基于YOLOv5和Mask-RCNN组合模型的社交媒体内涝灾害分析

由于缺少淹没实测数据,针对城市市区淹没深度测量数据需求,基于社交媒体与深度学习技术,探索根据社交媒体用户上传信息提取洪水淹没信息的新方法.研发基于YOLOv5与Mask-RCNN组合模型的实例分割算法,制作轿车众多关键部位的识别数据集.根据模型训练结果实现全新的市区淹没事件的淹没高度提取方法.通过输入淹没图像对城市内涝中淹没点位与淹没深度进行预测,与淹没重演模型得到的数据进行比较.基于模拟淹没实验来制作验证数据集,验证该方法的可行性.结果表明,所研发的YOLOv5与Mask-RCNN组合模型的纳什效率系数为0.98.使用郑州市“7·20”城市内涝的实际社交媒体图像进行可靠性验证.结果表明,所提方法能够为城市市区内涝淹没过程提供有效数据来源.

改进Mask R-CNN的无人机影像建筑物提取

从无人机影像中自动提取建筑物对城乡规划和管理至关重要,然而,在复杂背景干扰和建筑物外观变化很大的情况下给实例提取带来挑战。因此,提出一种改进的Mask区域卷积神经网络(R-CNN)方法用于无人机影像的建筑物自动实例提取。改进方法以ResNet-101作为特征提取网络,在特征融合网络方面,通过添加自底向上的路径增强整个特征层次的定位能力,同时在特征融合中加入空洞空间金字塔池化模块(ASPP)来提高多尺度能力与改善模型性能。在自制建筑物数据集上的综合实验结果表明,与原始的Mask R-CNN方法相比,改进方法的mAP值提高了2.6%,能够很好地实现无人机影像建筑物实例提取。

优化Mask-RCNN的高分遥感影像建筑物提取

针对从背景复杂、目标密集的高分遥感影像上提取建筑物精度较低的问题,提出了一种基于优化Mask-RCNN的高分遥感影像建筑物提取算法。优化算法以ResNet-50为特征提取主干网络,通过添加更多的横向连接以及自下而上、自上而下路径的方式优化FPN,提高算法的特征提取能力,并利用Soft-NMS优化原始NMS算法改善提取结果。利用自制的重庆市渝北区高分遥感影像建筑物数据集,采用交叉验证方法验证其在不同训练集与测试集上的稳定性,同时比较优化前后算法的提取性能。实验结果表明,优化算法平均精确率为88.4%,对比原始算法提高了4.9个百分点,对实现遥感影像建筑物高精度自动提取具有一定的参考意义。

基于改进Mask-RCNN的遥感影像建筑物提取

由于遥感影像中建筑物种类繁多且与周围环境信息混淆,传统方法难以实现建筑物的准确高效提取.本文提出了一种基于改进Mask-RCNN的建筑物自动提取方法,利用PyTorch深度学习框架搭建改进Mask-RCNN网络模型架构,在网络的设计中添加了路径聚合网络和特征增强功能,通过监督和迁移学习的方式对Inria航空影像标签数据集进行多线程迭代训练与模型优化学习,实现了建筑物的自动精确分割和提取.基于不同开源数据集,分别与SVM、FCN、U-net和Mask-RCNN等建筑物提取算法进行对比,实验表明,本文方法可以高效准确、高效地提取建筑物,对于同一个数据集,提取结果的mAP、mRecall、mPrecision和F1分数这4个评价指标均优于对比算法.

