检索结果-内蒙古大学图书馆

遥感学报 2020年第9期24卷 1134-1142页

作者：陈凯强高鑫闫梦龙张跃孙显中国科学院空天信息创新研究院网络信息体系技术科技创新重点实验室北京100190 中国科学院大学北京100049

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来... 详细信息

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

关键词：遥感建筑物提取卷积神经网络深度学习航空影像

来源：评论

学校读者我要写书评

暂无评论

AIR-SARShip-1.0：高分辨率SAR舰船检测数据集

引用

雷达学报（中英文） 2019年第6期8卷 852-862页

作者：孙显王智睿孙元睿刁文辉张跃付琨中国科学院空天信息创新研究院北京100190 中国科学院大学北京100190 中国科学院网络信息体系技术科技创新重点实验室北京100190

近年来,深度学习技术得到广泛应用,然而在合成孔径雷达(SAR)舰船目标检测研究中,由于数据获取难、样本规模小,尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集,该数据集包含31景高分三号SAR... 详细信息

近年来,深度学习技术得到广泛应用,然而在合成孔径雷达(SAR)舰船目标检测研究中,由于数据获取难、样本规模小,尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集,该数据集包含31景高分三号SAR图像,场景类型包含港口、岛礁、不同级别海况的海面等,背景涵盖近岸和远海等多样场景。同时,该文使用经典舰船检测算法和深度学习算法进行了实验,其中基于密集连接端到端网络方法效果最佳,平均精度达到88.1%。通过实验对比分析形成指标基准,方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。

关键词： SAR舰船检测公开数据集深度学习

来源：评论

学校读者我要写书评

暂无评论

遥感场景理解中视觉Transformer的参数高效微调

引用

电子与信息学报 2024年第9期46卷 3731-3738页

作者：尹文昕于海琛刁文辉孙显付琨中国科学院空天信息创新研究院北京100190 中国科学院大学电子电气与通信工程学院北京100049 中国科学院空天信息创新研究院网络信息体系技术科技创新重点实验室北京100190

随着深度学习和计算机视觉技术的飞速发展,遥感场景分类任务对预训练模型的微调通常需要大量的计算资源。为了减少内存需求和训练成本,该文提出一种名为“多尺度融合适配器微调(MuFA)”的方法,用于遥感模型的微调。MuFA引入了一个多尺... 详细信息

随着深度学习和计算机视觉技术的飞速发展,遥感场景分类任务对预训练模型的微调通常需要大量的计算资源。为了减少内存需求和训练成本,该文提出一种名为“多尺度融合适配器微调(MuFA)”的方法,用于遥感模型的微调。MuFA引入了一个多尺度融合模块,将不同下采样倍率的瓶颈模块相融合,并与原始视觉Transformer模型并联。在训练过程中,原始视觉Transformer模型的参数被冻结,只有MuFA模块和分类头会进行微调。实验结果表明,MuFA在UCM和NWPU-RESISC45两个遥感场景分类数据集上取得了优异的性能,超越了其他参数高效微调方法。因此,MuFA不仅保持了模型性能,还降低了资源开销,具有广泛的遥感应用前景。

关键词：遥感图像场景分类参数高效深度学习

来源：评论

学校读者我要写书评

暂无评论

SAR-AIRcraft-1.0:高分辨率SAR飞机检测识别数据集

引用

雷达学报（中英文） 2023年第4期12卷 906-922页

作者：王智睿康玉卓曾璇汪越雷张汀孙显中国科学院空天信息创新研究院北京100094 中国科学院大学北京100049 中国科学院大学电子电气与通信工程学院北京100049 中国科学院网络信息体系技术科技创新重点实验室北京100190

针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确... 详细信息

针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确率。另一方面,利用散射关键点对目标进行定位,设计散射感知检测模块实现对回归框的细化校正,增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展,该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星,包含4,368张图片和16,463个飞机目标实例,涵盖A220,A320/321,A330,ARJ21,Boeing737,Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验,实验结果证明了散射感知方法的优异性能,并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。

