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） ▾

  • 基于卷积神经网络（CNN）的图像识别技术在环境监测无人机图像定位中的应用研究

    摘要： 无人机遥感已广泛应用于应急救援、灾害救助、环境监测、城市规划等领域?；肪臣嗖庵械耐枷袷侗鹩胪枷穸ㄎ灰殉晌扑慊泳趿煊虻难芯咳鹊?。卷积神经网络模型是最常用的图像处理模型，相较于传统人工神经网络模型，卷积神经网络具有更多隐藏层，其独特的卷积和池化操作在图像处理中效率更高，在图像识别与定位等二维图形任务中具有无可比拟的优势。作为卷积神经网络的新型变体，残差神经网络旨在让卷积层学习残差而非直接学习目标。通过分析CNN模型的图像特征表征特性及残差网络后，构建了残差网络模型。选取无人机遥感系统作为平台获取图像数据，研究基于残差神经网络的图像识别问题，并通过实验仿真与精度分析进行验证。最后探讨了学习与设计过程中的问题与经验，展望了图像目标定位与识别领域的未来改进方向。

    关键词： 残差网络、卷积神经网络、图像识别、无人机

    更新于2025-09-23 15:22:29

  • 一种基于属性的高层图像表示方法用于场景分类

    摘要： 场景分类因其广泛应用于目标检测、图像检索等诸多实际场景而日益受到关注。传统方法通常采用人工设计的低层图像特征来描述场景图像，但这些方法往往难以有效捕捉视觉概念的语义特征，尤其在处理复杂场景时表现欠佳。本文提出一种创新的高层图像表征方法，利用图像属性作为场景分类的特征。具体而言，我们首先通过深度卷积神经网络（CNN）提取每幅图像的属性——该网络通过最小化逐元素逻辑损失函数训练为多标签分类器。这种属性生成过程能有效缩小低层特征表征与高层场景语义之间的"语义鸿沟"。基于这些属性，我们进一步构建了能挖掘场景类别语义化描述的系统。在四个大规模场景分类数据集上的大量实验表明，本算法显著优于当前其他先进方法。

    关键词： 高层图像表示、场景分类、属性表示、卷积神经网络

    更新于2025-09-23 15:22:29

  • 利用对抗学习实现视网膜光学相干断层扫描图像中各层与流体区域的半监督自动分割

    摘要： 光学相干断层扫描（OCT）因其高分辨率和非侵入性的优势，成为眼科诊断的主要成像技术。糖尿病作为慢性疾病，可能导致视网膜层变形和液体积聚，增加失明风险，因此监测糖尿病患者视网膜层形态变化及液体积聚至关重要。由于存在变形和积液，OCT图像中视网膜层与液体区域的分割是一项具有挑战性的任务。现有基于机器学习的分割方法依赖大量像素级标注数据，这类数据往往难以获取。本文提出一种新型半监督全卷积深度学习方法，用于分割视网膜OCT B扫描图像中的视网膜层和液体区域。该半监督方法通过对抗学习策略利用未标注数据，包含采用类U-Net全卷积架构的分割网络与判别网络。分割网络的损失函数为联合损失函数，包含多类交叉熵损失、Dice重叠损失、对抗损失及半监督损失。研究表明，判别网络与未标注数据的运用能提升分割性能。通过在杜克糖尿病性黄斑水肿数据集和POne数据集的实验验证，本方法在OCT图像层结构与液体分割方面较其他先进方法更具有效性。

    关键词： 图像处理、光学相干断层扫描、层分割、对抗学习、卷积神经网络

    更新于2025-09-23 15:22:29

  • [2018年IEEE图像分析与解释西南研讨会（SSIAI）- 美国内华达州拉斯维加斯（2018.4.8-2018.4.10）] 2018年IEEE图像分析与解释西南研讨会（SSIAI）- 基于深度网络估计背景光与场景深度的水下图像复原技术

    摘要： 水下拍摄的图像常因光线散射和吸收而出现色彩失真与低对比度问题。水下图像可建模为清晰图像与背景光的混合体，其混合比例由相机深度决定。本文提出两种神经网络结构来估算背景光与场景深度，从而实现水下图像复原。在合成与真实水下图像上的实验结果表明，该方法具有显著效果。

    关键词： 深度估计、图像恢复、卷积神经网络、水下图像

    更新于2025-09-23 15:21:21

  • [IEEE 2018年第15届欧洲雷达会议(EuRAD) - 西班牙马德里(2018年9月26日-28日)] 2018年第15届欧洲雷达会议(EuRAD) - 基于深度学习的雷达微多普勒图像中的人类活动分类

    摘要： 研究了一种基于卷积神经网络（CNN）的深度学习（DL）方法，用于对雷达微多普勒频谱图中的人类活动进行分类。采用卡内基梅隆大学的MOCAP数据集进行频谱图模拟。通过所提出的CNN网络对七种活动进行了分类。我们的网络性能优于几种先前发表的基于DL的方法。为了解网络对分类性能的影响，我们研究了所提网络的一些关键参数。实验结果表明，更深的网络并不一定会带来更高的准确率。我们还考察了网络规模和输出特征图数量对其结果的影响。

