针对露天矿生产场景中存在着目标像素低、小目标众多、背景复杂等问题,在YOLOv5s的基础上提出一种多尺度和超分辨率网络(multiscale and super-resolution network,MS_Net)。在特征融合模块,将PANet的三尺度检测升级为四尺度检测,提高...针对露天矿生产场景中存在着目标像素低、小目标众多、背景复杂等问题,在YOLOv5s的基础上提出一种多尺度和超分辨率网络(multiscale and super-resolution network,MS_Net)。在特征融合模块,将PANet的三尺度检测升级为四尺度检测,提高网络的多尺度学习能力,并使用子像素卷积作为上采样方法;提出一种多层融合(multi layer fusion,MLF)模块,融合了PANet 3个输出层的特征,得到一个具有丰富语义信息和空间信息的特征图;在预测层中,使用SIoU作为定位损失函数,优化模型的参数。实验结果表明:MS_Net网络在PASCALVOC数据集上mAP为79.4%,FPS为59;在矿山数据集上mAP为80.2%,FPS为64.5,模型可快速、准确、高效地对露天矿中的目标进行识别检测。展开更多
针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间...针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。展开更多
文摘针对传统高光谱图像分类算法存在特征信息利用率不足且无法有效降低特征图空间冗余的问题,提出一种改进的基于混合卷积的多尺度模型MH-CNN,该模型使用多尺度3DCNN模块对高光谱图像进行空间特征和光谱特征的初步提取,然后采用嵌入了空间重建模块的多尺度2DCNN网络对特征图的深层空间特征做进一步的提取和优化,最后通过全连接层对高光谱遥感图像进行精准分类。实验在Indian Pines、Pavia Centre和Pavia University 3种开源数据集上进行,选取了7种经典的分类方法作为对比。MH-CNN算法在3个数据集上的总体精度分别达到了97.7%、99.2%和98.5%。实验结果表明,MH-CNN算法使得高光谱图像中的空谱特征都得到了充分的利用,同时有效减少了特征图的空间冗余,相比于其他模型提高了分类精度,具有较好的综合性能。
