排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
近年来,随着遥感技术的快速发展,遥感对地观测数据获取量与日俱增。在对海量遥感数据的特征提取与表征上,基于深度学习的智能遥感影像解译技术展现出了显著优势。然而,遥感影像智能处理框架和信息服务能力还相对滞后,开源的深度学习框架与模型尚不能满足遥感智能处理的需求。在分析现有深度学习框架和模型的基础上,针对遥感影像幅面大、尺度变化大、数据通道多等问题,本文设计了嵌入遥感特性的专用深度学习框架,并重点讨论了其构建方法,以及地物分类任务的初步试验结果等。本文提出的智能遥感解译框架架构将为构建具备多维时空谱遥感特性的深度学习框架与模型提供有力支撑。 相似文献
4.
针对传统空间后方交会方法的解算结果受外方位元素初值影响较大的问题,该文分别就航空摄影测量及近景摄影测量不同条件下,采用依初值单位四元数空间后方交会解算与无需初值单位四元数空间后方交会解算进行对比分析。实验表明,航空摄影测量条件时,在小倾角情况下,两种方法所得检查像点的点位精度相当;当倾角较大时,依初值解算所得检查像点的总体点位精度高于无需初值解算所得精度;特大倾角时,依初值解算得不到正确结果,而无需初值解算仍有很好适应性。在近景摄影测量条件下,无初值解算有广泛的适应性,且所得的检查像点的总体点位精度高于依初值解算所得精度。 相似文献
5.
人工地物(建筑物、道路、桥梁等)检测是目标识别的一个重要组成部分。本文将人工地物检测转换为能量泛函数最优化问题。首先对遥感影像进行超像素分割,综合图像的颜色、纹理、梯度等信息,以超像素为单元计算图像的显著度信息,然后构建一个包含显著性约束、面积和边界约束、纹理约束及灰度方差约束的能量泛函数,通过变分法迭代求解能量泛函最小值,获取目标前景部分即为人工地物区域。本文以重庆和广东某地的遥感影像数据为例对算法进行验证,将其与常见的人工地物目标提取算法,如C-V模型、MRF模型,以及当下研究较为热门的深度学习算法进行对比。试验结果表明,该算法能有效地检测出遥感影像中的人工地物区域,并保证较低的误检率及漏检率。论文对该方法与深度学习方法进行了一定的分析对比。 相似文献
1