利用微调卷积神经网络的土地利用场景分类

针对场景类别之间的相同类内差异性与不同类间相似性所造成的遥感图像场景分类不够精确的问题,提出了将微调(fine-tuning)与卷积神经网络(convolutional neural network,CNN)模型相结合的方法,对土地利用遥感场景图像进行分类。该方法对CNN前层固定,调整分类层,保留了图像的泛性特征;通过卫星影像图获取土地利用场景图块作为训练样本,对训练样本图块进行预处理,然后对在ImageNet数据集上训练得到的AlexNet模型进行fine-tuning,利用得到的CNN模型即可自动提取土地利用遥感图像的图像特征并对其进行分类。为了验证本文方法,对实验区影像进行分割得到测试样本并进行同训练样本一致的预处理,将测试样本的分类结果与随机森林、支持向量机等经典方法的结果进行对比。结果表明,经过fine-tuning的CNN模型在土地利用分类中得到的结果要明显优于其他分类方法。     

基于卷积神经网络的光学遥感影像分析综述

光学遥感影像包含大量的地物信息，图像复杂性高，如何充分利用影像中的特征信息准确进行识别一直是该领域应用的一个难题。卷积神经网络具有对复杂特征进行选择和提取的优势，在遥感影像识别中有着优异的表现。介绍光学遥感影像的特点和经典的卷积神经网络及其在光学遥感影像中的研究实例，并基于遥感影像数据集进行了网络性能分析。从场景分类、目标检测和图像检索三大领域，详细综述常用的遥感影像数据集和研究进展，并作算法性能分析。最后给出基于卷积神经网络的光学遥感影像识别在未来的研究方向。     

基于多层特征融合可调监督函数卷积神经网络的人脸性别识别

为了进一步提高性别识别的准确率,提出了一种基于多层特征融合与可调监督函数机制的结合的卷积神经网络（L-MFCNN）模型,并将之用于人脸性别识别。与传统卷积神经网络（CNN）不同,L-MFCNN将多个浅层中间卷积层特征输出与最后卷积层特征输出相结合,融合多层卷积层的特征,不仅利用了深层卷积的整体语义信息,还考虑了浅层卷积的细节局部纹理信息,使得性别识别更加准确。此外L-MFCNN还引入具有可调目标监督函数机制的Large-Margin Softmax Loss作为输出层,利用其调节不同的间隔（margin）的机制来有效引导深层卷积网络学习,使得同种性别间的类内间距更小,不同性别间的类间距更大,获得更好的性别识别效果。在多个人脸数据集上的性别识别实验结果表明,L-MFCNN的识别准确率要高于其他传统的卷积网络模型。L-MFCNN模型也为将来的人脸性别识别研究提供了新的思路与方向。     

基于分形维数和角二阶矩辅助的卷积神经网络云雪识别研究

对于天基对地观测成像任务,遥感影像中的云量往往决定了数据是否可用。然而云雪光谱特征近似,使得二者较难区分。云雪识别研究的目的是提高数据有效性判断的能力,具有实际应用价值,是遥感数据应用中的重要环节。研究提出一种提高局部特征信息提取能力的小块结构并构建了轻量化卷积神经网络模型作为骨干网络用于区分类云（云、雪、亮地物）与其他地物,通过分形维数与角二阶矩分析云、雪、地物的纹理及灰度特征形成二叉树辅助网络对类云进行精细化识别,网络权重层只有6层（4个卷积层,两个全连接层）。通过对天智1号、SPOT4/5/6、Pleiades等不同几何分辨率的数据进行训练与分析,并与随机森林、SVM、传统方法等进行对比,在云、雪、云雪共存等场景下,该方法能够较好地识别云、雪、（亮）地物,识别准确率达89%。方法适用于全色、多光谱、高光谱等遥感数据云雪识别,同时结构简洁、参数量少。     

基于场景模型与深度学习的云计算攻击检测

为了实时精准检测各类云计算攻击,保障云计算平台运行的安全性,本文提出了基于场景模型与深度学习的云计算攻击检测方法.构建包含云计算攻击报警信息的云计算攻击场景模型,结合卷积神经网络与改进递归神经网络创建包含输入层、卷积层、递归层、全连接层及输出层的深度学习网络模型,对云计算攻击场景模型内数据实施分组、特征提取、格式转换及...     

