检索结果-内蒙古大学图书馆

四川轻化工大学学报（自然科学版） 2023年第5期36卷 51-59页

作者：张博源黄成泉王琴万林江周丽华贵州民族大学数据科学与信息工程学院贵阳550025 贵州民族大学工程技术人才实践训练中心贵阳550025

针对皮损皮肤镜图像分割不准确的问题,本文提出了一种基于Atrous-spatial-pyramid-pooling Parallel Coordinate-attention pattern u-net(APC-unet)模型的皮肤病变区域分割算法。算法在u-net模型的编码器中融入Atrous Spatial Pyramid Pooling(ASPP)模块和Parnet模块以提升模型的特征提取能力,在解码器中嵌入带有注意力机制的Coordinate Attention(CA)模块以增强模型的定位能力,并且引入了Lovász-hinge损失函数来解决皮损皮肤镜图像样本类别不均衡的问题。通过消融实验验证了提出的模型的改进合理性,通过对比实验结果表明,APC-unet模型整体上优于5种对比模型,并且相较于基准模型u-net,在Dice系数、Iou、精确率、召回率和准确度上分别提升了6.14%、8.11%、6.79%、2.28%和2.49%,各项性能指标均有较好提升,是一种有效可行的皮肤病变区域分割算法。

关键词：计算机辅助诊断皮肤病变区域分割深度学习 u-net模型注意力机制

来源：评论

学校读者我要写书评

暂无评论

面向牙齿X-RAY图像分割的牙齿模型

引用

福建电脑 2024年第1期40卷 44-47页

作者：周敬策陆惠玲江南大学人工智能与计算机学院江苏无锡214122 宁夏医科大学医学信息与工程学院宁夏银川750004

医学图像分割技术为临床诊断和治疗提供关键依据,但传统的图像分割技术易将图像过度分割且分割效果不够精细。为解决这些问题,本文研究采用u-net网络分割牙齿X-Ray图像,通过合理选择池化操作、激活函数和周期数目,解决牙齿X-Ray图像中... 详细信息

医学图像分割技术为临床诊断和治疗提供关键依据,但传统的图像分割技术易将图像过度分割且分割效果不够精细。为解决这些问题,本文研究采用u-net网络分割牙齿X-Ray图像,通过合理选择池化操作、激活函数和周期数目,解决牙齿X-Ray图像中存在的牙齿与周围组织的对比度低、边界模糊、牙齿与背景分布不均、牙齿与组织粘连等问题。实验结果表明,u-net网络具备有效的牙齿X-Ray图像的分割性能。

关键词：牙齿X-Ray图像图像分割 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于改进u-net的不同容重小麦籽粒识别检测

引用

河南农业科学 2023年第10期52卷 141-152页

作者：吕宗旺王玉琦孙福艳河南工业大学信息科学与工程学院河南郑州450001 粮食信息处理与控制教育部重点实验室河南郑州450001

小麦质量等级检测过程中,容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题,需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集,针对小麦籽粒目标小、边缘分... 详细信息

小麦质量等级检测过程中,容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题,需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集,针对小麦籽粒目标小、边缘分割不清晰等特点对u-net网络进行改进。在主干网络上,采用残差堆叠模块来减少特征损失,在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取,在解码器部分嵌入自注意力机制模块,还原细节信息。结果表明,改进网络模型CBSA_u-net的平均交并比(MIou)为81.5%,比u-net模型提升了1.8百分点,相较于PSPnet、DeepLabv3+模型分别提升了4.2、3.3百分点。

关键词：小麦质量等级籽粒识别容重残差模块注意力机制 u-net模型分割

来源：评论

学校读者我要写书评

暂无评论

基于改进u-net的肺野分割算法

引用

激光与光电子学进展 2022年第2期59卷 167-175页

作者：易三莉王天伟杨雪莲佘芙蓉贺建峰昆明理工大学信息工程与自动化学院云南昆明650500 云南省计算机技术应用重点实验室云南昆明650500

针对受肺肩区域、胸膈角及肋骨影响的胸部肺野分割问题,提出了一种基于改进u-net的肺野分割算法。首先,用inception模块代替u-net编码块中的卷积层,在增加网络宽度的同时捕获更多的图像特征。然后,在编码块与解码块中引入残差网络,提升... 详细信息

