基于深度学习的土地卫片执法审核方法的研究
这是一篇关于深度学习,土地卫片执法,注意力机制,损失函数,场景分类的论文, 主要内容为土地资源的的合理开发利国利民,为此自然资源部每年都会划分四个季度,按时下发卫星拍摄到的卫片图斑到当地自然资源部门所管理的检查系统,通过各级各部门分工协作,将一系列涉及土地的违法行为得到及时地制止,强有力的保护了国家的自然资源,另外对有关违法当事人的依法依规处罚,有力的推动了土地资源的良性开发利用。为了能够更好的掌握土地利用的现状,国土资源部门的工作人员会采用人工审核的方式对土地使用的现状进行基本判断,但实际操作过程中存在着工作量巨大,系统研发投入成本高,照片时效性低等问题,图像背后所代表的场景分类应用已成为计算机视觉领域的重要研究趋势,本研究从卷积神经网络的基础和算法入手,深入探讨卷积神经网络理论及相关问题。最后,选择能够有效整合全局信息与邻近信息的Co TNet网络,提高网络的统一性,改进了其他表示特征和指标(例如分类准确性和损失值)的能力。这项工作的主要研究如下:(1)我们将使用不同类别的土地卫片图斑照片数据集,在土地卫片检查网站获取照片的基础上自行采集了在实际工作任务中较少出现的类型,用来补充土地卫片图斑照片数据集中样本量较少的,分别为边坡治理、光伏用地、河堤整治、电塔用地、海域、设施农用地,这些自行收集的图斑类型照片一共1200张,这些自采的图斑照片被有效整合到土地卫片图斑照片数据集中用于开展分类任务。(2)本文陈述了从深度学习的过程获取灵感并进行改进的全新场景分类网络模型,即改进Co TNet架构,该模型包括注意力机制,Rand Augmeng数据增强,polyloss函数,针对数据集中样本量较少的问题进行了数据扩容并且提升了对图像不清和自然背景繁杂等阻碍的特征提取表现。(3)通过模型改进实验我们发现所作的改进尝试都取得了满意的结果,加入三种改进方法的消融实验都是真实可行的,另外在对比实验中,将改进的Co TNet网络模型与Res Net50、Res Net101、Mobile Netv3、VGG16、Google Net、Efficient Netb0、Efficient Netb1、Efficient Netb2、Shuffle Netv2、Inception-v3、Dense Net121、Co TNet50模型进行对比,实验的数据集选取卫星拍摄的图斑现场举证照片,通过观察实验结果,我们可以肯定的发现,改进的分类网络模型证明了自身具备真实可行性,在环境相同的情况下(学习率、迭代次数、权重衰减率、损失函数等),精度和损失值都有一定的提高。本文进一步验证了算法模型的有效性。(4)设计和实施基于B/S架构的场景分类系统,详细规划系统要求、功能设计、系统构建等,实现系统的相关功能。综上,利用图像识别技术对基于图像数据的土地场景自动分类进行研究,也选择丰富合适的土地卫片举证照片数据集,并自行采集了现实工作中任务量较少的图斑照片,提出一种兼具土地卫片图像分类的新型网格模型的优化,经过改进的分类网络模型为后续研究提供新思路,同时也让过去无法对土地卫片图斑举证照片高效分类的问题收获解决办法,也为后续开展土地卫片执法辅助审核工作提供了便捷。
基于深度学习的土地卫片执法审核方法的研究
这是一篇关于深度学习,土地卫片执法,注意力机制,损失函数,场景分类的论文, 主要内容为土地资源的的合理开发利国利民,为此自然资源部每年都会划分四个季度,按时下发卫星拍摄到的卫片图斑到当地自然资源部门所管理的检查系统,通过各级各部门分工协作,将一系列涉及土地的违法行为得到及时地制止,强有力的保护了国家的自然资源,另外对有关违法当事人的依法依规处罚,有力的推动了土地资源的良性开发利用。为了能够更好的掌握土地利用的现状,国土资源部门的工作人员会采用人工审核的方式对土地使用的现状进行基本判断,但实际操作过程中存在着工作量巨大,系统研发投入成本高,照片时效性低等问题,图像背后所代表的场景分类应用已成为计算机视觉领域的重要研究趋势,本研究从卷积神经网络的基础和算法入手,深入探讨卷积神经网络理论及相关问题。最后,选择能够有效整合全局信息与邻近信息的Co TNet网络,提高网络的统一性,改进了其他表示特征和指标(例如分类准确性和损失值)的能力。