排序方式： 共有62条查询结果，搜索用时 62 毫秒
61.
目的 海洋涡旋精准检测是揭示海洋涡旋演变规律及其与其他海洋现象相互作用的基础。然而，海洋涡旋在其活跃海域呈现小尺度目标、密集分布的特点，导致显著的检测精度低问题。传统方法受限于人工设计参数缺乏泛化能力，而深度学习模型的高采样率在检测小目标过程中底层细节和轮廓等信息损失严重，使得目标检测轮廓与目标真实轮廓相差甚远。针对海洋涡旋小目标特点导致检测精度低，高采样率深度模型检测轮廓不精确的问题，提出一种改进的U-Net网络。方法 该模型基于渐进式采样结构，为获取上下文信息提升不同极性海洋涡旋目标的检测精度，增加上下文特征融合模块；为增加该模块对海洋涡旋小目标的关注，在特征融合前对最底层特征嵌入残差注意力模块，使模型可以更多关注海洋涡旋的轮廓信息。最后引入数据扩充方法缓解模型存在的过拟合问题。结果 本文以南大西洋的卫星海表面高度数据集开展实验，结果表明，本文模型检测准确率达到了93.24%，同时在海洋涡旋的检测数量上与真实结果更加接近，验证了模型在小目标检测方面的性能更加优秀。结论 本文提出的海洋涡旋小目标检测模型，在检测海洋涡旋的性能与海洋涡旋目标轮廓精准度方面均显著优于全卷积神经网络（fully convolutional network，FCN）等深度学习模型。 相似文献
62.
深度学习在解决遥感影像场景分类问题中发挥了重要作用，但在某些特定的遥感场景分类问题中，存在可训练带标签样本严重不足的情况（单类样本数少于10），造成现有的传统深度模型分类效果不理想。针对上述问题，提出一种小样本遥感场景分类方法，并构建一种基于元学习（meta-learning）训练策略的模型ResNet14-Attention-ProtoNet(RA-ProtoNet)。首先，采用预训练的深度残差网络ResNet14作为特征嵌入模块，提取遥感影像深度特征；其次，针对同类样本特征不明显会对类级（class-level）表达造成的干扰问题，在类级表达模块，采用基于双向长短期记忆网络（BiLSTM）的注意力机制强化类内样本信息，生成样本的类级特征表达；最后，利用欧氏距离度量待分类样本与类级特征之间的距离，实现分类预测。在UCMERCED、AID-30和NWPU-RESISC45等3个遥感影像数据集上，将所提方法与基于迁移学习和现有元学习方法的遥感场景分类方法进行对比实验，在5-way 5-shot条件下，所提方法的整体场景分类精度分别达到81.30%、83.29%和81.22%。实验结果表明... 相似文献
