注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于 B P神经网络的遥感影像分类方法

  2. 为了消除传统的遥感影像分类所带来的模糊性和不确定性，采用 B P神经网络进行遥感影像分类。利用 Matlab软件构建 B P网络遥感影像分类算法，通过对 B P网络算法进行改进，采用动量． 自适应学习速率调整算 法克服了网络训练速度慢、不易收敛到全局最优等缺点。对一幅全色遥感图像通过300次训练后，输出能真实反映地类的影像图，其分类总精度为86.67 ％，Kappa系数为0.82，分类精度能够满足遥感图像分类的需要。

  3. 所属分类：网络基础

  1. 遥感解译计算Kappa系数

  2. 遥感图像分类Kappa系数遥感图像分类Kappa系数遥感图像分类Kappa系数遥感图像分类Kappa系数

  3. 所属分类：C++

    • 发布日期：2011-04-08
    • 文件大小：358400
    • 提供者：lijie45655

  1. 监督分类KAPPA系数

  2. 遥感数字图像计算机分类，监督分类，kappa系数的实现

  3. 所属分类：C/C++

    • 发布日期：2011-04-24
    • 文件大小：3072
    • 提供者：rwjdream

  1. 基于相似性测度和极限学习机的遥感图像分类研究.pdf

  2. 为了提高遥感图像的分类精度,将遥感图像的相似性测度作为遥感图像的分类特征,运用极限学习机的快速收敛能力和泛化能力,提出一种基于相似性测度和极限学习机的遥感图像分类方法。选取分类精度和Kappa系数作为评价指标。研究结果表明,提出的方法可以有效提高遥感图像的分类精度

  3. 所属分类：深度学习

    • 发布日期：2019-05-13
    • 文件大小：1048576
    • 提供者：mirna

  1. 基于遥感和GIS的土地利用/土地覆被分类准确性评估

  2. 遥感是一种工具，它通过称为图像分类的过程对于生产土地用途和土地覆盖图非常重要。 为了使图像分类过程成功，应考虑几个因素，包括高质量Landsat图像和辅助数据的可用性，精确的分类过程以及用户的经验和程序专业知识。 这项研究的目的是使用遥感和地理空间信息系统（GIS）技术对研究区域的土地利用/土地覆盖进行分类和绘制地图。 这项研究包括两个部分（1）土地利用/土地覆被（LULC）分类和（2）准确性评估。 在这项研究中，监督分类是使用非参数规则进行的。 土地利用，土地利用的变化和变化的主要类别是农业（

  3. 所属分类：其它

    • 发布日期：2020-06-05
    • 文件大小：2097152
    • 提供者：weixin_38646659

  1. PFWG改进的CNN多光谱遥感图像分类

  2. 为了实现在遥感图像处理过程中准确地提取到有效地物信息, 缩短分类用时, 将卷积神经网络（CNN）模型引入遥感图像地物分类, 首先提出由图片模糊加权平均（PFWG）改进的CNN分类方法, 利用模糊几何聚类算法作为预处理单元对实验样本进行特征规划, 并对遥感地物信息进行多源特征决策, 简化了分类过程, 加快了CNN模型的收敛速度。实验结果表明, 利用PFWG改进的CNN分类方法总体分类精度达到了93.73%; Kappa系数为0.94。该方法有效地弥补了CNN自身对遥感图像分类不够细腻、表达效果差的

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：9437184
    • 提供者：weixin_38664469

  1. 基于卷积神经网络的高分遥感影像单木树种分类

  2. 树种调查一直面临着成本高、效率低、精度不高等问题。利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类。基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类。在利用高分影像半自动化构建单木树种遥感影像样本集过程中,采用了影像冠层切片(CSI)圈定、人工标注、数据增强等方法;同时为了训练单木树种遥感影像样本集,对5个CNN模型进行针对性改写。通过对比分析发现:LeNet5

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：4194304
    • 提供者：weixin_38640168

  1. 基于神经网络的遥感图像语义分割方法

  2. 为了提高遥感图像语义分割的效果和分类精度,设计了一种结合ResNet18网络预训练模型的双通道图像特征提取网络。将多重图像特征图进行拼接,融合后的特征图具有更强的特征表达能力。同时,采用批标准化层和带有位置索引的最大池化方法进一步优化网络结构,提升地表目标物的分类准确率。通过实验,将所提方法与多种神经网络方法进行准确率和Kappa系数比较。结果显示,所提的网络结构可以在小数据量样本下取得90.68%的总体准确率,Kappa系数达到了0.8595。相比其他方法,所提算法取得了更好的语义分割效果,并

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：20971520
    • 提供者：weixin_38644097