    关键词： 深度学习、卷积神经网络、人类活动分类、微多普勒频谱图、雷达图像

    更新于2025-09-23 15:21:21

  • [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CNN的高分辨率遥感图像船舶检测重归一化方法

    摘要： 基于甚高分辨率（VHR）遥感图像的船舶检测因深度学习的快速发展成为热门课题。当前船舶检测研究普遍面临一个重大挑战：现有方法在检测前难以生成具有良好交并比（IOU）的高质量目标候选框。本文提出一种基于卷积神经网络（CNN）的重归一化方法来提升目标候选框质量。首先利用CNN预测包含旋转、位置和尺度信息的候选船舶形状特征图块，随后设计重归一化网络通过校正形状信息并将其重归一化为统一图块来调整候选船舶。该方法可生成优质候选目标，有助于提升后续船舶检测效果。在谷歌地球人工标注数据集上的测试表明，该重归一化网络显著提高了船舶检测性能，兼具优异的检测精度与高交并比。

    关键词： 船舶检测，卷积神经网络，重新归一化，遥感

    更新于2025-09-23 15:21:21

  • [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 - 基于深度神经网络的遥感场景多任务分类

    摘要： 遥感（RS）图像场景分类问题近年来备受关注。现有文献中提出了许多以此为目的的数据集，每个都宣称自己是基准数据集。本文为遥感领域提出了一种不同方法：我们不再致力于构建规模越来越大的场景数据集，而是主张建立能从所有可用数据集中学习的机器学习框架。我们将此构建为一个多任务学习问题——每个数据集代表一个任务，进而提出可实现多任务学习的深度学习解决方案。通过在UC Merced、KSA和AID三个主流场景数据集上测试该多任务网络，初步结果表明该方案在任务间信息共享及提升分类准确率方面具有良好潜力。

    关键词： 深度学习、场景分类、多任务分类、卷积神经网络

    更新于2025-09-23 15:21:21

  • [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 - 基于时域迁移深度卷积神经网络的早稻制图方法

    摘要： 近年来，深度学习在遥感领域的应用使得大范围自动化制图成为可能。本文提出一种迁移学习方法：先利用2016年的中分辨率遥感数据预训练卷积神经网络（CNN），随后用2017年的少量高分辨率遥感数据进行微调。我们使用该微调模型在25个国家进行早稻制图仅耗时21分钟，总体精度达81.68%。结果表明，卷积神经网络模型能在不同时间段以极小调整实现高精度迁移。

    关键词： 中等分辨率数据、卷积神经网络、时间尺度、迁移学习

    更新于2025-09-23 15:21:21

  • [IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 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 - 结合深度学习分类器的航拍图像油棕树检测

    摘要： 棕榈油是世界上产量最大的植物油，全球75%的产量用于食品和烹饪用途。对种植区进行可持续管理需要频繁评估田间状况。本文研究了一种基于深度学习的自动算法，该算法能够利用无人机采集的航拍彩色图像建立单株油棕树清单。该方法通过结合两个独立卷积神经网络的输出实现——这两个网络分别训练于部分不同的样本子集和不同空间尺度上，以捕捉图像区块的粗略和精细细节。通过简单平均法整合估计后验概率，从而提高检测精度并评估每次单独检测的置信度。非极大值抑制用于消除弱检测信号。在巴西北部三个树龄分别为2年、4年和16年的商业油棕种植园进行的实验表明，使用分米级空间分辨率的正射影像时，总体检测准确率介于91.2%至98.8%之间。该方案可作为基于遥感的森林监测系统中的有效组件。

    关键词： 卷积神经网络、分类、树木计数、遥感、森林资源清查

    更新于2025-09-23 15:21:21

  • [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-2018年7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 欧洲卫星数据集发布：面向土地利用与土地覆盖分类的新型数据集与深度学习基准测试

    摘要： 本文研究了利用哨兵2号卫星影像进行土地利用与土地覆盖分类的挑战。主要贡献如下：我们基于覆盖13个不同光谱波段的哨兵2号卫星影像，构建了一个包含10个类别、总计27,000张标注图像的新数据集。在该新数据集及其不同光谱波段上评估了当前最先进的深度卷积神经网络（CNN），同时也在现有遥感数据集上评估了深度CNN并对比结果。使用所提出的新数据集，我们实现了98.57%的整体分类准确率。本研究产生的分类系统为各类地球观测应用开辟了途径，我们还展示了该分类系统如何助力改进地理地图。

    关键词： 深度学习、土地利用分类、地球观测、卷积神经网络、机器学习、数据集、土地覆盖分类

    更新于2025-09-23 15:21:21