基于谱聚类的增强神经网络模型

卷积神经网络(CNN)因其容易产生过拟合而困扰着广大研究者。产生过拟合的重要原因在于模型往往局限于局部最优解。针对此问题,提出了基于谱聚类的增强神经网络模型。使用谱聚类算法对验证集进行聚类,以聚类结果为依据将单任务模型扩展为多任务学习模型。用公开的声音场景识别数据集进行实验,实验结果表明,基于谱聚类的增强神经网络模型可以有效降低过拟合风险,提升模型的测试精度。该方法适用于除声音场景识别(ASC)领域的其他领域。     

基于改进AlexNet模型的油菜种植面积遥感估测

目前农作物种植面积估测主要是依据遥感影像数据,结合遥感处理技术对遥感地物进行识别监测,估测结果受遥感数据源影响较大。为此提出了改进过的AlexNet卷积神经网络分类识别算法模型,该模型在传统AlexNet模型基础上,针对Landsat8遥感影像数据,创新的提出将五个卷积层的卷积核修改为两个3*3大小和三个2*2大小,并在三个全连接层后加入dropout层,减少过拟合的出现。将改进前后的模型和加入dropout后的改进模型分别对湖北省荆门市2017年油菜作物种植面积进行分析研究,研究从测试精度、Kappa一致性检验和估测面积三方面进行,实验结果表明加入dropout的改进后模型估测效果最好,估测面积与实际面积误差率为2.39%,Kappa一致性检验结果为0.9625,一致性较高。验证了改进后AlexNet模型在油菜作物遥感识别方面的适用性。     

基于卷积神经网络的场景分类预测模型应用

传统的场景分类技术对场景数据的采集、特征提取和预测模型复杂,且识别度及识别结果不高,卷积神经网络技术的优化升级,给场景分类模型提供了坚实的基础,为了提高场景图像特有的特征属性和场景分类的可辨别性,提出了卷积神经网络(CNN)的场景分类模型.此模型建构方法:(1)应用卷积神经网络的机器学习算法和递归神经网络,分别对数据库中的10种场景(每种场景有上百幅图片)做加权和特征提取;(2)用Python语言编程对训练的场景进行模型的建立;(3)用百幅图片数据集之外的10个图片投入模型中,读取结果,测试结果表明,这10个新的数据集能够被模型识别出相应的场景,并且准确度达到百分之九十六以上.     

联合Fisher核编码和卷积神经网络的影像场景分类

针对高分辨率遥感影像场景分类中使用中、低层特征不能有效表达高分影像的语义信息,造成分类精度不高的问题,提出了一种联合Fisher核编码和卷积神经网络的高分影像场景分类方法。首先利用Fisher核编码框架提取影像的中层语义特征,然后利用深度卷积神经网络提取影像高层语义特征,最后融合中、高层特征利用支持向量机进行分类。实验采用迁移学习方法来克服深度卷积神经网络对训练数据量的需求。实验数据采用UC-Merced 21类和WHURS 19类2个高分影像数据集。实验结果表明,中、高层融合特征包含更丰富的场景信息,增加了目标的可区分性,相比已有方法,该方法能够有效提高分类精度;迁移学习方法能够克服深度卷积神经网络对训练数据量的依赖性。     

基于局部特征的卷积神经网络模型

传统卷积神经网络对于特征不明显或歧义性大的图像识别率较低。针对该问题,在卷积神经网络的基础上通过增加局部特征提取层和概率权重综合层,构建基于局部特征的卷积神经网络模型。该模型对输入图像的局部进行识别,得到局部图像的分类概率信息,综合分析所有局部图像的分类概率信息得到最终网络输出。手写字符识别实验结果表明,与经典的卷积神经网络模型相比,该模型识别率较高,尤其是在输入图像特征较为模糊的情况下优势更为明显。     

