基于深度学习的遥感影像识别国内研究进展

基于中国知网中关于深度学习的遥感影像识别的文献视角,对文献的时间分布、来源分布、主题分布、内容分布、被引次数等进行分析。从卷积神经网络(Convolutional Neural Networks,CNN)、深度信念网络(Deep Belief Network,DBN)、堆叠自编码器(Stacked Auto-Encoder,SAE)和其他模型视角,揭示了国内基于深度学习的遥感影像识别的现存问题及发展趋势。研究表明,2016年以来我国基于深度学习的遥感影像研究发文量增长迅速,研究队伍的不断壮大加快了基于深度学习的遥感影像识别研究。文献具有多来源、多研究层次、多内容的特点,但是存在发展不平衡的问题。目前,减少训练模型时间、确定模型结构以及参数、提高识别精度等仍是基于深度学习的遥感影像识别研究需要攻克的难题,对影像的预处理、模型的改进与其他进化算法耦合是解决问题的关键,后续研究需要学者的不断创新与突破。

基于DSU-Net的黄土高原淤地坝智能识别

识别现有淤地坝的位置、规模和健康状况是“十四五”期间淤地坝规划、建设的基础,是防止水土流失的重要举措。建立了淤地坝影像切片数据集,将DenseNet169和SENet融合到U-Net,构建了DSU-Net深度学习模型。经过对数据集的训练和测试,DSU-Net模型的准确率、F1 Score、均交并比和训练时间分别为97.00%、79.13%、81.14%和770 ms/step,DSU-Net识别淤地坝的精度高于U-Net和DU-Net等深度学习模型。DSU-Net模型能准确识别淤地坝的位置和形状,为黄土高原淤地坝的规划、建设、加固和维护、黄河流域生态保护和高质量发展提供技术支撑和决策支持。