相关实验视频
Updated: Sep 11, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
9.3K
基于DeepLabV3+的空中图像的语义细分,使用改进的红色海豚优化算法进行了改进
P Anilkumar1, K Lokesh2, A Naveen Kumar3
1Department of Electronics and Communication Engineering, Mother Theresa Institute of Engineering and Technology, Palamaner, Andhra Pradesh, 517408, India.
Scientific reports
|August 18, 2025
概括
本研究介绍了一种有效的深度学习方法,用于空中图像的语义细分,解决有限数据监督学习的局限性. 这种新方法提高了图像质量,并提取了多尺度的特征,以提高遥感应用中的精度.
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:
- 对空中图像进行语义细分的监督学习需要广泛的像素级标记数据,这往往很少.
- 现有的深度语义细分网络 (DSSN) 在处理高分辨率空中图像时,特别是在提取多层次语义细节时,都在努力提高效率和准确性.
研究的目的:
- 开发一种有效的基于深度学习的语义细分方法,用于更高质量的空中图像,克服数据稀缺的局限性并提高效率.
- 增强多尺度语义细节的提取,这对于遥感应用中的准确细分至关重要.
主要方法:
- 用一种启发式技术来设计语义细分方法,利用空中照片收集的标准信息来源.
- 多尺度RetiNex (MSRN) 技术用于图像质量提升,其次是多尺度特征调整-转换-Deeplabv3+ (MSTDeepLabV3+) 系统用于特征提取.
- 改进红色海豚优化 (IRPO) 方法被用于微调MSTDeepLabV3+系统的参数.
主要成果:
- 提出的方法成功地在增强的空中图像上执行语义细分.
- 实验评估表明,实施的模型在空中图像分割的准确性和效率方面表现出色.
结论:
- 开发的启发式深度学习技术为空中图像的语义细分提供了有效的解决方案,特别是在具有有限标记数据的场景中.
- 结合MSRN,MSTDeepLabV3+和IRPO,为提高远程传感图像分析的准确性和效率提供了一个强大的框架.
