- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[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 - 基于几何显著性的超高分辨率遥感影像精确建筑物检测
摘要： 本文旨在解决高分辨率（VHR）遥感影像中建筑物检测的问题。受"建筑物在几何特征上比纹理或光谱特征更具辨识度"这一观察启发，我们提出了一种基于建筑物结构几何显著性的新型几何建筑指数（GBI），以实现精准的建筑物检测。该几何显著性源自基于关键连接点的中级几何表征——这些连接点能局部描述图像的各向异性几何结构。最终通过整合所得的建筑物几何显著性来计算GBI。在三个公开数据集上的实验表明，所提出的GBI不仅取得了优异性能，同时展现出卓越的泛化能力。
关键词： 遥感图像、几何显著性、连接点、建筑物检测
更新于2025-09-23 15:22:29
-
遥感图像目标检测中的尺度自适应提议网络
摘要： 航拍图像中的目标检测在许多应用中具有广泛用途。近年来，快速区域卷积神经网络在自然图像目标检测方面展现出显著改进?？悸堑揭８型枷裰心勘甑某叽绾头植继卣鳎诓捎酶眉际跚靶瓒郧蛱嵋橥?RPN)进行改进。本文提出一种尺度自适应提议网络(SAPNet)以提高遥感图像多目标检测的精度。该网络由设计用于生成多尺度目标提议的多层RPN构成，并包含采用融合特征层以优化多目标检测的最终检测子网络。对比实验结果表明，所提出的SAPNet显著提升了多目标检测的准确性。
关键词： 区域提议网络（RPN）、多目标检测、遥感图像、卷积神经网络（CNN）
更新于2025-09-23 15:22:29
-
通过小波变换结合递归Res-Net实现超分辨率遥感图像
摘要： 深度学习（DL）已成功应用于单图像超分辨率（SISR）领域，该技术旨在从低分辨率（LR）图像重建高分辨率（HR）图像。与当前多数基于空间域重建的DL方法不同，我们采用频域方案实现多频段HR图像重建。进一步地，我们提出融合小波变换（WT）与递归残差网络的方法：首先对LR图像进行小波分解获得各频段分量，随后通过精心设计的递归残差块网络预测高频成分，最终经逆小波变换得到重建图像。本文主要贡献有三：1）在DL框架下提出基于频域的SISR方案，充分挖掘多频段图像表征潜力；2）采用全局与局部的递归块及残差学习机制简化深度网络训练，移除批归一化层以增强网络灵活性、节省内存并提升速度；3）用细节更丰富的LR图像替代低频小波分量以进一步提升性能。为验证方法有效性，我们在NWPU-RESISC45数据集进行大量实验，结果表明该方法在客观指标与主观视觉效果上均优于现有最优方法。
关键词： 残差学习、小波变换（WT）、遥感图像、超分辨率、递归网络
更新于2025-09-23 15:22:29
-
[计算机与信息科学通信] 信号处理与智能识别系统进展 第968卷（第四届国际研讨会SIRS 2018，印度班加罗尔，2018年9月19-22日，修订精选论文集）|| 基于张量分解技术的高光谱图像预处理分析
摘要： 高光谱遥感图像分析一直是一项具有挑战性的任务，因此采用了多种技术来探索这些图像。最新方法包括将高光谱图像视为三阶张量，并利用各种张量分解方法进行处理。本文重点研究采用不同分解方法处理后的高光谱图像行为特征。实验内容包括对原始高光谱图像和预处理高光谱图像应用张量分解方法（如多线性奇异值分解和低多线性秩近似技术）进行处理。结果基于相对重构误差、分类精度及像素反射光谱进行展示。该分析提供了具有关联性的实验结果，强调了高光谱图像预处理的必要性以及张量分解方法所呈现的趋势。
关键词： 低阶多线性秩近似，遥感图像，像素反射光谱，多线性奇异值分解，相对重构误差，张量分解
更新于2025-09-23 01:18:14
-
[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 - 面向超高分辨率海事图像语义分割的Shipnet网络
摘要： 对于超高分辨率（VHR）海事图像，语义分割是一个新兴的研究热点，在海岸线导航、资源管理和领土?；ぶ芯哂兄匾饔?。在缺乏足够标注训练数据的情况下，既要清晰分割大范围区域，又要同时分离大尺度中的小目标物体是一项挑战。为此，我们提出了一种新型ShipNet网络，并设计了一个加权损失函数，用于同步实现海陆分割与船舶检测。为验证所提方法，我们还构建并向学界公开了一个包含VHR多尺度海事图像的新数据集。与FCN和ResNet相比，该方法取得了更优的F1分数（船舶类别达85.90%，总体准确率达97.54%）。相较于多尺度FCN，ShipNet能获取如锐利边缘般的细节结果。即使对于低质量图像，ShipNet仍能保持稳健性并获得良好效果。
