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。

基于多尺度特征融合的钢材表面缺陷分类方法

针对钢材表面缺陷分类检测率低的问题,文中采用一种基于纹理多尺度特征融合的表面缺陷分类方法。利用Gabor滤波器与灰度共生矩阵建立纹理图像的多尺度特征向量,同时利用卷积运算对纹理图像进行特征提取,并引入混合膨胀卷积模块以增加感受野,将两种特征向量进行融合得到加强后的融合纹理特征向量。融合后的特征以序列方式输入长短时记忆网络(Long Short-Term Memory,LSTM)构建分类模型,利用混淆矩阵将分类结果进行指标评判。结果表明该方法在NEU(Northeastern University)数据集上的分类准确率达到97.5%。文中搭建LSTM网络、BP(Back Propagation)神经网络、SVM(Support Vector Machine)、KNN(K-Nearest Neighbor)以及CART(Classification And Regression Tree)等分类方法进行了对比实验。结果显示,在多尺度下LSTM分类方法表现最好,F1指标最高。结合BP网络、LSTM网络、SVM、KNN、CART、CNN以及AlexNet等方法进行了消融实验,验证了该方法的普适性。该方法充分挖掘了纹理图像的多尺度特征信息,对钢材表面缺陷分类方法的研究具有积极意义。