基于深度学习的遥感影像高精度语义分割与变化检测

本文综述了深度学习在遥感影像处理中的应用现状,重点关注了遥感影像高精度分类与变化检测两个关键领域。首先概述了深度学习技术的基本原理及其在遥感影像处理中的应用情况,随后详细阐述了遥感影像高精度分类方法的实现过程。接着探讨了遥感影像变化检测的流程,特别是深度学习在变化检测中的应用并分析了相关实验结果。最后文章总结了深度学习在遥感影像处理中的优势与挑战,为未来的研究提供了方向。

测绘数据高精度分类系统设计

为提升测绘数据分类精度,设计测绘数据高精度分类系统。首先利用采集卡集成测绘大数据,然后利用传输设备将数据传输到中央处理器中,在ARM核、DSP核和FPGA核并行计算下,结合KNN-NBayes多分类器,对测绘数据进行自动分类,最后将分类结果存储到磁盘阵列中供用户读取和阅览。利用10个样本对系统功能和性能进行测试,系统分类功能精度高,Gmeans均在0.8以上;系统性能测试中,请求成功率达到100%,平均TPS在50以上,响应平均时间在500 ms以下,性能较好,能够满足日常运行要求,具有一定应用价值。

云计算环境下光纤激光网络异常数据的高精度分类

传统基于距离的分类方法只能获取球状簇,不能对云计算环境下光纤激光网络通信数据形成的不规则形状簇进行聚类,无法实现光纤激光网络异常数据的准确分类。因此,提出基于DBSCAN的异常数据高精度分类方法,其包括训练过程和检测过程。训练过程中光纤激光传感器节点采集数据,通过sink节点将数据反馈给中心基站,中心基站采用DBSCAN算法对数据进行训练,采集有价值的环境特征集并将其传递给sink节点。检测过程中Sink节点将特征集传递给激光传感器节点,激光传感器节点运算检测数据同环境特征集内的核心点的欧几里德距离,若该距离高于DBSCAN算法的训练半径,则说明检测数据是异常数据。实验结果说明,所提方法具有较高的分类效率、分类精度和较低的分类能耗。

粗糙集数据的高精度分类算法研究

针对传统高精度分类算法在面对不定因子时,无法确定计算数据信噪度,造成计算精度不佳的问题,提出基于属性约简的粗糙集数据的高精度分类算法。通过对影响粗糙集数据分类精度的各影响因素进行详细分析,对粗糙集数据属性进行约简,抵消对应不定因子以及信噪数据,提高粗糙集数据分类精度。实验结果表明,采用改进分类算法相比传统分类方法,其分类精度及抗噪性均有提高,且其记录结果数据致盲率较低,具有一定优势。

基于卫星图像古民居指纹识别的C4.5改良分类算法

通过卫星图像识别地面小尺度低分辨率民居屋顶截面目标,使用C4.5算法依据古民居不同年代的图像数据指纹对古民居进行分类。古民居屋顶(下称古民居)卫星图像处理形成灰度图,应用直方图与SUSAN算法精确分离出民居单元,与已知古民居位置形成不同年代"古民居图像指纹数据(组)",在冗余避免的改良C4.5分类算法中完成对民居分类与统计,实验结果 Kappa系数约为0.9107,统计结果与实际人工验证统计相符合。

飞机目标分类的深度卷积神经网络设计优化

针对使用传统方法和神经网络对飞机目标分类时遇到的准确率低、分类种类少等问题,研究了深度卷积神经网络(DCNN)在飞机目标分类中的可行性。为了匹配模型容量、避免过拟合、提高分类性能等,设计了9层DCNN模型,并使用随机梯度下降优化器进行优化。在数据集中选用6类具有代表性的飞机类型进行实验,提出两种正则化级联方式以防止过拟合并加快模型收敛,最终实现了99.1%的飞机分类准确率,由此说明该DCNN模型在飞机目标分类中的有效性。通过归一化混淆矩阵分析分类结果,给出了每类飞机自分类的准确率。此外,设计了一组对比实验,用经典的AlexNet在同一数据集上进行测试,结果表明,所设计的DCNN的准确率高于AlexNet分类算法95.5%。该模型有效地解决了飞机目标分类精度低的问题,在军事和民航飞机目标的分类研究中具有一定的参考价值和应用前景。