资源简介

摘要： 针对当前多数深度学习模型只能对高分辨率遥感影像裁剪图片进行土地利用类型判别的问题，结合VGGNet与Mask R-CNN开展了智能化建设用地目标检测研究。在建立研究区4类土地利用类型遥感影像数据集的基础上，对比了VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度，选取分类效果最优的神经网络模型VGGNet与Mask R-CNN实现建设用地目标检测智能化。结果表明：①VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度分别为：97.44%、93.75%和95.13%，且VGG16模型迭代次数最少，训练时间相对较少；②Mask R-CNN阈值设置对目标检测精度有重要的影响，当阈值设定为0.3时，VGG16结合Mask R-CNN的联合模型对建设用地检测的标定框精度最高。同时联合模型比单一使用Mask R-CNN模型对建设用地检测有更高的准确率，并且表现出了更强的适应性和鲁棒性。 关键词： 卷积神经网络（CNN）;  目标检测;  影像分类;  高分辨率遥感影像;  建设用地     Abstract: To address the problem that most current deep learning models can only discriminate land use types for cropped images of high-resolution remote sensing images， this paper combines VGGNet and Mask R-CNN to carry out a study on intelligent construction land target detection. On the basis of establishing remote sensing image datasets of four types of land use types in the study area， we compare the classification accuracy of three convolutional neural network models， VGGNet， ResNet and DenseNet， and select the neural network model with the best classification effect， VGGNet and Mask R-CNN， to achieve intelligent construction land target detection. The results show that： （1） the classification accuracies of the three convolutional neural network models VGGNet， ResNet and DenseNet are 97.44%， 93.75% and 95.13%， respectively， and the VGG16 model has the least number of iterations and relatively less training time； （2） the Mask R-CNN threshold setting has an important influence on the target detection accuracy， when the threshold is set to is 0.3， the joint model of VGG16 combined with Mask R-CNN has the highest calibration frame accuracy for construction land detection. Also the joint model has higher accuracy than the single use of Mask R-CNN model for construction land detection， and shows more adaptability and robustness.

相关资源

1. 水质遥感监测的关键要素叶绿素a的反演算法研究进展
2. 基于无人机遥感技术的森林参数获取研究进展
3. 基于无线传感器网络的森林生态系统观测试验平台构建
4. 基于无人机激光雷达的森林冠层高度分析
5. 多源时序国产卫星影像的森林火灾动态监测
6. 基于无人机遥感技术的台风灾害倒伏绿化树木检测

下载说明

·如果您发现该资源不能下载，请通知管理员.gissky@gmail.com

·为确保下载的资源能正常使用，请使用[WinRAR v3.8]或以上版本解压本站资源,缺省解压密码www.gissky.net ，如果是压缩文件为分卷多文件，请依次下载每一个文件，并按照顺序命名为1.rar,2.rar,3.rar...，然后鼠标右击1.rar解压.

·为了保证您快速的下载速度，我们推荐您使用[网际快车]等专业工具下载.

·站内提供的资源纯属学习交流之用,如侵犯您的版权请与我们联系.