关键词：合成孔径雷达公开数据集 SAR飞机检测飞机识别深度学习

来源：评论

学校读者我要写书评

暂无评论

基于散射信息和元学习的SAR图像飞机目标识别

引用

雷达学报（中英文） 2022年第4期11卷 652-665页

作者：吕艺璇王智睿王佩瑾李盛阳谭洪陈凯强赵良瑾孙显中国科学院空天信息创新研究院北京100094 中国科学院大学北京100049 中国科学院大学电子电气与通信工程学院北京100049 中国科学院网络信息体系技术科技创新重点实验室北京100190 中国科学院空间应用工程与技术中心北京100094 中国科学院太空应用重点实验室北京100094

SAR图像由于数据获取难度大,样本标注难,目标覆盖率不足,导致包含地理空间目标的影像数量稀少。为了解决这些问题,该文开展了基于散射信息和元学习的SAR图像飞机目标识别方法研究。针对SAR图像中不同型号飞机空间结构离散分布差异较大... 详细信息

SAR图像由于数据获取难度大,样本标注难,目标覆盖率不足,导致包含地理空间目标的影像数量稀少。为了解决这些问题,该文开展了基于散射信息和元学习的SAR图像飞机目标识别方法研究。针对SAR图像中不同型号飞机空间结构离散分布差异较大的情况,设计散射关联分类器,对飞机目标的离散程度量化建模,通过不同目标离散分布的差异来动态调整样本对的权重,指导网络学习更具有区分性的类间特征表示。考虑到SAR目标成像易受背景噪声的影响,设计了自适应特征细化模块,促使网络更加关注飞机的关键部件区域,减少背景噪声干扰。该文方法有效地将目标散射分布特性与网络的自动学习过程相结合。实验结果表明,在5-way 1-shot的极少样本新类别识别任务上,该方法识别精度为59.90%,相比于基础方法提升了3.85%。减少一半训练数据量后,该方法在新类别的极少样本识别任务上仍然表现优异。

关键词：合成孔径雷达(SAR) 飞机目标识别元学习散射信息

来源：评论

学校读者我要写书评

暂无评论

遥感跨模态智能解译:模型、数据与应用

引用

中国科学：信息科学 2023年第8期53卷 1529-1559页

作者：付琨王佩瑾冯瑛超李俊希何琪彬肖思宁刁文辉孙显中国科学院空天信息创新研究院北京100190 中国科学院大学电子电气与通信工程学院北京100190 中国科学院网络信息体系技术科技创新重点实验室北京100190

以深度学习为代表的人工智能技术已被广泛应用于遥感图像解译中.相比自然场景图像,遥感图像具有载荷类型多、成像机理差异大等特点,使得现有面向单传感器、纯数据驱动的智能解译方法应用到不同模态数据时,性能上限难以突破.尤其在面向... 详细信息

以深度学习为代表的人工智能技术已被广泛应用于遥感图像解译中.相比自然场景图像,遥感图像具有载荷类型多、成像机理差异大等特点,使得现有面向单传感器、纯数据驱动的智能解译方法应用到不同模态数据时,性能上限难以突破.尤其在面向多传感获取的、大范围的、目标种类较多的复杂应用场景时,实际性能受限更为严重.本文主要对遥感智能解译结合多模态数据和多任务学习的研究工作进行综述,重点从基本概念、研究方法和应用场景3个方面进行展开.并且介绍了基于分域提取和跨域融合理念设计的模型架构,通过从海量多模态数据中提取通用特征,实现单个基础模型完成多类下游任务的泛化解译,在不同模态解译任务中表现优异,并实际应用推广.最后,对遥感多模态多任务学习未来技术发展方向进行展望.

关键词：深度学习多模态多任务学习基础模型自监督训练

来源：评论

学校读者我要写书评

暂无评论

基于监督对比学习正则化的高分辨率SAR图像建筑物提取方法

引用

雷达学报（中英文） 2022年第1期11卷 157-167页

作者：康健王智睿祝若鑫孙显苏州大学电子信息学院苏州215006 中国科学院空天信息创新研究院北京100190 西安测绘研究所地理信息工程国家重点实验室西安710054 中国科学院大学电子电气与通信工程学院北京100190 中国科学院网络信息体系技术科技创新重点实验室 100190

近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用。不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果。该文针对高分辨SA... 详细信息