融合注意力机制的改进Mask-RCNN遥感影像建筑物提取

针对复杂影像背景和密集建筑物堆叠导致建筑物提取效果不完整,存在误检、漏检等问题,提出了一种改进Mask-RCNN遥感影像建筑物提取方法。利用双通道注意力机制增强目标的有效特征,同时引入特征增强金字塔网络增强网络对遥感影像的上下文特征信息地提取能力,结合双通道下采样模块减少特征损失,提高模型提取的精度和效率。实验表明,提出的改进Mask-RCNN在建筑物数据集和RSOD数据集上,与多种方法进行实验对比验证,Precision和F1值均高于对比方法,且目标识别的结果更加完整,目标漏检率更低。

Faster-RCNN和Level-Set结合的高分遥感影像建筑物提取

目前Level-Set图像分割方法存在初始轮廓的确定受人为因素影响较大的问题,对目标被遮盖和目标与背景灰度值相近无法达到理想的分割效果。针对此问题,本文提出了利用Faster-RCNN网络模型确定目标初始轮廓和区域信息的先验水平集图像分割方法,搭建Caffe深度学习框架训练Faster-RCNN网络模型;通过有监督学习的方式在IAILD数据集上训练模型,检测出目标建筑物并初步提取建筑物的轮廓,并将其与形状先验的Level-Set算法结合。对比实验结果表明,本文方法解决了Level-Set算法中图像分割结果初始轮廓受人为标记框选的影响较大的问题,能够更好地完成被遮挡建筑物的分割,对于目标建筑和背景灰度值相近也能达到更好的分割效果。

耦合Mask R-CNN和注意力机制的建筑物提取及后处理策略

建筑物是城市的重要组成部分,基于高分辨率遥感数据建筑物提取,在土地利用、城市规划和防灾减灾等方面有重要意义。针对建筑物提取存在的问题,提出一种改进的Mask R-CNN建筑物实例分割模型。基于残差神经网络融合卷积注意力模型,构建了残差卷积注意力网络,改善了特征提取不充分问题。通过添加Dice Loss的方法,对损失函数进行了优化,进而对特征学习过程进行了优化。并引入Douglas–Peucker algorithm、Fine polygon regularization algorithm相结合的后处理策略,使建筑物轮廓更规则。实验结果表明:改进模型相比原模型的检测mAP值在Iou 0.5时提高了7.74%、在Iou 0.75时提高了7.57%,后处理策略在选定合适阈值优化掩膜后较原始模型的F1-Score值提高了6.01%。耦合Mask R-CNN和注意力机制的实例分割模型改善了小型建筑物误检漏检问题、建筑物分割边界粘连问题,提高了建筑物的分割精度;优化了建筑物后处理策略,提高了建筑物规则化程度。

高分辨率遥感图像中建筑物提取的边界精细化卷积神经网络

随着遥感图像解译在城乡规划和数字化城市建设等领域的广泛应用,对遥感图像中的建筑物进行完整地、准确地检测具有非常重要的研究意义和应用价值。近年来,深度学习技术被广泛应用于遥感图像中的建筑物提取。然而,如何从高分辨率遥感图像中完全地、准确地提取建筑物仍然面临着巨大的挑战。因此,文章提出了一种边界精细化的建筑物提取方法,命名为BR-Mask R-CNN。首先,文章采用多特征融合网络ResNeXt101-FPN作为主干特征提取网络,以提高小型建筑物的提取精度。然后,利用边界精细化掩码分支将边界保护分支和Mask分支集成起来,以保护建筑物的边界信息,并实现更加准确的掩码预测。最后,文章在两个公开的建筑物提取数据集上验证了所提出方法的有效性,实验结果表明该文的方法在许多评价指标上都有较好的效果。

基于深度学习的高分遥感影像建筑物提取研究

传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。

基于Mask-RCNN的建筑物目标检测算法

针对在航空影像中,城区80%的人工目标物为建筑物和道路,建筑物是遥感影像中主要地物的类别,所以建筑物的检测会直接影响到地物提取的自动化水平这一问题。该文提出了一种基于Mask-RCNN的建筑物目标检测方法,是基于卷积神经网络思想,在深度学习框架下通过多线程迭代训练,将无人机影像作为训练样本,在卷积神经网络中得到目标特征再通过区域建议网络(RPN)与ROIAlign操作将特征输入不同的全连接分支。最后得到具优化的权重参数的目标检测模型。在不同场景图像中,该模型可以检测出建筑物目标。实验结果达到了预期要求,提高了航空影像中建筑物检测的准确性。