针对受肺肩区域、胸膈角及肋骨影响的胸部肺野分割问题,提出了一种基于改进u-net的肺野分割算法。首先,用inception模块代替u-net编码块中的卷积层,在增加网络宽度的同时捕获更多的图像特征。然后,在编码块与解码块中引入残差网络,提升网络深度的同时保证网络稳定;在编码与解码之间用跳跃连接增强特征的传递和利用,解决编码部分连续下采样中的胸部肺野特征丢失问题。最后,在编码与解码部分结合通道和空间注意力机制对图像特征进行重标定,有效提高了算法的分割精度。实验结果表明,相比其他分割算法,本算法的分割性能更好,在公开Montgomery County数据集上的准确率、召回率、特异性、平均交并比分别为98.90%、97.81%、99.28%、97.17%。

关键词：图像处理肺野分割 inception模块残差模块跳跃连接 u-net模型

来源：评论

学校读者我要写书评

暂无评论

融合转置卷积与深度残差图像语义分割方法

引用

计算机科学与探索 2022年第9期16卷 2132-2142页

作者：刘腊梅王晓娜刘万军曲海成辽宁工程技术大学软件学院辽宁葫芦岛125105

针对深度学习图像语义分割方法中存在分割精度低、损失率高的问题,提出了融合转置卷积与深度残差图像语义分割方法。首先,为了解决神经网络深度增加引起分割精度下降、收敛速度慢的问题,设计一种深度残差学习模块来提升网络的训练效率... 详细信息

针对深度学习图像语义分割方法中存在分割精度低、损失率高的问题,提出了融合转置卷积与深度残差图像语义分割方法。首先,为了解决神经网络深度增加引起分割精度下降、收敛速度慢的问题,设计一种深度残差学习模块来提升网络的训练效率和收敛速度;然后,为了使上采样过程与特征提取过程中特征图融合精度更高,将深度残差u-net模型中upSampling2D和转置卷积两种上采样方式进行拼接,形成新的上采样模块;最后,针对网络训练过程中训练集与验证集之间存在的权值过度拟合问题,在网络的跳跃连接层引入Dropout,增强了网络的学习能力。在CamVid数据集上对算法的性能进行了证明,算法语义分割精度达到89.93%,损失率降到0.23,与u-net模型相比,验证集精度提升了13.13个百分点,损失率降低了1.20,优于当前的图像语义分割方法。所提出的图像语义分割新模型,综合了u-net模型的优点,使得图像语义分割精度更高,语义分割的效果更好,有效提升了算法的鲁棒性。

关键词：图像语义分割 u-net模型深度残差网络转置卷积

来源：评论

学校读者我要写书评

暂无评论

基于EDRnet模型的高分辨率遥感影像道路提取

引用

计算机工程 2021年第9期47卷 297-303,312页

作者：赫晓慧李代栋李盼乐胡绍凯陈明扬田智慧周广胜郑州大学地球科学与技术学院郑州450001 郑州大学信息工程学院郑州450001 中国气象科学研究院郑州大学生态气象联合实验室郑州450052

针对高分辨率遥感影像道路提取结果不完整、边界质量差的问题,提出基于EDRnet模型的遥感影像道路提取方法。利用残差网络构建道路提取模型EDR1,保留道路的细节信息并加速网络收敛。通过融合多尺度、多层次的道路特征信息,设计道路提取... 详细信息

针对高分辨率遥感影像道路提取结果不完整、边界质量差的问题,提出基于EDRnet模型的遥感影像道路提取方法。利用残差网络构建道路提取模型EDR1,保留道路的细节信息并加速网络收敛。通过融合多尺度、多层次的道路特征信息,设计道路提取结果优化模型EDR2。在此基础上,利用混合损失函数,提高道路提取的完整度。实验结果表明,EDRnet道路提取方法在马萨诸塞州道路数据集上的召回率、精确率和F1-score指标分别达到了84.4%、81.7%及83.0%,其结果完整且准确。

