基于GF-2遥感影像和改进后PSPNet模型的丘陵地区耕地图斑提取方法

针对丘陵地区耕地地块具有边界模糊、覆盖物种类多样、大小和空间位置分布不规则等特点,传统分类方法难以快速准确提取耕地信息的问题,本文以四川省金堂县竹篙镇和高板镇为研究区域,利用高分二号卫星影像和改进后的PSPNet语义分割网络模型进行耕地图斑提取研究。在模型训练中,引入CBAM注意力模块以提高整个网络的特征提取和表达能力,采用余弦退火学习率以加快模型的收敛速度。结果表明,改进后的PSPNet模型在丘陵地区耕地提取精度方面取得了显著提高,耕地识别精度达到了95.69%,比标准PSPNet模型提高了1.07%,比Unet++,DeepLabv3+和支持向量机方法方法提高了1.32%,1.75%和6.33%。基于改进后的PSPNet模型具有更强的特征提取和表达能力,可以更准确地提取丘陵地区的耕地信息,为农业决策提供更准确的数据支持,促进农业智能化和精准化,提高农作物产量和质量,推动农业现代化进程。

具有SE结构的改进的PSPNet用于紫菜养殖区识别

目前深度学习技术被广泛应用于解决实际问题的各个领域,其中在筏式海水养殖区识别方面也取得了很大的进展。但由于海水养殖区环境复杂,导致容易产生误分问题。本文主要利用高分遥感影像,通过人工标注三分类标签,利用具有SE结构的改进的PSPNet模型来进行紫菜养殖区的识别工作,有效的改善了小样本误分问题。PSPNet能同时捕获紫菜养殖区的高级语义特征以及不同尺度的空间信息,SE结构通过学习的方式来自动获取到每个特征通道的重要程度,提升有用的特征并抑制对当前任务用处不大的特征,以提高小样本识别率。实验结果表明,与经典的FCN,U-Net网络相比该方法在紫菜养殖区的识别上有更好的效果,能够实现紫菜养殖区的提取应用。

基于深度学习的黑臭水体遥感信息提取模型

黑臭水体分布广泛,严重损害人民的居住环境和城市整体美观形象。以河北省廊坊市为研究区,利用高分二号(GF-2)多光谱数据和实测数据,使用PSPNet(Pyramid Scene Parsing Network)和U-Net模型对黑臭水体遥感信息提取进行对比实验研究。基于可见光波段(RGB)及近红外波段(NIR)计算归一化差异植被指数(NDVI)和归一化差异黑臭水体指数(NDBWI),针对细小形状的黑臭水体普遍存在的漏检问题,引入注意力机制模块对模型进行优化改进,构建改进型深度学习黑臭水体遥感信息提取模型。结果表明:输入RGB+NIR+NDVI+NDBW六通道组合遥感影像并引入注意力机制的U-Net网络模型对黑臭水体的提取结果最佳,其精度评价指标F1-srore、MIoU、Recall分别达到了0.8645、0.8681、0.8359。

基于深度学习的竞技运动图像分割的应用

文章提出了一种基于金字塔池化模型(Pyramid Scene Parseing Network,PSPNet)神经网络模型的竞技运动图像分割方法。其使用了一种具有速度快、精度高、易部署优点的卷积神经网络架构,利用残差网络实现了数据增强技术,进一步提高了分割的准确性和稳定性。实验结果表明,提出的改进后的PSP Net模型在图像分割中的准确率为94.59%,优于其他方法。该方法有望在竞技运动领域的视频图像分割任务中得到广泛应用。

基于ARD-PSPNet网络下的水下鱼类图像分割算法研究

水下鱼类图像因受到光线散射和吸收、水体杂质等因素影响,导致水下鱼类图像质量较低,本文通过改进自动彩色均衡(automatic color equalization,ACE)算法进行水下鱼类图像增强,有效改善图像质量,并为后续的水下图像分割打下良好的基础。针对水下鱼类图像分割效果差、实时性低等问题,本文提出ARD-PSPNet网络模型,使用ResNet101网络模型作为特征提取网络,利用分割性能良好的PSPNet(pyramid scene parsing network)网络模型作为基础图像分割模型,通过引入深度可分离卷积来降低计算量,通过R-MCN网络结构,充分利用浅层网络特征层丰富的位置信息和完整性,改进损失函数使得分割位置更加准确,在Fish4knowledge数据集上进行实验,结果表明:新模型与原模型相比,在平均交并比(mean intersection over union,MIOU)上提高了2.8个百分点,在平均像素准确率(mean pixel accuracy,MPA)上提高了约2个百分点。