这项工作的主要研究如下:(1)我们将使用不同类别的土地卫片图斑照片数据集,在土地卫片检查网站获取照片的基础上自行采集了在实际工作任务中较少出现的类型,用来补充土地卫片图斑照片数据集中样本量较少的,分别为边坡治理、光伏用地、河堤整治、电塔用地、海域、设施农用地,这些自行收集的图斑类型照片一共1200张,这些自采的图斑照片被有效整合到土地卫片图斑照片数据集中用于开展分类任务。(2)本文陈述了从深度学习的过程获取灵感并进行改进的全新场景分类网络模型,即改进Co TNet架构,该模型包括注意力机制,Rand Augmeng数据增强,polyloss函数,针对数据集中样本量较少的问题进行了数据扩容并且提升了对图像不清和自然背景繁杂等阻碍的特征提取表现。(3)通过模型改进实验我们发现所作的改进尝试都取得了满意的结果,加入三种改进方法的消融实验都是真实可行的,另外在对比实验中,将改进的Co TNet网络模型与Res Net50、Res Net101、Mobile Netv3、VGG16、Google Net、Efficient Netb0、Efficient Netb1、Efficient Netb2、Shuffle Netv2、Inception-v3、Dense Net121、Co TNet50模型进行对比,实验的数据集选取卫星拍摄的图斑现场举证照片,通过观察实验结果,我们可以肯定的发现,改进的分类网络模型证明了自身具备真实可行性,在环境相同的情况下(学习率、迭代次数、权重衰减率、损失函数等),精度和损失值都有一定的提高。本文进一步验证了算法模型的有效性。(4)设计和实施基于B/S架构的场景分类系统,详细规划系统要求、功能设计、系统构建等,实现系统的相关功能。综上,利用图像识别技术对基于图像数据的土地场景自动分类进行研究,也选择丰富合适的土地卫片举证照片数据集,并自行采集了现实工作中任务量较少的图斑照片,提出一种兼具土地卫片图像分类的新型网格模型的优化,经过改进的分类网络模型为后续研究提供新思路,同时也让过去无法对土地卫片图斑举证照片高效分类的问题收获解决办法,也为后续开展土地卫片执法辅助审核工作提供了便捷。
融合AOI语义信息的遥感影像场景分类方法研究
这是一篇关于高分辨率遥感影像,场景分类,深度学习,AOI,语义信息的论文, 主要内容为遥感图像场景分类是遥感图像分析、处理、应用的基本问题,是揭示客观世界地理对象空间分布特征、规律的重要手段。航空航天技术的发展显著提高了遥感影像分辨率,为开展城市场景分类研究提供了重要的数据源。传统的场景分类多依靠遥感影像的底层特征,由人工设计特征,耗费人力物力,效果仍然不尽人意。深度学习技术的发展及应用能够显著提高场景分类精度,但是在复杂场景、多目标样本不平衡情况下,基于深度学习的场景分类仍然面临许多挑战。针对高分辨率遥感影像场景分类中面临的难题,本文开展了融合AOI(Area of Interest)语义信息的遥感影像场景分类方法,首先基于基线U-Net提出优化的NC-Net(N-type Global Context Net)模型,从模型层面与其他基线模型对比,有效提高场景分类精度。之后利用AOI的社会、地理属性将语义信息融合到影像场景分类中,解决单一影像场景分类信息不足问题,赋予影像社会语义信息,在模型后处理阶段提升场景分类精度,使得场景分类图能更有效地运用于实际的城市环境研究。本文的主要工作可以归纳为以下三点:(1)总结遥感影像场景分类的基本方法。介绍基于底层特征的方法、基于中层特征的方法、基于高层特征的方法和基于语义内容的方法,重点阐述了高层特征也就是深度学习神经网络的方法。(2)空间全局上下文信息网络。提出了基于U-Net的优化网络NC-Net。U-Net本身结构较为单一,场景分类精度缺失,针对特定问题提出了多尺度输出融合再采样阶段,优化了U-Net的损失函数,提出多尺度损失函数级联,让网络更充分学习特征,获取上下文信息,在模型层面有效提升了场景分类精度。(3)融合AOI语义信息方法。该方法在模型后处理阶段,基于NC-Net的场景分类图,利用AOI附带的社会、地理属性信息,采用加权融合方法,整合多方语义信息获得最终场景分类图。使得场景分类类别与城市规划现实需求统一,采用一致性分类标准将AOI和影像划分类别映射到定义的场景分类标准中。最终分类图具备较好的可扩展性,能够应用到不同城市的场景分类研究。
基于深度学习的土地卫片执法审核方法的研究
