基于余弦注意力机制的少样本历史建筑识别方法

建筑物作为城市空间中的核心地标和人类活动的重要载体,其精准识别在城市规划、智慧旅游等领域具有重要意义,然而收集和标注足够量的数据是一项昂贵且耗时的任务。针对部分建筑物标注数据稀缺且视觉外观多样性导致特征表示不足的问题,提出一种基于余弦注意力机制的少样本建筑识别方法。该方法利用自适应原型表示方法充分捕捉目标对象的特征,并使用余弦注意力机制代替Transformer中的缩放点积注意力机制以优化模型性能。首先收集来自公开资源的样本数据,其次构建了一个包含多种青岛历史建筑的少样本分类数据集,再次使用该数据集验证所提出方法的有效性。实验结果表明,在1-shot和5-shot学习场景中,该方法准确率分别达到了58.08%、77.15%,验证了该方法对少样本建筑的识别能力和效果。

基于遥感影像的水域违章建筑识别研究

在河湖“清四乱”专项活动中,全国各地对乱占、乱采、乱堆、乱建等河湖突出问题开展集中清理整治,针对人工排查工作中存在繁琐、效率低下的问题,以水域遥感影像为研究对象,以提高违章建筑识别正确率和效率为目标,提出一种基于改进主成分分析(PCA)和k-Means的遥感影像变化检测算法,该算法应用违章建筑的粗筛选和识别,对遥感影像进行几何校正、转换、特征空间提取、信息映射及构造图像变化特征矩阵。通过改进k-Means方法定位变化区域,给出水域违章建筑可能的区域,大大缩小人工检测范围。实验结果表明:该方法可以快速、高精度地提取用地变化信息,提高水域违章建筑识别效率和河湖监管能力。

在线开放课“课程思政”建设与实施研究——以高职“建筑装饰材料识别与选购”课程为例

随着新时代职业教育信息化的发展,以及全面落实“立德树人”根本任务的要求,研究如何把“课程思政”的思想引领贯穿线上线下全过程的教学管理中,实现课程思政育人目标,提高学生思想道德素质和职业素养尤为重要。以高职“建筑装饰材料识别与选购”课程为例,调研行业人才素质需求,利用典型工作岗位的任务教学法,收集、分析线上课程平台信息化教学管理数据,实施阶梯式模块项目教学模式,构建一个闭环的课程思政与专业课融合的教学环境。通过实践得出一套适用于高职同类课程的“以德载能三段式协同育人”混合式课程思政教学模式,并在建设与实施中取得了显著的育人成效。

一种基于LC-BoVW模型的建筑垃圾物料识别算法

针对建筑垃圾物料的种类多、形貌易混淆等问题,构建了一种基于局部约束的视觉词袋(local constraint-bag of visual words,LC-BoVW)模型的建筑垃圾物料识别算法。首先,对建筑垃圾物料图像分块,分别提取局部颜色特征和局部二值模式特征;考虑到图像分块特征的局部相似特性,构建LC-BoVW模型分别对目标图像的显著特征进行统计。然后,基于信息融合思想对特征统计量进行融合,形成图像的判别性特征并输入到分类器中进行物料的精确识别。最后,利用自建的5类建筑垃圾物料图像数据集进行实验,实验结果表明,所提算法能够快速有效地实现建筑垃圾物料识别,平均识别准确率可达到97.92%。

基于深度学习的高分遥感图像建筑物识别

该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感图像深度学习目标检测中样本库和遥感数据库的建设提供参考,为利用深度学习开展多尺度、多源高分遥感建筑物检测与识别提供支持。

改进YOLOv7网络在遥感影像建筑垃圾识别的应用

针对现有的目标检测算法对于高分遥感影像建筑垃圾识别效率不高的问题,提出一种基于改进的YOLOv7的目标检测模型,提高建筑垃圾的检测效果。该方法使用高分二号卫星影像数据,首先用SIoU来优化模型的目标框回归,加快模型的收敛速度;然后用漏斗激活函数FReLU扩大卷积层的感受野范围,以提高模型的特征提取能力;最后使用深度可分离卷积核,在提高检测精度的同时也减小了模型的参数量。实验结果表明,改进后的YOLOv7模型相比其他模型平均精度、准确率和召回率分别提升了5.8%、6.4%和8%,具有较好的识别效果,为遥感影像建筑垃圾识别提供了可靠的方法。