基于深度学习的自然灾害遥感影像语义分割

自然灾害种类繁多, 通过遥感影像语义分割相对比较困难. 为了能够更好实现遥感影像分割, 本文提出一种基于生成对抗网络的3层遥感影像语义分割模型, 针对不同场景的解析, 基于全卷积神经网络FCN, 设计一种多层次的遥感语义分割框架. 有效对遥感图像语义分割进行处理, 从而提高了模型的分割精度. 实验表明利用这种模型是有效的, 特别是受损建筑的分割结果, mIoU为82.28%, 通过该模型与其他网络模型进行对比, 其性能评价指标明显优于其他网络模型. 最后, 通过对自然灾害各种场景影像进行分析, 为应急管理部门提供一份可靠的数据报告.     

一种利用卷积神经网络重建的遥感影像Curvelet融合方法北大核心CSCD

针对传统多光谱与全色影像融合方法容易产生畸变、忽略多光谱影像本身的空间细节特征等问题,提出了一种基于超分辨率卷积神经网络与Curvelet变换的影像融合方法,以提升多光谱影像的空间细节,加强其与全色影像的相关性,减少融合产生的畸变。该方法首先利用高分辨率全色影像进行超分辨率重建学习,利用学习得到的网络参数对多光谱影像进行超分辨率卷积神经网络重建,提升其空间细节特征;其次,在Gram-Schmid变换融合基础上,根据Curvelet变换具有保持影像空间细节的特点,将全色影像与替换分量进行融合;最后,通过逆变换得到高分辨率遥感影像。实验结果表明,该算法在影像光谱信息和空间细节表达能力上,整体优于其他传统算法,且对不同数据具有很好的适应性。     

场景解译框架下的高铁沿线建筑物自动识别

针对传统建筑物提取方法中图像高层语义和低层视觉特征之间存在的语义鸿沟问题,提出一种基于卷积神经网络模型场景解译框架下的高铁沿线建筑物隐患区域自动识别方法。该方法首先将遥感影像重叠地划分成一系列的影像块,生成卷积神经网络模型输入的基本单元;然后,根据训练样本集,学习获得模型参数,并预测每个待解译影像块内各地物类别的概率分布;最后,原始影像中每个像素的地物类别由所有覆盖该像素影像块的场景类别所共同确定,继而将获得的多分类图转化为二值分类图,实现建筑物区域的自动识别。2 675×6 465的大场景高铁沿线遥感影像下开展的实验结果表明,该方法建筑物提取精度明显优于传统分类方法,提取结果的紧凑性和平滑性得到显著提升,与地表真实值吻合度较高。     

基于改进全局—局部注意网络的室内场景识别方法

由于卷积神经网络(CNN)大多侧重于全局特征学习,忽略了包含更多细节的局部特征信息,使得室内场景识别的准确率难以提高。针对这一问题,提出了基于改进全局—局部注意网络(GLANet)的室内场景识别方法。首先,利用GLANet捕捉场景图像的全局特征和局部特征,增加图像特征中的细节信息;然后,在局部网络中引入non-local注意力模块,通过注意力图和特征图的卷积来进一步保留图像的细节特征,最后融合网络不同阶段的多种特征进行分类。通过在MIT Indoor67和SUN397数据集上的训练和验证,所提方法的识别准确率与LGN方法相比分别提高了1.98%和3.07%。实验结果表明,该算法能够有效捕获全局语义信息和精细的局部细节,显著提高了识别准确率。     

基于多尺度分层双线性池化网络的细粒度表情识别模型

人脸表情细微的类间差异和显著的类内变化增加了人脸表情识别难度。构建一个基于多尺度双线性池化神经网络的识别模型。设计3种不同尺度网络提取人脸表情全局特征,并引入分层双线性池化层,集成多个同一网络及不同网络的多尺度跨层双线性特征以捕获不同层级间的部分特征关系,从而增强模型对面部表情细微特征的表征及判别能力。同时,使用逐层反卷积融合多层特征信息,解决神经网络通过多层卷积层、池化层提取特征时丢失部分关键特征的问题。实验结果表明,该模型在FER2013和CK+公开数据集上的识别率分别为73.725%、98.28%,优于SLPM、CL、JNS等人脸表情识别模型。     

