排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
研究目的:基于语义分割模型HRNetV2实现高分辨率遥感影像的土地利用自动分类,以期推动深度学习语义分割方法实现遥感影像的土地利用自动分类研究,并为该类研究提供可参考的案例。研究方法:首先对语义分割模型HRNetV2从损失函数、特征提取方面进行优化,以提高模型的分割精度;其次用优化后的HRNetV2模型对民乐县2 m的高分辨率遥感影像进行土地利用分类,并基于混淆矩阵对分类的结果进行评估。研究结果:(1)优化后的HRNetV2语义分割模型的MIOU达81.9%,相较于优化前提高了4.4%, 证明了优化方法的有效性;(2)针对民乐县进行的土地利用自动分类总体精度达89.72%,Kappa系数达0.888。研究结论:优化后的HRNetV2语义分割模型在高分辨率遥感影像的土地利用自动分类中具有较强的应用前景。 相似文献
2.
研究目的:土地覆盖的准确分割对于土地调查和规划具有重要意义。针对传统方法对于高分辨率遥感影像分割存在精度和效率较低等问题,提出了深度学习遥感影像分割方法。研究方法:以2 m高分辨率遥感影像为数据源,选用一种加入残差块的U-Net模型(ResU_Net),对目标区域进行基于深度学习的土地覆盖分割,并与SVM、PSPNet、U-Net分割方法进行对比。研究结果:ResU_Net能够更加准确地表达高分辨率遥感影像的地物信息,该方法总体分割精度达到85.50%,Kappa系数为0.7603,总体精度和Kappa系数均高于SVM、PSPNet和U-Net分割方法(总体精度:ResU_Net(85.50%)>U-Net(79.44%)>PSPNet(78.90%)>SVM(66.80%))。研究结论:ResU_Net模型对高分辨率遥感影像的土地覆盖分割效果更优。 相似文献
3.
4.
1