Resumen

Este documento utiliza un algoritmo mejorado de aprendizaje profundo para juzgar la racionalidad del diseño de reconocimiento de características de imagen de paisaje. Se propone la preprocesamiento de la imagen para mejorar los datos. Las deficiencias en la extracción de características del paisaje se abordan aún más en base al nuevo modelo. Luego, se utiliza el método de entrenamiento de dos etapas del modelo para resolver los problemas de largo tiempo de entrenamiento y dificultades de convergencia en el aprendizaje profundo. Se proponen métodos innovadores para la segmentación y entrenamiento de patrones de características de paisaje, lo que hace que el entrenamiento del modelo sea más rápido y genere patrones de paisaje más creativos. Debido al impacto de demasiados tipos de elementos de paisaje en las imágenes de paisaje, las redes neuronales convolucionales tradicionales ya no pueden resolver eficazmente este problema. Sobre esta base, se diseña un modelo de red neuronal totalmente convolucional para realizar la segmentación semántica de elementos de paisaje en imágenes de paisaje. A través del método de deconvolución, se realiza

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Algoritmo de aprendizaje profundo; Reconocimiento de características de imágenes de paisajes; Preprocesamiento; Deficiencias; Método de entrenamiento en dos etapas; Segmentación semántica
• Keywords:Deep learning algorithm; Landscape image feature recognition; Preprocessing; Deficiencies; Two-stage training method; Semantic segmentation