基于多类别的遥感土地图像分割

土地覆盖分类对于土地资源管理、耕地面积评价、经济评估,甚至国土安全和国家经济稳定具有重要意义。对遥感图像中的土地覆盖进行自动化分类,可以为土地资源管理分析等提供可靠、便捷的技术支持。目前大部分遥感图像分割模型都有模型大、运行环境要求高、分割速度慢等问题,为了解决这些问题,提出了一种轻量化并且高精度的图像分割模型L-NET。在公开数据集WHDLD上测试了L-NET的性能,测试表明L-NET在对比实验中的分割精度、参数量、计算量、运行速度等均为最优。

基于DeepLabCut的观赏鱼姿态估计

姿态估计是计算机视觉领域的研究热点之一,针对观赏鱼的姿态检测旨在从给定的图像或视频中识别观赏鱼的背部关键部位。由于观赏鱼在水下运动多变,所以容易产生运动模糊和遮挡等问题。首先,提出了一种基于DeepLabCut的观赏鱼背部姿态识别方法,对比选择了轻量级深度卷积神经网络EfficientNet-B0,用于提取观赏鱼背部关键点的特征。同时,结合迁移学习领域的微调技术,通过微调网络模型,使其更适应观赏鱼背部姿态的检测任务。其次,采用Adam优化器并设置了自适应学习率调整策略,以加快网络模型的训练速度。最后,设计了最优的关键点分布方式和关键点大小,最大化提取有效特征,以提高观赏鱼背部姿态识别的准确性和鲁棒性。实验结果表明,DeepLabCut观赏鱼姿态识别方法获得了较高的识别精度,RMSE(RootMeanSquaredError)平均误差不到4像素。