基于深度学习的建筑物识别及占用耕地建房自动化监测--以湖南省长沙市X村为例

针对农村普遍存在的占用耕地建房现象,基于深度学习和图像分析提出了一种自动化监测方法,通过对高分辨率遥感影像数据的预处理,构建基于卷积神经网络的自动化监测模型,有效判定目标影像中的每个像元格是否占用耕地建房。以湖南省长沙市X村为例,横向比较U-Net、SegNet、DeepLabV3p模型的识别能力。结果表明,当学习率为0.01、批大小为2、迭代次数为100次时,U-Net模型对建筑物的识别结果最佳;该模型共发现66宗潜在占用耕地建房案例,识别结果准确率高且耗时短;该模型充分运用了现代信息技术及方法,可在一定程度提高土地执法监察的工作效率、节省工作时间及资源。

基于多源数据融合的农村建筑智能识别与三维建模方法研究

中国幅员辽阔且农村房屋数量庞大、分布广泛,乡村地区低成本、广覆盖的信息采集和建模一直是乡村信息化亟待解决的问题。文章提出了一种简易的农村三维建筑建模方式,即基于多源数据融合的农村建筑智能识别与三维建模方法,并以广东省云浮市新兴县河村为研究对象,建立精细化三维建筑模型。该方法分为粗模生成和深化建模2个阶段。首先,在粗模生成阶段,基于高分辨率遥感影像和Mask R_CNN技术识别建筑物,确定房屋位置并拉伸生成基础白模;在深化阶段,外业采集员根据实际情况,基于农村建筑模型库将基础白模替换为更精细的、参数化的白模;然后,通过简单的手机拍摄及纹理处理,实现建筑立面纹理的补充;最后,通过坐标匹配、影像地形融合、三维轻量化等技术形成真实的、可存储和可交换的三维建筑模型,可支撑乡村调查、乡村规划、乡村建设、共同缔造等应用。该方法简单易用,降低了常规建模在数据采集、处理等技术方面的高要求,为农村地区提供一种低成本、高效率的“大众化”建筑三维重建方法。

一种结合阴影信息的建筑物层数识别方法

建筑物层数获取可为城市安全和灾害隐患提供数据支撑和决策服务。目前,建筑物层数往往是基于人工调研和统计为主;基于遥感影像的建筑物高度自动反演,也存在算法效率低、提取不完整、自动化程度偏低等问题。为解决这些问题,实现快速和大范围获取建筑物层数,基于GF-7卫星影像,设计、实现了一种楼层数识别的算法,在主成分分析等预处理的基础上,采用渔网法阴影线自动提取算法,并利用阴影形成的几何关系计算楼高并转换为楼层数,最终为消除阴影长度测量误差的影响,采用支持向量机回归对算法提取结果进行误差改正。以北京市朝阳区为研究区,进行模型的训练与测试;以河南省郑州市为验证区的实验结果表明,建筑物层数总体识别精度为90.21%,6~50层的建筑物层数识别误差在3层以内。研究可为基于卫星数据快速和大范围自动获取建筑物层数提供全新的技术支撑和应用服务。

高分辨率航空遥感图像的建筑物识别

目前深度学习方法的研究已在语音辨别、图像识别、信息检索等方面取得较大成果。建筑物的自动检测与识别已成为遥感图像处理范畴研究的热点。针对高分辨率航空遥感影像中的建筑物快速、精准识别的应用问题,文章提出利用深度学习方法中的快速区域卷积神经网络(Faster RCNN)模型对航空遥感图像进行建筑物识别,经验证,利用Faster RCNN模型对航空遥感图像进行建筑物识别其结果可达93.7%的精准率,平均每张图像识别时间为74 ms,证明了Faster RCNN模型应用于航空遥感图像建筑物识别中的有效性及高效性。

基于深度学习的遥感建筑物识别方法研究

针对遥感影像建筑物识别中遇到的小目标漏检、背景复杂度高、虚警干扰因素多等问题,提出了一种基于深度学习的改进YOLOv3算法。以一阶段代表算法YOLOv3为基础,通过改进网络结构,修改特征图尺度,嵌入空洞卷积模块,加强算法检测能力和精度。实验数据表明,改进YOLOv3算法在满足了实时性的基础上,平均检测精度和召回率都较之原算法分别提高了4.47%和2.59%,因此提出的方法有效提高了对遥感建筑物的检测效果。

一种复杂场景下建筑目标识别方法

提出了一种基于建筑目标的竖直线特征寻找图像中存在建筑目标区域的方法;考虑了目标特征的相互关系,给出了一种新的模板匹配算法。实验表明:利用该文提出的算法建立的识别系统与其它识别系统相比,大大减少了运算时间,有较好的抗噪声干扰和处理目标被遮挡问题的能力。

