航空文献资源库

按文献类别分组

按栏目分组

按年份分组

按来源分组

关键词

高分辨率航空影像在第三次国土调查中的应用优势: 作者： 王宝锋 来源： 科技与创新 年份： 2021 文献类型： 期刊 关键词： 应用优势国土调查自然资源调查 航空影像; 描述： 第三次国土调查是新时期国务院部署开展的一项重大国情国力调查,也是自然资源调查的重要基础工作,高分辨率航空遥感影像数据在调查中发挥了重要作用。从常规国土资源调查中遥感影像的应用为基础,从实际调查成效、调查成果精度、自然资源精细化管理等方面分析其独特的技术优势,分析其服务于自然资源领域的相关基础调查工作,以及在新时期自然资源调查监测技术体系中的扩展应用。

航空影像辅助的机载LiDAR植被点云分类: 作者： 王果王强张振鑫徐棒赵光兴 来源： 激光与光电子学进展 年份： 2021 文献类型： 期刊 关键词： 植被点云分类图像处理机载激光雷达融合 航空影像; 描述： 针对从非地面点云数据中难以自动分类植被和建筑物的问题,提出一种航空影像辅助的机载LiDAR(Light Detection and Ranging)植被点云分类方法。根据植被的光谱特征明显不同于其他地物这一特点,在生成数字正射影像的基础上,首先利用K均值(K-means)聚类算法对影像进行聚类和图像增强,然后将增强后的影像和对应区域的点云数据进行融合,最后通过影像处理结果对机载LiDAR植被点云进行分类。选取某城市的机载LiDAR植被点云数据和航空影像进行实验,定量分析结果显示所提方法的总分类精度为96.47%,Kappa系数为0.9248,该方法能够达到点云中植被自动分类的目的。

基于编解码网络的航空影像像素级建筑物提取: 作者： 陈凯强高鑫闫梦龙张跃孙显 来源： 遥感学报 年份： 2021 文献类型： 期刊 关键词： 卷积神经网络建筑物提取深度学习遥感 航空影像; 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

基于编解码网络的航空影像像素级建筑物提取: 作者： 陈凯强高鑫闫梦龙张跃孙显 来源： 遥感学报 年份： 2021 文献类型： 期刊 关键词： 卷积神经网络建筑物提取深度学习遥感 航空影像; 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

基于编解码网络的航空影像像素级建筑物提取: 作者： 陈凯强高鑫闫梦龙张跃孙显 来源： 遥感学报 年份： 2021 文献类型： 期刊 关键词： 卷积神经网络建筑物提取深度学习遥感 航空影像; 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

< 1 >