- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于深度卷积神经网络的高光谱遥感图像杂草分类
摘要： 自动杂草检测与制图对于实施定点除草至关重要，既能降低农业生产成本，又能减少除草剂对人类健康的影响。本文采用高光谱图像研究基于斑块的杂草识别方法，通过卷积神经网络（CNN）与方向梯度直方图（HoG）进行对比评估。研究探讨了适宜的斑块尺寸，揭示了RGB影像的局限性。实验结果表明：随着波段数量增加，CNN的杂草分类总体精度持续提升；相比传统HoG特征提取方法，CNN能提取更具判别力的特征从而提高分类效果，但其计算负荷会随波段数增加而略有上升。
关键词： 方向梯度直方图（HoG）、杂草制图、高光谱图像、卷积神经网络（CNN）
更新于2025-09-09 09:28:46
-
[2018年IEEE第20届国际多媒体信号处理研讨会(MMSP) - 加拿大不列颠哥伦比亚省温哥华市(2018年8月29日-8月31日)] 2018年IEEE第20届国际多媒体信号处理研讨会(MMSP) - 基于全卷积神经网络的遥感图像云检测算法
摘要： 本文提出了一种基于深度学习的框架，用于解决遥感图像中精确云检测的问题。该框架利用全卷积神经网络（FCN），能够对Landsat 8图像中的云区域进行像素级标注。同时，提出了一种基于梯度的识别方法，用于识别并排除训练集真实标签中的冰雪区域。研究表明，结合阈值法与深度学习这两种方法的混合方案，在无需人工修正自动生成的真实标签的情况下，提升了云检测的性能。平均而言，Jaccard指数和召回率分别提高了4.36%和3.62%。
关键词： 深度学习、Landsat 8、全卷积网络（FCN）、图像分割、U-Net、遥感、卷积神经网络（CNN）、云检测
更新于2025-09-09 09:28:46
-
[IEEE 2018年第25届国际图像处理会议(ICIP) - 希腊雅典 (2018.10.7-2018.10.10)] 2018年第25届IEEE国际图像处理会议(ICIP) - 近红外影像着色
摘要： 本文提出了一种基于堆叠条件生成对抗网络的近红外（NIR）图像着色方法。我们设计了一种生成对抗网络（GAN）的变体架构，该架构在条件概率生成模型上采用多重损失函数。研究表明，这种新架构/损失函数能更好地实现生成彩色红外图像的泛化与表征。我们在大型测试数据集上评估了所提方法，并使用标准指标与最新前沿技术进行了对比。
关键词： 卷积神经网络（CNN）、红外图像着色、生成对抗网络（GAN）
更新于2025-09-04 15:30:14
-
通过X射线CT和深度学习识别内部组件装配错误
摘要： 确保复杂产品的所有组件正确组装至关重要。由于许多情况下部分组件被封装在不透明外壳内，目前采用X射线成像技术提取其特征并与已知特征进行比对。但X射线成像在识别内部组件错误装配方面鲁棒性不足，因为某些组件可能相互重叠。为解决该问题，我们提出一种结合X射线计算机断层扫描（CT）与卷积神经网络（CNN）的新型内部组件装配故障检测方法：通过机械旋转产品使X射线CT机获取各内部组件的多视角投影信息，进而利用深度学习实现组件识别。训练CNN模型对内部组件分类并输出各组件坐标后，基于CNN识别结果与CT投影正弦图，可在标准产品的投影数据集中找到对应参考投影。通过比对各组件位置，可识别置换或错位情况。仿真与实验均表明，该方法能有效识别错误装配、缺失装配、组件置换等问题，显著提升产品质量。
关键词： 投影正弦图，组件识别，卷积神经网络（CNN），X射线CT
更新于2025-09-04 15:30:14