深度学习方法；在与参数化解决方案的比较中也展现出具有竞争力的效果。

    关键词： 光源估计、深度学习、卷积神经网络、计算色彩恒常性、半监督学习

    更新于2025-09-23 15:22:29

  • 一种基于更新的卷积神经网络框架在大面积遥感图像目标检测中的应用示例

    摘要： 本信函探讨了大范围遥感图像中目标精确检测的问题。尽管许多基于卷积神经网络（CNN）的目标检测模型在小图像块上能实现高精度，但由于复杂背景和多样地物类型导致大量漏检与误检，在大范围图像中表现欠佳。为应对这一挑战，本信函提出一种基于样本更新的大范围遥感图像目标检测CNN框架（SUCNN）。该框架包含两个阶段：第一阶段使用训练数据集训练基础模型——单发多框检测器；第二阶段通过生成人工复合样本更新训练集，并利用更新后的数据集对第一阶段模型参数进行微调以获得第二阶段模型。最终采用大范围遥感图像测试集对一、二阶段模型进行评估。对比实验表明，所提SUCNN框架在大范围遥感图像目标检测中具有显著有效性与优越性。

    关键词： 大面积遥感图像、样本更新、目标检测、卷积神经网络（CNN）

    更新于2025-09-23 15:22:29

  • 基于多目标卷积神经网络模型与决策融合的高光谱海岸湿地分类

    摘要： 沿海湿地地物类型存在光谱混叠现象，导致类别混淆。本文提出一种面向沿海湿地高光谱图像的多目标卷积神经网络（CNN）决策融合分类方法。该方法采用基于模糊隶属度规则的决策融合技术处理单目标CNN分类结果，从而获得更高的分类精度。实验结果表明，该方法对水体、滩涂、芦苇及其他植被等六类地物具有良好效果?；谀：ナ舳鹊木霾呷诤戏掷喾椒ㄗ芴寰却?2.11%，较单目标特征波段CNN方法和支持向量机方法分别提高3.33%和6.24%。该多目标CNN决策融合分类方法继承了CNN单目标特征波段的特性，在存在类别混淆的挑战性条件下仍是一种实用的图像分类方案。

    关键词： 决策融合、卷积神经网络（CNN）、高光谱图像、分类

    更新于2025-09-23 15:22:29

  • 一种用于低光照图像增强的管道神经网络

    摘要： 低光照图像增强是计算机视觉领域的重要挑战。大多数在弱光环境下拍摄的低光照图像通常显得噪声多且昏暗，这给后续的计算机视觉任务带来了更大困难。本文受多尺度Retinex启发，提出了一种基于端到端全卷积网络和离散小波变换（DWT）的低光照图像增强流水线网络。首先，我们证明多尺度Retinex（MSR）可视为采用高斯卷积核的卷积神经网络（CNN），而融合DWT处理结果能提升MSR生成的图像质量。其次，我们设计了由去噪网络和低光照图像增强网络（LLIE-net）组成的流水线神经网络，该网络通过学习暗光与明亮图像对的映射函数实现增强。最后，我们在合成数据集和公开数据集上评估了方法性能。实验表明，相比其他先进方法，本方案在定性和定量分析层面均展现出更优效果。

    关键词： 卷积神经网络，LLIE-Net，低光照图像增强

    更新于2025-09-23 15:22:29

  • [2018年IEEE国际智能与先进系统会议(ICIAS) - 马来西亚吉隆坡(2018年8月13日-14日)] 2018年国际智能与先进系统会议(ICIAS) - 基于深度特征和数据降维的SD-OCT图像分类方法：糖尿病性黄斑水肿应用研究

    摘要： 糖尿病性黄斑水肿（DME）是指由糖尿病视网膜病变（DR）引发的眼部黄斑区细胞外液积聚，若不治疗将导致不可逆视力丧失。本文提出采用基于预训练卷积神经网络（CNN）的模型，通过主成分分析（PCA）和词袋模型（BoW）进行特征降维，对糖尿病性黄斑水肿的光谱域光学相干断层扫描（SD-OCT）图像进行分类。该模型使用新加坡眼科研究所（SERI）获取的SD-OCT数据集进行训练，并分别在切片层面采用8折交叉验证、在体积层面采用留出两名患者的方法进行评估。对于经过预处理的数据，在体积层面获得了96.88%的准确率。

    关键词： 糖尿病性黄斑水肿，降维，卷积神经网络，谱域光学相干断层扫描

    更新于2025-09-23 15:22:29

  • 基于小训练数据集迁移学习的高分辨率SAR图像船舶分类

    摘要： 合成孔径雷达（SAR）作为一种全天候遥感手段，现已成为海洋观测、目标追踪等领域的重要工具。随着神经网络（NN）技术的发展，近年来研究者开始运用深度学习（DL）方法研究SAR舰船分类问题。然而有限的标注SAR舰船数据成为训练神经网络的瓶颈。本文采用卷积神经网络（CNNs）基于小样本SAR图像开展舰船分类研究，针对小样本训练中常见的过拟合问题，提出新型数据增强方法并与迁移学习相结合。通过实验测试评估性能，结果表明该方法能实现高精度舰船类型分类，验证了所提方法的有效性。

    关键词： 船舶分类、深度学习（DL）、卷积神经网络（CNNs）、合成孔径雷达（SAR）

    更新于2025-09-23 15:22:29