1 丽水市国土空间规划测绘研究院,浙江 丽水 323000
2 浙南综合工程勘察测绘院有限公司,浙江 杭州 310030
3 浙江省测绘科学技术研究院,浙江 杭州 311121
4 南京航空航天大学航天学院,江苏 南京 210016
针对全波形激光雷达和多光谱数据下土地覆盖误分类问题,提出了融合陆地卫星(Landsat)多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查(GEDI)数据进行土地覆盖分类的方法。首先,根据实地调查数据建立数据集;然后,采用支持向量机(SVM)方法来实现激光雷达足迹的土地覆盖分类;最后,对土地覆盖的分类结果进行评价。结果表明,在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%,相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。
测量 全球生态系统动力学调查 支持向量机 土地覆盖分类 Landsat
江苏大学电气信息工程学院,江苏 镇江 212013
激光点云技术可用于苗圃树木生长状态监测与管理,为农业植保机器人提供有效的靶标信息。为了进一步提高树种分类和树冠、树干内部分割的精准性,提出一种基于改进PointNet++的激光点云苗圃树木分类与分割方法。首先,调整PointNet++深度网络邻居点云的相对特征值,同时融合三维点云的低维和高维特征,充分利用各层级点云的特征。然后,将坐标注意力模块与注意力池化融合,进一步增强局部特征提取的能力,提高分类和分割的准确性。最后,针对苗圃常见树木自制了包含7类苗圃景观树木点云的数据集并用于实验。实验结果表明,提出的树种识别方法总体精度可达92.50%,平均类别精度为94.22%;提出的树冠、树干分割方法的平均交并比为89.09%。所提方法在分类和分割性能方面均明显优于经典的PointNet和PointNet++,能够为苗圃树木检测识别和农业机器人作业提供更精确的信息。
遥感 激光雷达 深度学习 树种分类 苗圃树木树冠和树干分割 PointNet++
1 厦门理工学院 电气工程与自动化学院,福建 厦门 361024
2 中国科学院 福建物质结构研究所,福建 福州 350108
3 中国科学院 海西研究院 泉州装备制造研究中心,福建 泉州 362000
4 厦门市高端电力装备及智能控制重点实验室,福建 厦门 361024
激光雷达数据由于其几何特性,被广泛应用于三维目标检测任务中。由于点云数据的稀疏性和不规则性,难以实现特征提取的质量和推理速度间的平衡。本文提出一种基于体柱特征编码的三维目标检测算法,以Pointpillars网络为基础,设计Teacher-Student模型框架对回归框尺度进行蒸馏,增加蒸馏损失,优化训练网络模型,提升特征提取的质量。为进一步提高模型检测效果,设计定位引导分类项,增加分类预测和回归预测之间的相关性,提高物体识别准确率。本网络所做改进没有引入额外的网络嵌入。算法在KITTI数据集上的实验结果表明,相比于基准网络,在三维模式下的平均精度值从60.65%提升到了64.69%,鸟瞰图模式下的平均精度值从67.74%提升到70.24%。模型推理速度为45 FPS,在提升检测精度的同时满足了实时性要求。
激光点云 三维目标检测 知识蒸馏 分类置信度 laser point cloud 3D object detection knowledge distillation classification confidence
1 长安大学地质工程与测绘学院,陕西 西安 710054
2 中国自然资源航空物探遥感中心,北京 100083
3 武汉大学测绘遥感信息工程国家重点实验室,湖北 武汉 430079
目前主流的神经网络在面对复杂多样的地物目标时难以精确区分,同时样本数量少、弱监督条件也容易为神经网络带来大量噪声与错误。为此,在分析遥感影像的地物特点后,提出一种基于权重动态变形的双重网络遥感影像分类方法,通过构架灵活、简易却有效的权重动态变形结构,构建经过改进的分类网络与目标识别网络,形成双网络对照的自我验证,从而提高学习性能、修复误差、增补遗漏、提高分类精度。实验结果表明,所提方法在容易实施的基础上,表现出更强的地物认知能力和更强的噪声抵抗能力,即其能够适应各种遥感影像的分类任务,具有较为广阔的应用潜力。
遥感影像分类 神经网络 权重动态变形 双重神经网络 自我验证 激光与光电子学进展
2024, 61(8): 0828001
针对肺结节计算机断层(CT)图像具有的细节多样性以及类间相似性的问题,构建了一种集卷积神经网络(Convolutional neural network,CNN)和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先,以窗口多头自注意力和滑动窗口多头自注意力为基础,构建全局特征块,用于捕获结节的形态特征;以大核注意力为基础构建局部特征块,用于提取结节的纹理、密度等内部特征。其次,设计特征融合块用于融合上一阶段的局部与全局特征,使每一条路径都能获得更综合的判别信息。然后,引入KL(Kullback-leibler)散度来增加不同尺度特征之间的分布差异性,优化网络性能。最后,采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验,网络的分类准确率、召回率、精确率、特异性、受试者操作特征(ROC)曲线下的面积(Area under curve,AUC)分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明,所提方法具有较好的肺结节良恶性分类能力。
肺结节良恶性分类 CT图像 局部-全局特征 Transformer 注意力机制 激光与光电子学进展
2024, 61(8): 0837002
山东中医药大学智能与信息工程学院,山东 济南 250355
甲状腺结节是成人临床最常见的结节性病变之一,发病率一直居高不下。甲状腺结节有良性和恶性之分,后者即为甲状腺癌,会造成患者呼吸吞吐困难甚至危及患者生命。因此,识别甲状腺结节的良恶性是诊断和治疗甲状腺结节的首要问题。深度学习能够自动提取结节特征,并完成甲状腺结节的良恶性初步分类。随着深度学习分类准确率的不断提高,目前它已成为甲状腺结节良恶性辅助诊断的重要手段。为更好地进行甲状腺结节良恶性分类辅助诊断研究,对常用的结节分类性能评价指标进行介绍;按卷积神经网络、Transformer、深度神经网络、生成对抗网络、迁移学习、集成学习以及基于深度学习的计算机辅助诊断系统进行分类,对它们在甲状腺结节良恶性分类中的应用进行阐述,并进行综合对比分析;总结了目前研究中存在的问题,并对未来的研究方向进行了展望。
甲状腺结节 良恶性分类 深度学习 图像处理 辅助诊断 激光与光电子学进展
2024, 61(8): 0800002