基于改进UNet网络的车牌分割算法研究

针对传统图像算法在定位分割车牌时易受复杂环境因素影响,为提升分割准确率,采用深度学习UNet网络模型进行改进研究,对其增加注意力cSE模块,以增强网络对特征的提炼能力,与其他主流分割网络进行对比实验。实验结果表明,在自建车牌数据集上经过100轮训练后,该文改进方法中的各种指标系数表现最好,其中在测试集上的Dice、Miou指标分别比经典UNet网络提高了16%、15%,较FCN和CeNet等分割网络有较大幅度的提升,较主流的UNet改进网络也有不同程度的提升,证明了cSE-UNet网络能够提高车牌图像分割的准确率,是一种有效的改进网络模型。

高分二号卫星影像在地表分类中的研究

高分二号高空间分辨率遥感影像在地表监测中具有重要作用。为了更好地获取监测地表变化数据,研究使用高分二号监测研究地区的地表情况,并对基于UNet网络的遥感影像分类方法进行了改进。实验结果显示:改进UNet网络分类的整体准确率为89.98%,分类精度较高。基于遥感影像与监测数据的评价结果显示,研究区域的环境综合状况处于良好等级,但道路两侧坡面在雨季仍有崩塌可能,可见高分二号可以有效地监测地表变化并提供灾害预警。

基于深度学习的国土资源遥感影像分类模型

针对国土资源遥感影像分类中,遥感影像分类鲁棒性以及精确性不高的问题,提出结合深度学习的国土资源遥感影像分类模型。通过改进的UNet3+深度学习网络进行国土资源遥感影像分类检测,该改进UNet3+深度学习网络在保留UNet3+深度学习网络全尺度跳跃连接以及深度监督机制的前提下,引入注意力机制对深度学习网络的参数以及特征提取做出进一步优化,避免过拟合以及运算量较大的问题。通过实验验证,基于深度学习的国土资源遥感影像分类模型在不同尺度的遥感影像观测上均表现出优异的检测精度及分类性能。其中,当观测尺度为500 m时,边界分割误差可以控制在-2~1 m范围内。相比其他深度学习网络,改进模型在分类检测精度上更具优势。