这是一篇关于深度学习,土地卫片执法,注意力机制,损失函数,场景分类的论文, 主要内容为土地资源的的合理开发利国利民,为此自然资源部每年都会划分四个季度,按时下发卫星拍摄到的卫片图斑到当地自然资源部门所管理的检查系统,通过各级各部门分工协作,将一系列涉及土地的违法行为得到及时地制止,强有力的保护了国家的自然资源,另外对有关违法当事人的依法依规处罚,有力的推动了土地资源的良性开发利用。为了能够更好的掌握土地利用的现状,国土资源部门的工作人员会采用人工审核的方式对土地使用的现状进行基本判断,但实际操作过程中存在着工作量巨大,系统研发投入成本高,照片时效性低等问题,图像背后所代表的场景分类应用已成为计算机视觉领域的重要研究趋势,本研究从卷积神经网络的基础和算法入手,深入探讨卷积神经网络理论及相关问题。最后,选择能够有效整合全局信息与邻近信息的Co TNet网络,提高网络的统一性,改进了其他表示特征和指标(例如分类准确性和损失值)的能力。这项工作的主要研究如下:(1)我们将使用不同类别的土地卫片图斑照片数据集,在土地卫片检查网站获取照片的基础上自行采集了在实际工作任务中较少出现的类型,用来补充土地卫片图斑照片数据集中样本量较少的,分别为边坡治理、光伏用地、河堤整治、电塔用地、海域、设施农用地,这些自行收集的图斑类型照片一共1200张,这些自采的图斑照片被有效整合到土地卫片图斑照片数据集中用于开展分类任务。(2)本文陈述了从深度学习的过程获取灵感并进行改进的全新场景分类网络模型,即改进Co TNet架构,该模型包括注意力机制,Rand Augmeng数据增强,polyloss函数,针对数据集中样本量较少的问题进行了数据扩容并且提升了对图像不清和自然背景繁杂等阻碍的特征提取表现。(3)通过模型改进实验我们发现所作的改进尝试都取得了满意的结果,加入三种改进方法的消融实验都是真实可行的,另外在对比实验中,将改进的Co TNet网络模型与Res Net50、Res Net101、Mobile Netv3、VGG16、Google Net、Efficient Netb0、Efficient Netb1、Efficient Netb2、Shuffle Netv2、Inception-v3、Dense Net121、Co TNet50模型进行对比,实验的数据集选取卫星拍摄的图斑现场举证照片,通过观察实验结果,我们可以肯定的发现,改进的分类网络模型证明了自身具备真实可行性,在环境相同的情况下(学习率、迭代次数、权重衰减率、损失函数等),精度和损失值都有一定的提高。本文进一步验证了算法模型的有效性。(4)设计和实施基于B/S架构的场景分类系统,详细规划系统要求、功能设计、系统构建等,实现系统的相关功能。综上,利用图像识别技术对基于图像数据的土地场景自动分类进行研究,也选择丰富合适的土地卫片举证照片数据集,并自行采集了现实工作中任务量较少的图斑照片,提出一种兼具土地卫片图像分类的新型网格模型的优化,经过改进的分类网络模型为后续研究提供新思路,同时也让过去无法对土地卫片图斑举证照片高效分类的问题收获解决办法,也为后续开展土地卫片执法辅助审核工作提供了便捷。
基于深度学习的土地卫片执法审核方法的研究
这是一篇关于深度学习,土地卫片执法,注意力机制,损失函数,场景分类的论文, 主要内容为土地资源的的合理开发利国利民,为此自然资源部每年都会划分四个季度,按时下发卫星拍摄到的卫片图斑到当地自然资源部门所管理的检查系统,通过各级各部门分工协作,将一系列涉及土地的违法行为得到及时地制止,强有力的保护了国家的自然资源,另外对有关违法当事人的依法依规处罚,有力的推动了土地资源的良性开发利用。为了能够更好的掌握土地利用的现状,国土资源部门的工作人员会采用人工审核的方式对土地使用的现状进行基本判断,但实际操作过程中存在着工作量巨大,系统研发投入成本高,照片时效性低等问题,图像背后所代表的场景分类应用已成为计算机视觉领域的重要研究趋势,本研究从卷积神经网络的基础和算法入手,深入探讨卷积神经网络理论及相关问题。最后,选择能够有效整合全局信息与邻近信息的Co TNet网络,提高网络的统一性,改进了其他表示特征和指标(例如分类准确性和损失值)的能力。