Se propone un algoritmo de segmentación semántica de imágenes de teledetección basado en la red ENet mejorada para mejorar la precisión de la segmentación. En primer lugar, se introducen las convoluciones dilatadas y las convoluciones de descomposición en la etapa de codificación. Se utilizan en conjunto con la convolución ordinaria para aumentar el campo receptivo del modelo. Cada salida de convolución contiene un rango más amplio de información de la imagen. En segundo lugar, en la etapa de decodificación, se obtiene la información de imagen de diferentes escalas a través de la operación de upsampling y luego a través de las operaciones de compresión, excitación y reponderación del módulo Squeeze and Excitation (SE). El peso de cada canal de características se recalibra para mejorar la precisión de la red. Finalmente, se utilizan la función de activación Softmax y la función Argmax para obtener el resultado final de segmentación. Los experimentos muestran que nuestro algoritmo puede mejorar significativamente la precisión de la segmentación semántica de imágenes de teledetección.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículos:
Control de formación variable en el tiempo limitado por energía para sistemas multiagente de segundo orden
Artículos:
Algoritmo de Agrupamiento K-Means y su Simulación Basada en Plataforma de Computación Distribuida
Artículos:
Mayor eficiencia energética de la imagen en los dispositivos inteligentes OLED
Artículos:
El efecto de la probabilidad de detección errónea en el rendimiento de los sistemas de radio cognitivos basados en la retransmisión cooperativa
Artículos:
El modelo Lomax-Claim: Extensión bivariada y aplicaciones a datos financieros
Artículos:
La curva S como herramienta para la planeación y control de procesos de construcción: casos de estudio
Artículos:
Investigación sobre control de costos de proyectos de construcción con base en la teoría de construcción sin pérdidas y BIM : caso práctico
Artículos:
Agua subterránea : el recurso oculto
Artículos:
Modelo de aceptación de las tecnologías basadas en la inteligencia artificial (IA) en las empresas de construcción: Aplicación del Modelo de Aceptación de la Tecnología (TAM) en combinación con el Marco Tecnología-Organización-Entorno (TOE)