边缘引导多尺度特征融合的光学遥感图像地物分类方法.pdf
绮兰****文章
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
边缘引导多尺度特征融合的光学遥感图像地物分类方法.pdf
本发明公开了边缘引导多尺度特征融合的光学遥感图像地物分类方法,涉及光学遥感图像处理技术领域,能够保留空间细节特征信息,并有效融合高层语义信息与低层细节信息,以得到精细准确的地物分类结果。包括以下步骤:主干网络对输入的光学遥感图像进行处理,获得多个不同层次的特征图,将不同层次的特征输入边缘特征提取模块,通过边缘真值图监督该模块的学习过程,并由卷积网络输出多尺度边缘感知特征。多尺度边缘感知特征和高层特征输入边缘引导特征融合模块,通过矩阵相关运算和卷积层实现多尺度的特征融合,得到融合特征,并通过上采样输出分割结
一种基于XGBoost的多尺度特征融合遥感图像分类模型.pdf
本发明提出了一种新的基于XGBoost的多尺度特征融合遥感图像分类模型——XMV?Net。传统的MobileVit仅通过全连接层构建的单层分类器容易受到图像噪声的干扰,从而导致分类精度降低,因此本发明采用高精度的集成模型XGBoost替代它的全连接层。为了进一步提高模型性能,首先在MobileVit网络中加入辅助分类器,以及通道、空间注意力机制,形成New?MobileVit网络以用于遥感图像的多尺度特征提取;然后使用粒子群算法对多尺度特征信息维度以及XGBoost六个基本参数进行优化;最后使用优化后的X
基于局部与全局特征融合的遥感图像分类方法和装置.pdf
本申请涉及图像识别技术领域的一种基于局部与全局特征融合的遥感图像分类方法和装置。该方法包括:将获取的遥感图像进行标注作为训练样本;构建遥感图像分类模型,该模型包括输入网络、特征提取网络和分类网络;其中,输入网络用于采用空洞卷积对训练样本进行多分支多尺度特征提取,特征提取网络用于采用4个由1个下采样层和若干个堆叠的RMFE模块组成stage依次进行全局与局部特征提取与融合,其中RMFE模块采用纯卷积方式同时提取局部与全局特征;采用训练样本对遥感图像分类模型进行训练,采用训练好的遥感图像分类模型对待测遥感图像
一种多尺度特征融合的图像检索方法.pdf
本发明涉及一种多尺度特征融合的图像检索方法,属于图像检索技术领域。方法包括:获取待检索的图像;将待检索的图像输入训练好的多尺度特征融合模型中,得到特征提取结果;多尺度特征融合模型包括主干网络、第一添加模块、第二添加模块以及特征融合模块;第一添加模块中包括至少一个添加层,第二添加模块包括至少一个添加层,各添加层均包括依次设置的空洞卷积层、第二归一化层和第二激活层,并且第一添加模块中的空洞卷积层的空洞率小于第二添加模块中的空洞卷积层的空洞率;根据特征提取结果在图像信息库中进行搜索,找到与特征提取结果相似的图像
一种基于多特征融合机制的遥感影像地物分割方法.pdf
本发明涉及一种基于多特征融合机制的遥感影像地物分割方法,所述地物分割方法包括:建立基于编码器和解码器架构的深度学习模型,将测试的图像输入到编码器中进行逐层卷积并通过注意力机制来对低阶语义信息进行筛选,以突出目标特征抑制背景噪声;解码器接收编码器处理结果进行反卷积保留并向上传递,在解码网络的最终输出位置将每层单独保留的特征图与解码网络的结果进行多特征融合,达到提高特征还原精度的目的,将得到与原图像尺寸相同的语义标记映射到原始图像上,实现分割结果的可视化。本发明通过轻量级的通道注意力机制和深度多特征融合机制,