排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
由于遥感影像中建筑物种类繁多且与周围环境信息混淆,传统方法难以实现建筑物的准确高效提取.本文提出了一种基于改进Mask-RCNN的建筑物自动提取方法,利用PyTorch深度学习框架搭建改进Mask-RCNN网络模型架构,在网络的设计中添加了路径聚合网络和特征增强功能,通过监督和迁移学习的方式对Inria航空影像标签数据集进行多线程迭代训练与模型优化学习,实现了建筑物的自动精确分割和提取.基于不同开源数据集,分别与SVM、FCN、U-net和Mask-RCNN等建筑物提取算法进行对比,实验表明,本文方法可以高效准确、高效地提取建筑物,对于同一个数据集,提取结果的mAP、mRecall、mPrecision和F1分数这4个评价指标均优于对比算法. 相似文献
2.
3.
4.
通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标,利用基于Adma算法为优化器的GRU神经网络模型,不断对模型参数进行调整后,通过sigmoid激活函数判断模型准确率的多标签多分类方法,建立了焦炭质量预测模型。结果表明:当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时,得到了模型的最优参数,此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点,而且针对小样本配煤数据预测焦炭质量可以达到很好的效果,对实际的配煤炼焦具有一定的参考意义。 相似文献
1