基于Word Embedding的遥感影像检测分割

遥感影像检测分割技术通常需提取影像特征并通过深度学习算法挖掘影像的深层特征来实现.然而传统特征(如颜色特征、纹理特征、空间关系特征等)不能充分描述影像语义信息,而单一结构或串联算法无法充分挖掘影像的深层特征和上下文语义信息.针对上述问题,本文通过词嵌入将空间关系特征映射成实数密集向量,与颜色、纹理特征的结合.其次,本文构建基于注意力机制下图卷积网络和独立循环神经网络的遥感影像检测分割并联算法(Attention Graph Convolution Networks and Independently Recurrent Neural Network,ATGIR).该算法首先通过注意力机制对结合后的特征进行概率权重分配;然后利用图卷积网络(GCNs)算法对高权重的特征进一步挖掘并生成方向标签,同时使用独立循环神经网络(IndRNN)算法挖掘影像特征中的上下文信息,最后用Sigmoid分类器完成影像检测分割任务.以胡杨林遥感影像检测分割任务为例,我们验证了提出的特征提取方法和ATGIR算法能有效提升胡杨林检测分割任务的性能.

基于多尺度卷积神经网络的高光谱图像分类

卷积神经网络(CNNs)对高光谱图像(HSI)的特征具有强大的学习能力。但是由于传统卷积的本质,往往会丢失部分关键特征,给小样本分类增加了困难。为了克服上述问题,提出了一种新的多尺度卷积(MSC)运算方法来代替传统卷积运算。使用主成分分析(PCA)来降低高维的光谱特征并保留其关键特征;将MSC应用于几种经典的图像分类算法,并与它们进行了比较,实现了图像的分类。在三个公开的高光谱数据集上进行了实验,结果证明了提出的MSC是有效的。

Faster-RCNN电力输送塔检测算法

提出了一种基于Faster-RCNN改进的目标检测算法。利用局部旋转和基于参考白算法,对多角度拍摄的无人机遥感影像进行预处理,以减少图片噪声和修改图片光照、色彩偏差;借助图像特征标注法,进一步加强图像中待检测物体关键性特征的利用率。最后,通过区域生成网络(RPN)的最小尺寸自适应和非极大值抑制阈值适应修改能力,解决大型目标局部被当作完整目标检测的问题,实现目标物体的正确检测。结果表明,相对Faster-RCNN算法,检测精度上提高了7.64%。