卷积神经网络下的高分二号卫星影像道路提取

本文针对深度神经网络对高分二号遥感影像道路提取时细节信息丢失较多、道路周围环境考虑不充分等情况, 在已有的研究成果上, 提出一种基于全卷积神经网络遥感影像道路提取的改进方案. 方案创新研究了全卷积神经网络的算法原理, 将预调色后的高分二号影像按一定尺寸分幅输出, 将输出图像及标签对应输入于以全卷积神经网络为基础的改进网络, 通过结合残差单元以及增加网络层数得到识别精度较高的道路提取图像. 实验表明, 该方法在同一样本中对高分二号卫星影像道路提取的效果有所提升, 道路的完整性和准确性有所提高.     

基于CRNN的自然场景多语言文本检测方法

自然场景图像中的文字识别,不同于传统文本字符识别。自然场景图像中的文字经常面临着视角变化,多字体文本以及场景图像曝光严重等多种因素的影响,因此,难以准确地获取自然场景图像中字符信息。该文利用可微分二值化函数对自然场景图像进行处理,得到一张易处理二值化图像,并对二值化图像进行文本检测以便机器处理识别,最后利用卷积递归神经网络(CRNN);进行文本识别。该方法不仅提高了自然场景图像字符识别的准确度,而且解决了生活中多字体文字识别的难点。     

基于生成式对抗网络的道路交通模糊图像增强

为了提高道路交通模糊图像增强的质量,进一步促进道路交通管理,针对道路交通场景下的运动模糊图像增强问题,提出了一种基于生成式对抗网络的多尺度多路径学习的模型。首先,选用具有多尺度卷积核的神经网络,对输入的图像进行更细致地特征值提取;其次,将局部残差学习和全局残差学习相结合,采用多路径多权重共享的递归学习,并利用判别网络和生成网络间的对抗训练优化网络参数;最后,实现端到端直接生成图像。实验结果表明:提出的模型可以有效地增强道路交通场景下的运动模糊图像,生成的图像细节更加丰富,具有较好的图像视觉效果。     

一种多尺度卷积神经网络道路提取方法

针对神经网络训练过程存在分辨率不断降低和梯度消失的共性问题,提出一种基于多尺度卷积神经网络的遥感影像道路提取方法。首先,针对网络前向传播过程分辨率逐渐降低的问题,采用子影像训练网络模型,增强网络对细节信息的获取,然后应用多尺度卷积学习获取不同维度的分层特征,解决由分辨率下降导致的信息缺失问题;其次针对网络在反向传播阶段中出现的梯度消失问题,融入残差连接限制梯度过度更新,改善网络的深度受限问题;最后,针对网络深度和宽度的挖掘导致的网络训练效率问题,使用全局均值池化优化全连接层中大量的冗余数据。大量遥感影像实验结果表明,相对于U-Net网络和经典卷积网络,该方法在Accuracy和F 1值上均具有较大优势。     

一种格网补偿的遥感影像数据检索方法

随着遥感技术的快速发展,当前遥感影像数据的数据总量急剧增加。面对海量遥感影像数据的应用需求,如何快速、准确的获取全覆盖特定区域的无云遥感影像数据至关重要。因此,笔者提出了一种格网补偿的遥感数据全覆盖检索方法。首先,利用五层十五级格网切分模型对特定区域切分成较小的格网。其次,对海量遥感有云影像数据集进行预处理,采用基于快视图的云检测方法判断快视图局部是否无云,取出无云的部分对每个格网进行像素补偿。最后得出一张全覆盖特定区域的无云遥感图像,并筛选出所需的遥感影像数据。通过实验对比,该方法在海量遥感影像数据情况下,能快速、准确的获取全覆盖特定区域的无云遥感影像数据,具有很好的可行性和实用性。