关键词：遥感影像道路提取 u-net模型深度学习 EDRnet模型

来源：评论

学校读者我要写书评

暂无评论

皇甫川流域淤地坝对土壤有机碳固存的贡献

皇甫川流域淤地坝对土壤有机碳固存的贡献

引用

作者：张斌西北农林科技大学

学位级别：硕士

淤地坝是黄土高原地区沟道治理主要的水土保持措施,发挥着拦泥滞洪、蓄水保田、增产减沙的作用,在黄河流域生态保护和高质量发展重大国家战略的实施中具有重要地位。经过近70年的建设,黄土高原地区淤地坝数量剧增、且布局分散,目前对淤... 详细信息

淤地坝是黄土高原地区沟道治理主要的水土保持措施,发挥着拦泥滞洪、蓄水保田、增产减沙的作用,在黄河流域生态保护和高质量发展重大国家战略的实施中具有重要地位。经过近70年的建设,黄土高原地区淤地坝数量剧增、且布局分散,目前对淤地坝的监测紧紧局限于面积或者数量的清点、缺乏对淤地坝年际淤积速率、固碳效应的研究,致使淤地坝监测管理存在时效性不足,尤其是大区域尺度淤地坝淤积速率、固碳效应研究尚属空白。因此,如何借助新兴技术快速、有效、精确地实施黄土高原大区域尺度淤地坝淤积速率监测,同时厘清淤地坝建设带来的土壤固碳效应是本研究的关键科学问题。皇甫川流域位于黄河中游,属风水复合侵蚀区,大、中型淤地坝广泛分布。本文以皇甫川流域为研究区,利用合成孔径雷达遥感、多光谱遥感,结合u-net深度学习模型、差分合成孔径雷达干涉测量（Differential Interferometry Synthetic Aperture Rader,D-InSAR）方法和小基线集合成孔径雷达干涉测量（Small Baseline Subset Synthetic Aperture Rader,SBAS-InSAR）方法,首先实现基于多光谱数据、深度学习实施皇甫川淤地坝提取及空间分布研究;其次,利用合成孔径雷达遥感Sentinel 1数据,结合D-InSAR和SBAS-InSAR方法,实现大区域快速淤地坝淤积速率监测;最后结合野外采样数据构建淤地坝拦蓄泥沙量及有机碳固存量估算模型并进行精度验证,以期为黄土高原淤地坝的提取、淤地坝沉积泥沙量及有机碳贮存的计算提供科学方法。主要成果如下: （1）本研究利用u-net深度学习方法实现了皇甫川流域淤地坝空间信息提取。结果表明:皇甫川流域内存在淤地坝624个,筑坝密度为0.19座/km2,根据淤地坝淤地面积大小将淤地坝分为大型淤地坝、中型淤地坝和小型淤地坝三类,在皇甫川流域共有大型淤地坝80座,中型淤地坝227座,小型淤地坝317座,总淤地面积达到22.46 km2,占流域总面积的0.69%。在空间分布上,大中型淤地坝多分布于支沟主干道中,小型淤地坝大多分布于更低级的支流中,结合地貌类型来看,在极易发生侵蚀的砒砂岩地区淤地坝数量明显多于其他地区。整个流域十三条支沟淤地坝数量差异明显,其中十里长川、纳林川和皇甫川的淤地坝数量明显多于其他支沟,分别为152座、106座和93座;圪秋沟和布尔洞沟淤地坝数量最少,两条支沟都仅有9座淤地坝;其余支沟的淤地坝数量相差不大,在15～55座之间。（2）针对淤地坝沉积速率监测问题,本研究利用D-InSAR方法和SBAS-InSAR方法进行了皇甫川流域淤地坝泥沙沉积速率的监测。两种InSAR技术监测结果均表明:皇甫川流域由于水力和风力侵蚀,整个流域范围内都存在着微小形变,但最大沉降和抬升速率均在正常范围内,河道及其周边区域显示出了较为明显的侵蚀和沉积活动。通过对典型淤地坝忽沙兔骨干坝、特劳沟骨干坝、越家后沟2号中型坝、越家沟南沟中型坝和哈拉沟2号骨干坝的监测,发现各坝在不同年份存在不同程度的淤积现象,每年最大沉积量达到了24 mm,部分地区在有些年份可能并不发生淤积。与实测结果相比较,D-InSAR的测量值与实测值的中误差为6.3 mm,SBAS-InSAR的测量值与实测值的中误差为4.7 mm,SBAS-InSAR方法在沉积速率监测中表现出更高的准确性和可靠性,误差更小,更适合淤地坝沉积这种长期、慢速形变的监测。（3）皇甫川流域的淤地坝表现出了突出的涵养水源、拦蓄泥沙和固碳能力:皇甫川流域淤地坝的土壤含水量普遍较高,均值达到了26.05%,同一淤地坝土壤含水量随土层深度变化而变化,不同淤地坝的土壤含水量相差较大;皇甫川流域内淤地坝土壤容重均值为1.31 g/cm3,各淤地坝之间、淤地坝剖面上差异不显著;皇甫川流域土壤有机碳含量差异不显著,均值为2.50 g/kg。在2018～2022年间,皇甫川流域淤地坝共拦蓄泥沙38.18万t,年均拦蓄泥沙7.64万t,共储存土壤有机碳954.45 Mg,年均储存量达到了190.89 Mg。本文以皇甫川为研究区,首先利用u-net深度学习模型提取皇甫川淤地坝的淤地面积,然后利用InSAR技术对皇甫川流域淤地坝泥沙沉积速率进行监测,最后通过室内化验分析淤地坝内沉积泥沙土壤含水量、土壤容重和土壤有机碳含量。通过以上研究定量获取皇甫川流域淤地坝拦沙量及有机碳固存量,研究结果将为黄土高原淤地坝特征信息提取、淤地坝沉积速率监测及拦沙量与有机碳固存量的计算提供科学方法。

