衛(wèi)星影像監(jiān)測(cè)與信息提取
（1）樣本標(biāo)記
（2）目標(biāo)識(shí)別
（3）動(dòng)態(tài)監(jiān)測(cè)
（4）遙感解譯
典型示例
基于DeepLabv3+的草地智能提取
基于深度學(xué)習(xí)的語(yǔ)義分割方法，引入DeepLabv3+卷積網(wǎng)絡(luò)模型，通過(guò)樣本學(xué)習(xí)訓(xùn)練，創(chuàng)建草地提取智能模型。該方法有效的解決了傳統(tǒng)草地分類方法耗時(shí)耗力、誤差大、精度低的問(wèn)題。
DeepLab模型
DeepLab模型的基礎(chǔ)網(wǎng)絡(luò):卷積層、池化層、激活函數(shù)、反卷積層。
DeepLabv3+模型的訓(xùn)練樣本由圖像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)兩部分組成。通過(guò)深度學(xué)習(xí)對(duì)樣本數(shù)據(jù)不斷迭代訓(xùn)練、學(xué)習(xí)草地特征。該方法解決了基礎(chǔ)網(wǎng)絡(luò)模型的缺少與對(duì)象邊界相關(guān)信息的問(wèn)題，并顯著提高了運(yùn)行性能和識(shí)別精度。
不同方法草地提取整體精度對(duì)比:
局部精度評(píng)價(jià):
衛(wèi)星影像解譯成果示例:
