采用显著性分割与目标检测的形变目标跟踪方法

在跟踪形变目标时,为了克服采用颜色特征分割和学习目标模型而产生跟踪漂移的问题,提出一种基于显著性分割与目标检测的跟踪方法.该方法采用图流形排序方法对超像素进行显著性分割来获得显著、高质量的目标像素,并使用这些像素的颜色和梯度量化值及其与目标中心的相对位置关系来表示目标模型,通过目标模型检测目标中心位置实现跟踪;以全局颜色特征作为漂移约束条件,对由目标持续形变而产生的中心位置漂移进行修正;在跟踪过程中,将跟踪结果作为正样本对显著分割和全局颜色特征进行约束,依据显著分割结果更新目标模型.实验结果表明,文中方法有效地提高了形变目标跟踪的精度和稳定性.

SAT-CNN:基于卷积神经网络的遥感图像分类算法

遥感图像空间分辨率较低,如何提取遥感图像特征是提升遥感图像分类性能的重要问题.提出SAT-CNN,一个基于卷积神经网络的遥感图像分类框架用于提取遥感图像特征.设计了四个构件块并逐层堆叠构成SAT-CNN,其中两个构件块用于提取遥感图像局部区域的底层特征,其他两个构件块用于提取遥感图像局部区域间的空间位置关系.对SAT-CNN采用三种不同的参数配置进行训练,通过分析分类精度、SAT-CNN特征的迁移性以及图像通道来研究SAT-CNN特征提取的准确性和通用性.实验结果表明,SAT-CNN在SAT-4以及SAT-6数据集上达到了较高的分类精度,能够提取适合遥感图像分类的图像特征.