近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用。不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果。该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像素在特征空间中的相似性以及不同类别像素之间的差异性,使得深度学习模型能更加关注SAR图像中建筑物与非建筑物区域在特征空间中的区别,从而提升建筑物识别精度。利用公开的大场景SpaceNet6数据集,通过对比实验,提出的正则化方法,其建筑物提取精度相比于常用的分割方法在不同网络结构下至少提升1%,分割结果证明了该文方法在实际数据上的有效性,可以对复杂场景下的城市建筑物区域进行有效分割。此外,该方法也可以拓展应用于其他SAR图像像素级别的地物分割任务中。

关键词：合成孔径雷达 SAR建筑物提取深度学习语义分割对比学习

来源：评论

学校读者我要写书评

暂无评论

数据受限条件下的多模态处理技术综述

引用

中国图象图形学报 2022年第10期27卷 2803-2834页

作者：王佩瑾闫志远容雪娥李俊希路晓男胡会扬严启炜孙显中国科学院空天信息创新研究院北京100190 中国科学院大学电子电气与通信工程学院北京100049 中国科学院空天信息创新研究院网络信息体系技术科技创新重点实验室北京100190

随着多媒体技术的发展,可获取的媒体数据在种类和量级上大幅提升。受人类感知方式的启发,多种媒体数据互相融合处理,促进了人工智能在计算机视觉领域的研究发展,在遥感图像解译、生物医学和深度估计等方面有广泛的应用。尽管多模态数据... 详细信息

随着多媒体技术的发展,可获取的媒体数据在种类和量级上大幅提升。受人类感知方式的启发,多种媒体数据互相融合处理,促进了人工智能在计算机视觉领域的研究发展,在遥感图像解译、生物医学和深度估计等方面有广泛的应用。尽管多模态数据在描述事物特征时具有明显优势,但仍面临着较大的挑战。1)受到不同成像设备和传感器的限制,难以收集到大规模、高质量的多模态数据集;2)多模态数据需要匹配成对用于研究,任一模态的缺失都会造成可用数据的减少;3)图像、视频数据在处理和标注上需要耗费较多的时间和人力成本,这些问题使得目前本领域的技术尚待攻关。本文立足于数据受限条件下的多模态学习方法,根据样本数量、标注信息和样本质量等不同的维度,将计算机视觉领域中的多模态数据受限方法分为小样本学习、缺乏强监督标注信息、主动学习、数据去噪和数据增强5个方向,详细阐述了各类方法的样本特点和模型方法的最新进展。并介绍了数据受限前提下的多模态学习方法使用的数据集及其应用方向(包括人体姿态估计、行人重识别等),对比分析了现有算法的优缺点以及未来的发展方向,对该领域的发展具有积极的意义。

关键词：多模态数据数据受限深度学习融合算法计算机视觉

来源：评论

学校读者我要写书评

暂无评论

基于丰度分布约束的NMF端元生成方法

引用

中国科学院大学学报（中英文） 2020年第4期37卷 547-552页

作者：石悦王宏琦郭新毅中国科学院电子学研究所北京100190 中国科学院网络信息体系技术科技创新重点实验室北京100190 中国科学院大学北京100049 国电联合动力技术有限公司北京100039

非负矩阵分解(non-negative matrix factorization,NMF)端元生成方法可以同时获得端元和丰度,且支持乘式迭代实现目标函数优化,处理效率高,因此受到越来越多的关注。由于目标函数非凸,基于NMF的端元提取方法容易陷入局部极值。尽管采用... 详细信息

非负矩阵分解(non-negative matrix factorization,NMF)端元生成方法可以同时获得端元和丰度,且支持乘式迭代实现目标函数优化,处理效率高,因此受到越来越多的关注。由于目标函数非凸,基于NMF的端元提取方法容易陷入局部极值。尽管采用增加约束的方式可以缓解局部极值问题,但往往会破坏NMF乘式迭代规则,从而降低NMF方法的处理效率。提出一种基于丰度分布约束的方法,利用矩阵迹运算实现目标函数乘式迭代优化。实验结果表明,该方法既能估计出准确的端元,又能提高端元生成的效率。

关键词：高光谱端元生成非负矩阵分解(NMF) 丰度分布约束

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：