使用阿基米德调过程与量子扩展卷积神经网络提取道路
Mohd Jawed Khan1, Pankaj Pratap Singh1, Biswajeet Pradhan2,3
1Department of Computer Science & Engineering, Central Institute of Technology, Kokrajhar 783370, Assam, India.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
本研究介绍了一种先进的深度学习模型,用于从遥感图像中自动提取道路网络. 这种新的方法显著提高了道路细分的准确性,超过了现有的方法.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 从遥感 (RS) 图像中自动提取道路网络至关重要,但由于道路特性多样化,具有挑战性.
- 传统方法与不同的道路特征作斗争,需要先进的技术来进行高分辨率的细分.
研究的目的:
- 提出和评估阿基米德调过程量子扩展卷积神经网络用于道路提取 (ATP-QDCNNRE) 技术.
- 通过使用深度学习和优化算法从RS数据中提取道路的精度和效率.
主要方法:
- ATP-QDCNNRE方法使用量子扩展卷积神经网络 (QDCNN) 模型,结合量子计算概念和扩展卷积.
- 使用阿基米德优化算法 (AOA) 进行超参数调整,以优化QDCNN模型用于道路开采.
- 该模型捕获了本地和全球的上下文信息,同时保持了空间分辨率,用于精细的道路特征提取.
主要成果:
- 在马萨诸塞州的道路数据集上,ATP-QDCNNRE方法取得了高性能.
- 关键指标包括75.28%的交叉超过联盟 (IoU),95.19%的平均交叉超过联盟 (MIoU),90.85%的F1得分,87.54%的精度和94.41%的回忆.
结论:
- ATP-QDCNNRE方法证明了从遥感图像中提取道路的卓越效率和准确性.
- 深度学习,量子计算概念和高级优化的整合显著提高了细分能力.