这项工作的主要研究如下:(1)我们将使用不同类别的土地卫片图斑照片数据集,在土地卫片检查网站获取照片的基础上自行采集了在实际工作任务中较少出现的类型,用来补充土地卫片图斑照片数据集中样本量较少的,分别为边坡治理、光伏用地、河堤整治、电塔用地、海域、设施农用地,这些自行收集的图斑类型照片一共1200张,这些自采的图斑照片被有效整合到土地卫片图斑照片数据集中用于开展分类任务。(2)本文陈述了从深度学习的过程获取灵感并进行改进的全新场景分类网络模型,即改进Co TNet架构,该模型包括注意力机制,Rand Augmeng数据增强,polyloss函数,针对数据集中样本量较少的问题进行了数据扩容并且提升了对图像不清和自然背景繁杂等阻碍的特征提取表现。(3)通过模型改进实验我们发现所作的改进尝试都取得了满意的结果,加入三种改进方法的消融实验都是真实可行的,另外在对比实验中,将改进的Co TNet网络模型与Res Net50、Res Net101、Mobile Netv3、VGG16、Google Net、Efficient Netb0、Efficient Netb1、Efficient Netb2、Shuffle Netv2、Inception-v3、Dense Net121、Co TNet50模型进行对比,实验的数据集选取卫星拍摄的图斑现场举证照片,通过观察实验结果,我们可以肯定的发现,改进的分类网络模型证明了自身具备真实可行性,在环境相同的情况下(学习率、迭代次数、权重衰减率、损失函数等),精度和损失值都有一定的提高。本文进一步验证了算法模型的有效性。(4)设计和实施基于B/S架构的场景分类系统,详细规划系统要求、功能设计、系统构建等,实现系统的相关功能。综上,利用图像识别技术对基于图像数据的土地场景自动分类进行研究,也选择丰富合适的土地卫片举证照片数据集,并自行采集了现实工作中任务量较少的图斑照片,提出一种兼具土地卫片图像分类的新型网格模型的优化,经过改进的分类网络模型为后续研究提供新思路,同时也让过去无法对土地卫片图斑举证照片高效分类的问题收获解决办法,也为后续开展土地卫片执法辅助审核工作提供了便捷。
融合AOI语义信息的遥感影像场景分类方法研究
这是一篇关于高分辨率遥感影像,场景分类,深度学习,AOI,语义信息的论文, 主要内容为遥感图像场景分类是遥感图像分析、处理、应用的基本问题,是揭示客观世界地理对象空间分布特征、规律的重要手段。航空航天技术的发展显著提高了遥感影像分辨率,为开展城市场景分类研究提供了重要的数据源。传统的场景分类多依靠遥感影像的底层特征,由人工设计特征,耗费人力物力,效果仍然不尽人意。深度学习技术的发展及应用能够显著提高场景分类精度,但是在复杂场景、多目标样本不平衡情况下,基于深度学习的场景分类仍然面临许多挑战。针对高分辨率遥感影像场景分类中面临的难题,本文开展了融合AOI(Area of Interest)语义信息的遥感影像场景分类方法,首先基于基线U-Net提出优化的NC-Net(N-type Global Context Net)模型,从模型层面与其他基线模型对比,有效提高场景分类精度。之后利用AOI的社会、地理属性将语义信息融合到影像场景分类中,解决单一影像场景分类信息不足问题,赋予影像社会语义信息,在模型后处理阶段提升场景分类精度,使得场景分类图能更有效地运用于实际的城市环境研究。本文的主要工作可以归纳为以下三点:(1)总结遥感影像场景分类的基本方法。介绍基于底层特征的方法、基于中层特征的方法、基于高层特征的方法和基于语义内容的方法,重点阐述了高层特征也就是深度学习神经网络的方法。(2)空间全局上下文信息网络。提出了基于U-Net的优化网络NC-Net。U-Net本身结构较为单一,场景分类精度缺失,针对特定问题提出了多尺度输出融合再采样阶段,优化了U-Net的损失函数,提出多尺度损失函数级联,让网络更充分学习特征,获取上下文信息,在模型层面有效提升了场景分类精度。(3)融合AOI语义信息方法。该方法在模型后处理阶段,基于NC-Net的场景分类图,利用AOI附带的社会、地理属性信息,采用加权融合方法,整合多方语义信息获得最终场景分类图。使得场景分类类别与城市规划现实需求统一,采用一致性分类标准将AOI和影像划分类别映射到定义的场景分类标准中。最终分类图具备较好的可扩展性,能够应用到不同城市的场景分类研究。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/52858.html