关键词：皇甫川流域淤地坝土壤有机碳合成孔径雷达干涉测量 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于图像识别的土壤剖面发生层划分研究

基于图像识别的土壤剖面发生层划分研究

引用

作者：杨凯西南大学

学位级别：硕士

土壤学始于对土壤剖面及其形态特征的观察,土壤剖面形态特征是土壤形成过程的直观表现,也是野外调查获得的第一手资料。土壤在形成过程中所形成的具有特定性质和组成的、大致与地面相平行的,并具有成土过程的层次称为发生层。发生层的... 详细信息

土壤学始于对土壤剖面及其形态特征的观察,土壤剖面形态特征是土壤形成过程的直观表现,也是野外调查获得的第一手资料。土壤在形成过程中所形成的具有特定性质和组成的、大致与地面相平行的,并具有成土过程的层次称为发生层。发生层的划分与发生层边界特征的描述是土壤调查的基础。传统的依靠专家实地划分发生层需要丰富的土壤学实践经验,存在主观和缺乏统一划分标准的问题。依靠专业设备来测量土壤的理化性状或者光谱特征,实现对土壤剖面的发生层的识别与划分,需要在实验室里实施且操作复杂繁琐,所涉及到的实验仪器昂贵、不能快速出结果,不适合在田间地头劳作的农业人员使用。当前,数码相机已成为野外土壤调查必不可少的拍摄工具,数码相机拍摄的剖面图像包含了很多详细信息,如颜色和纹理,利用些信息并结合图像识别技术可以实现对土壤剖面发生层的识别与划分。为此,采用两种不同的图像识别技术（基于K-means聚类的图像识别技术和基于深度学习的图像识别技术）,对土壤剖面的发生层及其边界特征进行识别与划分,并与实地的发生层识别与划分结果进行对比分析,得出的主要结论如下: （1）依据实地划分的结果,供试土壤个体分别归属5个土纲、8个亚纲、12个土类以及19个亚类,覆盖了重庆市境内的所有土纲、亚纲和土类。母质主要为河流冲积物和砂岩、泥岩等的风化残坡积物。依据美国制土壤质地分类,供试土壤剖面各发生层质地可划分到粉壤土、粉质黏壤土、粉质黏土、黏壤土、黏土、壤土、壤质砂土、砂质黏壤土和砂质壤土9个质地类型。各剖面层次结构主要以块状、粒状以及二者混合为主。根据土壤标准色卡对土壤干态和润态时的颜色进行测定,供试土壤剖面的色调除P016和P022剖面以外,干态和润态之间没有变化,范围从2.5Y10RP都有涉及;干态明度与润态明度的范围都在3～7之间,干态明度与润态明度相比,大多数剖面都发生了变化;干态彩度值的范围在1～6之间,润态彩度值的范围在1～8之间,干态彩度与润态彩度相比,大多数剖面都没有发生变化L值的范围为15～66,a值的范围为-1～30,b的范围为-2～37,Entropy的范围为3～6。供试土壤的土地厚度介于24cm125cm之间,以140cm左右为主,大多数剖面土地厚度都在80cm以上;供试土壤剖面发生层的过渡形状有平滑、波状和不规则三种类型,没有间断类型的过渡形状;明显度包括突变、清晰、渐变和模糊四种类型;大多数发生层之间的过渡形状都为平滑,部分为波状,大多数发生层之间的明显度清晰、渐变和模糊。