基于深度学习的高分辨率遥感图像建筑物识别

为解决当前深度学习方法在高分辨率遥感图像中存在识别结果过度分割,以及小物体识别差的问题,提出一种基于SegNet架构改进的网络模型AA-SegNet,增加了增强的空间金字塔池化模块和空间注意力融合模块。该网络可以加强特征传播并能够有效传递更高级别的特征信息以抑制低级特征的噪声,并且可以增强小目标特征学习。基于高分二号遥感影像制作数据集并进行实验,AA-SegNet网络总体识别准确率为96.61%,在识别率、F1分数以及训练时间等方面也都优于SegNet、U-Net、DeepLab-V3网络。

线段提取在高分辨率遥感图像建筑物识别中的应用

提出一种基于感知组织的线段提取方法该方法有两大特点:在基本线段提取算法中使用了模板,并且在线段合并过程中综合考虑了直线和物体的形状特点运用该方法对高分辨率遥感图像中的建筑物进行识别。

局部特征结合形状轮廓匹配的建筑物识别算法

针对经典不变特征提取算法时间较长的缺点,提出一种局部特征结合形状轮廓匹配的建筑物识别算法.首先根据整体建筑物容易受到旋转、倾斜度的影响,提取已知建筑物的局部特征点,确定其方向,对其位置、角度等进行矢量描述;同时依据建筑物不同状态下的尺度变化信息,制定任意形状轮廓匹配相似度准则及映射函数,实现不同光照、不同尺度下的建筑物识别.仿真实验结果表明,该方法可以快速、准确地适应不同环境下的建筑物识别.

基于小波变换的卫星遥感地图中建筑物识别

建筑物作为城市的一个重要特征,对它的识别已经被广泛应用在城市仿真等许多领域。目前,传统方法通常采用基于建筑物边缘线性特征的识别算法,虽然该类方法具有简单高效的特点,但识别率较低。提出了一套基于小波变换的建筑物识别方法。首先,利用二进小波变换检测建筑物边缘,然后通过计算基于小波的仿射不变量识别建筑物,最后构建了建筑物轮廓模式数据库。实验结果表明所提方法能够准确有效地识别卫星遥感地图中的建筑物。

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。

基于卷积神经网络的高分辨率遥感影像建筑物场景识别

遥感影像建筑物信息提取对于自然资源监测、土地利用现状调查、生态修复等具有重要的现实意义。但在实际应用中,建筑物提取面临"小目标""有遮挡"的问题,导致识别效果不理想。本文基于高分辨率遥感影像,提出运用多示例卷积神经网络的方法对建筑物场景进行识别。试验表明,多示例卷积神经网络相较于经典的卷积神经网络对建筑物场景有更好的识别效果,尤其是"小目标""有遮挡"的建筑物场景,识别效果有显著的提升。

基于特征提取的SVM图像分类技术的无人机遥感建筑物震害识别应用研究

在现有的建筑物震害信息获取途径中,相比传统的现场调查法,无人机遥感系统具有机动灵活、快速高效等优点,目前已成为一种重要的震害信息获取手段。而在遥感图像中识别建筑物震害时,常用的人工目视解译及现有的计算机自动识别方法存在效率低下、精度不足等缺陷。结合机器学习最新进展,将基于特征提取的SVM图像分类技术应用到无人机遥感建筑物震害识别中,通过尺度不变特征转换(SIFT)提取图像特征后,再采用视觉词袋构建建筑物震害无人机遥感图像特征向量标签库,作为SVM进行图像分类的基础。并以2021年9月16日发生的四川泸县6.0级地震为例,对方法的可行性加以验证。结果表明:该方法可快速准确地从无人机遥感图像中识别出建筑物震害情况。

建筑物多边形高精度识别的傅里叶形状描述子神经网络方法

形状识别是地图空间认知的重要内容之一,结合有效的形状特征向量提取方法和空间认知试验的神经网络方法是提高形状识别的有效途径。本文构建了一种融合了圆形度、偏心率和矩形度等宏观形状特征参量的傅里叶形状描述子作为形状特征向量的神经网络建筑多边形状识别器。首先,利用傅里叶变换和计算几何方法分别提取建筑多边形的傅里叶形状描述子及圆形度、偏心率、矩形度参量,并组成形状特征向量。然后,通过样本数据的训练实现了建筑多边形与形状模板之间匹配的神经网络识别器。结果表明,本文方法相较于以往的方法大幅度提高了精度(达到98.7%),而且特征提取算法不受多边形点数不一致的限制。通过对武汉、郑州两大城市的真实建筑物数据进行形状识别,证实该方法具有较好的识别效果。