基于多视角时间序列图像的植物叶片分割与特征提取

为了解决多种类植物在生长过程中不同时间点动态变化表型参数提取困难问题,提出了一种基于多视角时间序列图像和深度卷积神经网络Mask RCNN的植物茎叶实例分割方法,在拟南芥、玉米和酸浆属3种代表性植物上进行了实验。结果表明,训练得到的基于Mask-RCNN的植物分割模型对在不同生长时期的植物茎叶的识别精度(mAP_(0.5))大部分在70.0%以上,最高可以达到87.5%,模型通用性较好。同时,针对茎叶遮挡问题提出的基于多视角图像的跟踪算法,可进一步提高植物茎叶参数提取的准确率。本文提出的以茎叶为代表的植物器官分割和特征提取方法具有性能高效、成本低、通用性和扩展性好的优势,可为不同场景下植物全生长过程中的多表型参数提取提供参考。

基于计算机视觉的深基坑周边密集建筑群沉降监测方法

在建筑密集区深基坑施工过程中,对周边建筑群进行实时、有效的沉降监测,对于保障施工安全具有重要意义。为降低监测成本,同时提高监测效率和精准度,提出一种基于视觉传感器的密集建筑群沉降监测方法。该方法首先利用图像分类算法Mask RCNN对图像中不同建筑进行自动标注、分类和切割,生成对应的掩膜;其次利用Hough变换对不同建筑掩膜进行直线检测,通过建筑外部轮廓直线的改变量计算建筑物测点的沉降情况;最后通过三维投影关系得到真实的沉降数据。工程试验结果表明:该方法能有效地对视野中不同建筑物进行测量,能为建筑密集区的基坑开挖工程提供动态沉降监测,保证工程的安全性。

基于实例分割模型的建筑物自动提取

传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理,难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型,由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题,本文对实例分割模型Mask R-CNN进行改进,提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先,在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作,以降低上采样造成的混叠效应;然后,在原有掩膜预测结构的基础上增加一个分支,改善掩膜预测的效果;最后,将改进后的网络在建筑物数据集上进行训练。结果表明,本文方法能够准确独立预测每个建筑物顶部,没有目标粘连情况,且mAP值较Mask R-CNN有所提高,能够有效实现遥感影像建筑物精细化提取。

基于卷积网络的遥感图像建筑物提取技术研究

Mask RCNN是当前最高水平的实例分割算法,本文将该算法应用到高分辨率遥感图像建筑物提取中,提出了一种高效、准确的高分辨率遥感图像建筑物提取方法。首先,利用Tensorflow和Keras深度学习框架搭建Mask RCNN网络模型;然后,通过有监督学习方式在IAILD数据集上进行模型学习。利用训练出的模型对测试集进行建筑物提取实验,通过与基于KNN和SVM等建筑物提取方法对比可以看出,本文方法可以更加完整的、准确的提取出建筑物。采用m AP评价指标对实验结果进行定量评价,本文算法的查全率和查准率均大于对比算法,且多次实验中本文算法的m AP均在81%以上,验证了基于卷积网络的高分辨率遥感图像建筑物提取的有效性和准确性。

内河河道监视与浮萍识别系统设计

内河河道水面的浮萍是造成水环境恶劣的一个重要原因。文中设计了一个内河河道监视与浮萍识别系统,通过在河岸架设摄像头对河道状况进行实时采集监测。从采集到的自然河道图像中高效提取出河道线,进而准确检测、识别浮萍。通过HED神经网络实现了适用于野外河道图像的河道线提取;基于Mask-RCNN网络实现了浮萍的检测,并做到了预处理、识别与后处理一体化。实验结果显示:以交叉比作为评价标准,在样本容量为97的测试集上达到了93.8%的准确率,相比传统算法提高了30.6%;单张河道图片边缘提取速率达到了0.275 s,能够满足实时性。Mask-RCNN网络保持了识别、检测与分割任务上的高性能,实验证明了Mask-RCNN网络在实际场景下的可行性,在样本容量为1 042的浮萍数据集上,检测准确率达到95.41%,相比经典机器学习方法准确率提高了3.41%。

基于多任务学习的高分辨率遥感影像建筑提取

建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。