您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202009-47
论文题目 基于深度学习的遥感图像语义分割预测增强技术
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于深度学习的遥感图像语义分割预测增强技术

首发时间:2020-09-16

朱梁辉 1   

朱梁辉(1991-),男,主要研究方向:遥感图像处理

罗小波 1   

罗小波(1980-),男,教授、博导,主要研究方向:遥感图像处理和城市热岛

  • 1、重庆邮电大学计算机科学与技术学院,重庆,400065

摘要:目前,深度学习在许多与计算机视觉相关的任务中取得了显著的成果,以深度卷积神经网络为代表的分割方法也在遥感图像领域获得了快速发展。但由于深度学习网络结构参数众多,为了达到较高的精度,往往需要对训练集进行数据增强来减小模型的过拟合。然而,另外一种独立于网络模型,通过改进网络模型预测的方法也有效提高预测精度。本文论述了遥感语义分割的多种预测策略,并在ISPRSPotsdam 数据集上训练多个网络模型评估了这些预测策略。本文研究显示,使用预测增强技术相比不使用预测增强大约能提高2%到3%的分割精度,但随之而来的是需要更多的预测时间。

关键词: 语义分割 遥感图像 测试时增强 预测优化

For information in English, please click here

Remote Sensing Image Semantic Segmentation Prediction Augmentation Based on Deep Learning

ZHU Lianghui 1   

朱梁辉(1991-),男,主要研究方向:遥感图像处理

LUO Xaobo 1   

罗小波(1980-),男,教授、博导,主要研究方向:遥感图像处理和城市热岛

  • 1、School of Computer Science and Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065

Abstract:At present, deep learning has achieved remarkable results in many computer vision-related tasks, and segmentation methods represented by deep convolutional neural networks have also achieved rapid development in the field of remote sensing images. However, due to the numerous structural parameters of the deep learning network, in order to achieve higher accuracy, it is often necessary to enhance the training set to reduce the overfitting of the model. However, another method that is independent of the network model and improves the prediction accuracy of the network model is also effective. This article discusses multiple prediction strategies for remote sensing semantic segmentation, and trains multiple network models on the ISPRS Potsdam dataset to evaluate these prediction strategies. This article research shows that using predictive enhancement technology can improve segmentation accuracy by approximately 2% to 3% compared to not using predictive enhancement, but it also requires more prediction time.

Keywords: semantic segmentation remote sensing image test-time augmentation prediction optimization

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
朱梁辉,罗小波. 基于深度学习的遥感图像语义分割预测增强技术[EB/OL]. 北京:中国科技论文在线 [2020-09-16]. http://www.paper.edu.cn/releasepaper/content/202009-47.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于深度学习的遥感图像语义分割预测增强技术