（2）在本文29个剖面中,利用a、b通道能够区分主要的发生层（A、B、C）和基岩层（R）。大多数发生层之间纹理均会发生变化,且A层纹理熵值高于B层,这可能是因为A层土壤含有较多的根系,并且由于耕作等原因导致孔隙较多,由此导致A层与B层之间纹理的差异。基于肘部法确定的发生层数量基本都要小于实地划分的发生层数量,K-means聚类和图像分割可以识别出主要的发生层,但进一步识别（如区分出Br1和Br2）则很难实现。各个发生层的聚类纯度在0.22～0.99之间,平均纯度为0.78。聚类识别的发生层平均厚度为27.67 cm,略高于实地识别的发生层平均厚度。本研究认为当聚类识别的发生层深度与实地划分的发生层下边界深度相差不超过3cm时,识别结果是准确的,准确率为86.36%。聚类使得发生层之间的边界更加清晰和直观,同时,聚类识别出的发生层轮廓更加的精细和不规则,更详细地反映了土壤属性的局部变异。（3）选取了141张土壤剖面图像,采用open CV库对图像进行数据增强,采用u-net模型,训练500次。u-net语义分割模型能够对土壤剖面发生层进行分割,对A层、C层和R层的分割效果较好,B层的分割效果次之。Dice Loss函数降至收敛时A类损失值最小,为0.18,表现最好,C类次之;B类收敛损失值略高于A类和C类;无论是整体而言还是分类看,模型训练的准确率、精确度和召回率都能达到0.8左右。A层由于其腐殖质含量较高且植物根系较多,在图像上则表现为颜色较深,纹理较大,这使得A层在模型训练中表现最好,最容易被正确识别;B层在土壤剖面中一般厚度最大,类型较多,且在不同类型的土壤中变化不一样,导致了B层在模型训练中的表现不好;C类包含了C层和R层,质地较为紧实或者R层为基岩,与相邻发生层之间的差异较为明显,因此在模型训练中表现较好,损失函数收敛值也较小,略高于A层。采用重庆市境内的141个土壤剖面照片,使用两种不同的图像识别技术进行发生层的识别,验证了图像识别技术在发生层识别与划分中的可行性。传统的图像识别和基于深度学习的图像均能实现对土壤剖面主要发生层的识别与划分,可为土壤剖面智能辨识系统的开发提供科学参考,为土壤剖面调查提供新思路。

关键词：土壤剖面发生层 K-means聚类 u-net模型图像分割

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的图像分割算法研究

基于深度学习的图像分割算法研究

引用

作者：岳昱超山东理工大学

学位级别：硕士

医学图像分割在计算机视觉领域中影响深远,在病理学研究和临床诊断、治疗中具有广泛的应用。传统的手动分割方法由专家完成,耗时且容易受主观因素影响。因此,利用计算机辅助医生进行图像分割已成为不可避免的趋势。该技术可以帮助医师... 详细信息

医学图像分割在计算机视觉领域中影响深远,在病理学研究和临床诊断、治疗中具有广泛的应用。传统的手动分割方法由专家完成,耗时且容易受主观因素影响。因此,利用计算机辅助医生进行图像分割已成为不可避免的趋势。该技术可以帮助医师更好地了解被诊断的器官或组织,从而提高诊断的效率与准确度。但是,由于影像模态的多样化以及病人个体的个体差异,医学影像的分割依旧面临很大的挑战。在第一章中,综述了国内外在该领域的研究现状和深度学习相关技术。分析了当前医学图像分割任务存在的问题,并给出了本文的主要研究内容和大致思路。第二章中介绍了深度学习的发展过程,包括深度学习相关的理论知识、常见的激活函数、损失函数和评价指标。其次,详细介绍了卷积神经网络的各个组成部分及其工作原理,以及介绍了经典的卷积神经网络。为后续的医学图像分割网络的介绍奠定了基础。在第三章中,提出了一种基于u-net改进的CADCnet分割网络(Continuous Asymmetric Dilation Convolution network)。该方法在原始u-net的基础上提出了以下改进措施以提高网络的分割能力和对图像细节区域的分割效果:在编码器上引入ACnet模块代替传统的双卷积模块,通过利用垂直、水平和方形卷积提取不同尺度的特征并将其融合,以获取更丰富的特征表示;在下采样过程中引入连续膨胀卷积模块,扩大了感受野,进一步增强了对细小血管的分割能力。在第四章中,在第三章的基础上提出了一种名为ISM-net的分割型网络。该网络通过将u-net中的原始卷积块替换为IN-Conv模块,从不同大小的感受野中提取关键特征,提高了特征提取的质量和效率。此外,在编码部分和解码部分中间的连接处引入了混合池化模块(MPM),有助于捕捉不同位置间的短距离和长距离依赖关系,获取多样上下文信息,从而增强了模型的通用性和适应性。最后,引入了多尺度注意力机制,使模型能够聚焦于关键信息,更好地学习数据间的关联。

关键词：视网膜血管分割连续膨胀卷积深度学习 u-net模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的遥感影像建筑物提取方法研究

基于深度学习的遥感影像建筑物提取方法研究

引用

作者：黄敏华东交通大学

学位级别：硕士

建筑物作为城市重要的组成部分,对其进行自动化提取是快速获取城市建筑物数据的重要途径,对城市研究与管理具有重要的意义。研究利用两种模型提高建筑物的提取效果,针对遥感影像建筑物边缘分割不精确、小型建筑物的提取效果不佳等问题,... 详细信息

建筑物作为城市重要的组成部分,对其进行自动化提取是快速获取城市建筑物数据的重要途径,对城市研究与管理具有重要的意义。研究利用两种模型提高建筑物的提取效果,针对遥感影像建筑物边缘分割不精确、小型建筑物的提取效果不佳等问题,提出了改进的Deep Labv3+模型遥感影像建筑物提取方法和改进的u-net模型遥感影像建筑物提取方法。主要工作内容如下: (1)选取开源的建筑物数据集。本文引用了两个高分辨率遥感影像建筑物数据集,WHu建筑物数据集和Massachusetts建筑物数据集。对两种数据集的影像进行了预处理,将WHu建筑物数据集的影像格式进行转换和数据集的划分,将Massachusetts建筑物数据集影像进行数据增强、剔除损坏的影像、影像格式转换和数据集划分。 (2)提出了一种改进的u-net遥感影像建筑物提取方法。在u-net网络模型中,选择主干网络为Vgg16,在主干网络中加入了CBAM注意力机制。本文设计了三个模型的对比实验,并且设计了消融实验。实验结果表明本文改进的unet网络模型,其平均交并比值在两个数据集上,都比其他语义分割模型更高,其他精度评价指标也均表现为最佳。而与原模型相比,在两种数据集上平均交并比值分别提高了1.5%和1.61%。最后,做了三种数据集划分比例的消融实验,实验结果表明本文改进模型在不同的数据集划分比例中均有效。因此,本文改进的模型比原先的语义分割模型更具有应用价值。 (3)提出了一种改进的Deeplabv3+遥感影像建筑物提取方法。对ASPP模块中的空洞卷积进行了调整,设置了较小空洞率,加入了SP条形池化模块;选择主干网络为Mobile netv2,加入了CBAM注意力机制。本文设计了三个模型的对比实验,并设计了消融实验。在两种开源建筑物数据集中,本文改进模型的平均交并比值都比原先模型提高了两个多点,其他三个精度评价指标在两个建筑物数据集上也都有一定的提高。因此,本文改进的模型相比原先的基础模型,在模型提取建筑物的性能上更具有优势,模型训练影像数据所需要的时间更少,实际应用效率更高,能够更快速的提取建筑物,具有一定的应用价值。

关键词： Deeplabv3+模型 u-net模型建筑物提取注意力机制改进ASPP模块

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：