排序方式: 共有10条查询结果,搜索用时 15 毫秒
1
1.
目的 深度语义分割网络的优良性能高度依赖于大规模和高质量的像素级标签数据。在现实任务中,收集大规模、高质量的像素级水体标签数据将耗费大量人力物力。为了减少标注工作量,本文提出使用已有的公开水体覆盖产品来创建遥感影像对应的水体标签,然而已有的公开水体覆盖产品的空间分辨率低且存在一定错误。对此,提出采用弱监督深度学习方法训练深度语义分割网络。方法 在训练阶段,将原始数据集划分为多个互不重叠的子数据集,分别训练深度语义分割网络,并将训练得到的多个深度语义分割网络协同更新标签,然后利用更新后的标签重复前述过程,重新训练深度语义分割网络,多次迭代后可以获得好的深度语义分割网络。在测试阶段,多源遥感影像经多个代表不同视角的深度语义分割网络分别预测,然后投票产生最后的水体检测结果。结果 为了验证本文方法的有效性,基于原始多源遥感影像数据创建了一个面向水体检测的多源遥感影像数据集,并与基于传统的水体指数阈值分割法和基于低质量水体标签直接学习的深度语义分割网络进行比较,交并比(intersection-over-union,IoU)分别提升了5.5%和7.2%。结论 实验结果表明,本文方法具有收敛性,并且光学影像和合成孔径雷达(synthetic aperture radar,SAR)影像的融合有助于提高水体检测性能。在使用分辨率低、噪声多的水体标签进行训练的情况下,训练所得多视角模型的水体检测精度明显优于基于传统的水体指数阈值分割法和基于低质量水体标签直接学习的深度语义分割网络。 相似文献
2.
3.
4.
焊接海底管道常用的两个标准是API1104(2007)和DNV-OS-F101(2007)。焊工的操作技能对于石油管线的安全至关重要,焊工资质评定是控制焊接质量的重要切入点。焊工资质评定包括重要变素、焊缝检验方法、评定范围三方面的内容,结合实际工作,对比分析了两个标准在焊工资质评定方面的差异。分析表明,评定标准在焊接方法、焊接位置的表示,接头型式,填充金属材料的分类,焊缝检验方法与验收标准,母材(包括规格尺寸)评定覆盖范围等存在着显著差异。掌握标准的要求有助于提高资质评定的有效性,保证项目施工的效率和质量。 相似文献
5.
6.
7.
8.
9.
10.
1