关键词： 美国有线电视新闻网，船舶检测，海陆分割，遥感图像
更新于2025-09-23 06:58:59
-
[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 - 针对几何形变遥感图像的鲁棒超分辨率重建方法
摘要： 由于成像传感器的限制，遥感图像通常分辨率有限。为解决这一问题，已开发出多种超分辨率（SR）图像重建技术，用于从一系列低分辨率、含噪声且模糊的观测数据中重建高分辨率图像。本文提出一种基于非局部全变分（NLTV）正则化的几何形变遥感图像高效超分辨率重建方法。通过快速原始-对偶算法求解所提出的最小化问题。数值实验验证了该方法的有效性。
关键词： 超分辨率图像重建，遥感图像，原始对偶算法
更新于2025-09-10 09:29:36
-
基于多任务驱动深度神经网络的高分辨率遥感影像有效建筑物提取
摘要： 高分辨率遥感影像中的建筑物提取因其获取地理信息的重要意义而被广泛研究。许多基于深度学习的方法已尝试用于该任务，但在为遥感数据设计图层或模块以及充分利用建筑物的独特特征（如形状和边界）方面仍有诸多探索空间。本文提出一种基于U-Net的端到端网络架构，通过改进Xception?？榇硪８杏跋褚蕴崛∮行卣鳎⒉捎枚嗳挝裱罢辖ㄖ锏慕峁剐畔?。选取两个标准高分辨率遥感影像数据集（马萨诸塞州建筑物数据集和Vaihingen数据集）进行测试，模型取得了最先进的成果。
关键词： 建筑物提取、多任务学习、Xception?？?、深度神经网络、遥感图像
更新于2025-09-10 09:29:36
-
[IEEE 2018年第37届中国控制会议(CCC) - 武汉(2018.7.25-2018.7.27)] 2018年第37届中国控制会议(CCC) - 基于卷积神经网络的高光谱图像目标检测
摘要： 卷积神经网络（CNN）已成功应用于图像分类和目标检测领域，但鲜少被引入高光谱图像（HSI）目标检测。为此，本文提出一种基于CNN的高光谱图像目标检测方法。首先对原始HSI数据进行预处理以获取光谱信息；其次通过训练CNN提取特征信息，并根据高光谱数据调整网络参数；最后依据提取的特征实现目标校准。为评估该方法的目标检测性能，在真实AVIRIS高光谱实验中与深度置信网络（DBN）和支持向量机（SVM）方法进行对比。数值结果表明，该方法在高光谱目标检测领域具有良好应用前景。
关键词： 目标识别、遥感图像、深度置信网络、深度学习、卷积神经网络
更新于2025-09-09 09:28:46
-
基于极限学习机的高光谱图像分类快速主动学习方法
摘要： 由于地球表面起伏不平且地形复杂，获取遥感数据的训练样本既耗时又昂贵。因此，设计一个尽可能少用标注样本并减少计算时间的模型极具价值。现有文献中已提出多种用于高光谱图像（HSI）分类的主动学习（AL）算法，但其计算时间性能尚未得到重点关注。本文提出了一种基于极限学习机（ELM）的主动学习方法，在保持分类精度的同时有效缩短了计算时间。通过对比该方案与当前最先进的主动学习算法在分类精度和计算时间两方面的表现，进一步验证了其有效性。我们在两个高光谱数据集上采用不同查询策略实施了基于ELM的主动学习（ELM-AL），该方案实现了高达90%的分类精度——与基于支持向量机（SVM）的主动学习（SVM-AL）方案相当，但将计算时间显著缩短了1000倍。由此可见，该系统在大幅降低计算时间的同时保持了足够的分类精度，展现出令人鼓舞的效果。
关键词： 不确定性采样，遥感图像，极限学习机，分类，主动学习，不确定性度量，高光谱图像
更新于2025-09-09 09:28:46
-
[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 - 基于深度记忆连接网络的高质量遥感图像超分辨率重建
摘要： 单幅图像超分辨率是提升遥感影像空间分辨率的有效方法，这对目标检测和图像分类等众多应用至关重要。然而，现有基于神经网络的方法通常感受野较小且忽略图像细节。我们提出一种名为深度记忆连接网络（DMCN）的新方法，基于卷积神经网络重建高质量超分辨率图像。我们构建局部与全局记忆连接以融合图像细节与环境信息。为进一步减少参数量并降低耗时，我们提出下采样单元来缩减特征图的空间尺寸。我们在三个不同空间分辨率的遥感数据集上测试DMCN，实验结果表明该方法在精度和视觉效果上均较当前最先进技术有显著提升。
关键词： 卷积神经网络、图像融合、超分辨率、遥感图像
更新于2025-09-09 09:28:46