面向梯田遥感识别的JAM-R-CNN深度网络模型

文献类型： 中文期刊

第一作者： 谢君洋

作者： 谢君洋;林安琪;吴浩;吴紫薇;吴文斌;余强毅

作者机构：

关键词： 遥感;梯田识别;高分辨率遥感影像;深度学习;跳跃网络;JAM-R-CNN

期刊名称： 遥感学报

ISSN： 1007-4619

年卷期： 2024 年 28 卷 012 期

页码： 3136-3146

收录情况： EI ; 北大核心 ; CSCD

摘要： 快速准确地掌握梯田的空间分布，不仅为水土保持提供重要的数据支撑，也提高了山区农业的监管水平。利用深度学习方法进行梯田识别，对于形状狭长的梯田容易因卷积运算而造成漏提现象，并且在山区地物边界不清晰的复杂背景下，易产生大面积粘连的识别结果，导致最终的梯田识别精度不高。为此，本研究提出了一种面向梯田遥感识别的JAM-R-CNN深度网络模型。该模型以Mask R-CNN为基础，融合跳跃网络来维持高分辨率遥感影像的高语义信息，引入卷积注意力机制模块来加强梯田的特征表达能力，修改模型的锚框大小以适应梯田狭长的特性。并以重庆市南川区的盐井梯田研究区域，基于国产高分二号（GF-2）卫星影像数据进行本研究模型验证实验。结果表明：JAM-R-CNN网络模型的梯田识别结果精确率为90.81%，召回率为84.28%,F1为88.98%,IoU为83.15%。相较于经典的Mask R-CNN模型，JAM-R-CNN网络模型的梯田识别精度较高，4个评价指标依次提升了1.96%、5.26%、3.29%和5.19%。此外，消融实验结果验证了模型改进的3个模块均对梯田识别有明显的促进作用。综上，本研究提出的JAM-R-CNN深度网络模型能够有效减少梯田识别结果的粘连现象，明显提高了狭长型梯田的提取率，实现了梯田遥感识别整体精度的显著提升，具有较好的应用价值。

分类号： S127

  • 相关文献

[1]融合多尺度特征和注意力机制的油菜倒伏分类. 郑权,乔江伟,李婕,秦涛,涂静敏,李礼,蒋琦. 2024

[2]基于深度学习模型的种植结构复杂区农作物精细分类研究. 田甜,王迪,王珍,李会宾. 2022

[3]基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别. 赵红伟,陈仲新,姜浩,刘佳. 2020

[4]基于GF-6时序数据的农作物识别深度学习算法评估. 陈诗扬,刘佳. 2021

[5]时空协同的农业种植结构遥感精细制图. 张冬韵,吴田军,骆剑承,董文,孙营伟,杨颖频,海云瑞,孟博文,刘巍. 2024

[6]基于Deeplabv3+模型的成都平原水产养殖水体信息提取. 苟杰松,蒋怡,李宗南,董秀春,吴柏清,刘忠友. 2021

[7]遥感技术的发展现状及在天府粮仓建设中的应用建议. 董秀春,黄平,吴尚蓉,蒋怡,李章成,魏来,王小燕,陈志民. 2023

[8]卷积神经网络在高分辨率影像分类中的应用. 李贤江,陈佑启,邹金秋,石淑芹,郭涛,蔡为民,陈浩. 2019

[9]基于改进Faster-RCNN网络的无人机遥感影像桃树检测. 程嘉瑜,陈妙金,李彤,孙奇男,张小斌,赵懿滢,朱怡航,顾清. 2024

[10]Landsat 8地表温度产品降尺度深度学习方法研究. 张义峥,吴鹏海,段四波,杨辉,殷志祥. 2021

[11]基于高分辨率遥感影像的设施农业资源信息采集技术研究. 罗军,潘瑜春,王纪华,陆洲,曹荣龙,阎广建. 2007

[12]基于CRF模型的高分辨率遥感影像变化检测. 魏立飞,牟紫微,王晓燕,李丹丹. 2017

[13]基于建筑遥感指数与面向对象的高分影像农村建筑物信息提取. 马海荣,沈祥成,罗治情,陈聘婷,官波. 2021

[14]基于机器学习的高分辨率遥感影像农业大棚提取. 马海荣,罗治情,陈聘婷,官波. 2020

[15]融合语义特征与边缘特征的枸杞空间分布提取. 尹昊,张承明,李剑萍,韩颖娟,侯学会. 2022

[16]基于高分辨率遥感影像的耕地信息快速提取方法研究. 孙家波,张晓艳,牛鲁燕,刘延忠,刘炳福,张维战. 2018

[17]深度学习方法在农业领域的研究及应用. 马聪,张建华,陈学东,朱丹. 2020

[18]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[19]基于卷积神经网络的农机图像自动识别研究. 雷雪梅,张光强,姚旗,刘伟渭,邱帅. 2022

[20]基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究. 冯裕清,杨信廷,徐大明,罗娜,陈枫,孙传恒. 2022

作者其他论文 更多>>

微信小程序