阿基米德的优化算法量子扩展卷积神经网络用于远程传感图像中的道路提取

科学领域:

• 遥感 遥感 遥感 遥感
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 从遥感图像 (RSI) 进行自动道路提取至关重要,但由于道路外观的变化而具有挑战性.
• 深度学习 (DL) 方法有希望,但通常在RSI中与边界细节和高分辨率映射作斗争.
• 传统的卷积神经网络 (CNN) 在捕获复杂的细节和用于道路提取的上下文信息方面存在局限性.

研究的目的:

• 引入一种基于DL的新方法,阿基米德的优化算法,道路提取量子扩展卷积神经网络 (AOA-QDCNNRE),用于RSI的高分辨率道路细分.
• 提高DL模型的能力,以捕获本地和全球的上下文信息,以精确地提取道路特征.
• 通过阿基米德的优化算法利用超参数调整来提高量子扩展卷积神经网络 (QDCNN) 的性能.

主要方法:

• 该研究提出了AOA-QDCNNRE技术,该技术将量子扩展卷积神经网络 (QDCNN) 与阿基米德的优化算法 (AOA) 结合起来.
• QDCNN模型将量子技术 (QC) 与扩展卷积集成在一起,以扩大受体场,而不会失去空间分辨率,从而改善特征捕捉.
• AOA用于QDCNN模型的超参数调整,以优化道路开采结果.

主要成果:

• AOA-QDCNNRE技术成功生成了高分辨率的道路分段地图.
• 扩展卷曲的集成增强了网络捕捉精确道路特征的能力.
• 在基准数据库上的模拟结果表明,AOA-QDCNNRE在道路开采任务中表现优于现有的算法.

结论:

• AOA-QDCNNRE方法在远程传感图像的自动道路提取方面取得了重大进展.
• 提出的方法有效地解决了在复杂的RSI中保留细节和绘制高分辨率的挑战.
• 该研究强调了将量子启发的深度学习与优化算法相结合的潜力,以改进地理空间数据分析.