典型矿山环境遥感地物智能识别方法的研究 |
论文目录 | | | 摘要 | 第1-5页 | | abstract | 第5-6页 | | 第1章 引言 | 第9-18页 | | 1.1 研究背景及意义 | 第9-10页 | | 1.2 国内外研究现状 | 第10-14页 | | 1.2.1 遥感图像目标识别技术的研究现状 | 第10-13页 | | 1.2.2 深度学习数据集的研究现状 | 第13-14页 | | 1.3 存在问题 | 第14-15页 | | 1.4 研究内容与方案 | 第15-17页 | | 1.4.1 研究内容 | 第16页 | | 1.4.2 研究方案 | 第16-17页 | | 1.5 全文组织方式 | 第17-18页 | | 第2章 矿山环境遥感地物数据规范 | 第18-26页 | | 2.1 矿山环境遥感数据特征 | 第18-19页 | | 2.2 矿山环境遥感地物实例分割数据集生成规范 | 第19-22页 | | 2.2.1 传统实例分割数据集生成方法 | 第19-21页 | | 2.2.2 矿山环境遥感地物实例分割数据集生成方法 | 第21-22页 | | 2.3 矿山环境遥感地物实例分割数据集组织规范 | 第22-26页 | | 2.3.1 数据集组织形式规范 | 第22-24页 | | 2.3.2 JSON数据结构规范 | 第24-26页 | | 第3章 典型矿山环境遥感地物智能识别方法 | 第26-43页 | | 3.1 实例分割数据集自动生成方法 | 第26-33页 | | 3.1.1 实例分割数据集遥感影像的自动分割方法 | 第26-31页 | | 3.1.2 实例分割数据集矢量信息的自动转换方法 | 第31-33页 | | 3.2 基于Mask R-CNN的实例分割方法 | 第33-43页 | | 3.2.1 深度残差网络 | 第35-37页 | | 3.2.2 特征金字塔 | 第37页 | | 3.2.3 区域推荐与处理 | 第37-41页 | | 3.2.4 全卷积神经网络 | 第41-43页 | | 第4章 实例分割数据集自动生成模块的实现 | 第43-61页 | | 4.1 整体框架设计 | 第43-44页 | | 4.2 流程设计 | 第44-45页 | | 4.3 功能设计 | 第45-47页 | | 4.4 方法设计 | 第47-51页 | | 4.4.1 遥感影像自动分割方法设计 | 第47-50页 | | 4.4.2 矢量信息自动转换方法设计 | 第50-51页 | | 4.5 详细设计 | 第51-55页 | | 4.6 实例分割数据集自动生成模块的应用 | 第55-58页 | | 4.6.1 数据加载 | 第55-56页 | | 4.6.2 数据集生成 | 第56-57页 | | 4.6.3 数据集批量生成 | 第57-58页 | | 4.6.4 实例分割数据集自动生成结果 | 第58页 | | 4.7 性能实验结果 | 第58-61页 | | 第5章 典型矿山环境遥感地物识别模型的构建与应用 | 第61-69页 | | 5.1 网络框架 | 第61-65页 | | 5.1.1 特征提取 | 第62-63页 | | 5.1.2 区域生成和推荐 | 第63-64页 | | 5.1.3 目标检测与图像分割 | 第64-65页 | | 5.2 实验结果及分析 | 第65-69页 | | 5.2.1 典型矿山环境遥感地物实例分割数据集 | 第65-66页 | | 5.2.2 模型训练策略 | 第66页 | | 5.2.3 评价指标与结果分析 | 第66-69页 | | 第6章 结论与展望 | 第69-71页 | | 6.1 结论 | 第69页 | | 6.2 展望 | 第69-71页 | | 致谢 | 第71-73页 | | 参考文献 | 第73-77页 | | 附录 | 第77页 |
|
|
|
| |
