光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

基于深度学习的离场航空器滑行时间预测（英文）

作者： 李楠   焦庆宇   朱新华   王少聪   来源： Transactions of Nanjing University of Aeronautics and Astronautics 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   场面运行   滑行时间   深度学习   航空运输  

描述： 起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model

光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

光学遥感图像中的飞机目标检测技术研究综述

作者： 祝文韬   谢宝蓉   王琰   沈霁   朱浩文   来源： 计算机科学 年份： 2021 文献类型 ： 期刊 关键词： 机器学习   光学遥感图像   深度学习   飞机目标检测   模板匹配  

描述： 飞机目标检测方法总结为3类,对这3类检测方法的概念和研究情况分别进行了阐述,并在此基础上进行了比较分析,重点研究了深度学习方法在该领域的研究情况并讨论了样本和数据集问题,最后讨论了飞机目标检测的关键技术难点,并对该领域的未来发展趋势做了展望。

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。

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。