-
题名耦合NDVI与纹理时序特征的地块作物遥感分类
- 1
-
-
作者
史洁宁
吴田军
黄启厅
骆剑承
任应超
徐欣雨
-
机构
长安大学理学院
长安大学土地工程学院
广西农业科学院农业科技信息研究所
中国科学院空天信息创新研究院遥感科学国家重点实验室
中国科学院大学资源与环境学院
中国科学院空天信息创新研究院国家遥感应用工程技术研究中心
-
出处
《南方农业学报》
北大核心
2025年第1期29-40,共12页
-
基金
国家重点研发计划项目(2021YFB3900905)
河北省中央引导地方科技发展资金项目(236Z0104G)。
-
文摘
【目的】充分挖掘遥感影像的时间和空间信息,准确识别地块作物类型,为作物类型空间分布制图、产量估计及农业生产决策等提供可靠的数据支持。【方法】以Google Earth影像为参考,获得美国加利福尼亚州金斯县完整的地块边界,利用多时相Sentinel-2影像构建地块归一化植被指数(NDVI)时间序列和时间—纹理二维表征图作为分类特征,NDVI时间序列捕捉作物生长的物候变化,时间—纹理二维表征图捕捉空间特征随时间的动态变化,进而使用卷积神经网络(CNN)+长短时记忆网络(LSTM)双流架构来联合时间和空间特征实现农田作物的准确识别。【结果】与仅使用NDVI时序的传统方法相比,纳入纹理时序后的方法明显提高分类精度,随机森林的分类精度由0.89提升至0.93,支持向量机的分类精度由0.88提升至0.93,表明加入空间特征的纹理时序能有效提升作物分类能力;而使用CNN+LSTM双流架构分类模型进行地块作物分类的总体精度达0.95,特别是葡萄和冬小麦的分类精度提升效果明显,F_(1)分别提升至0.90和0.92,表明相较于传统的分类器,使用CNN+LSTM双流架构可实现更精准的地块作物识别。【建议】在种植结构复杂、农作物生长习性相近的地区进行地块作物遥感分类时,考虑将纹理时序特征纳入分类体系,并使用CNN+LSTM双流架构分别捕捉作物生长的时间和空间特征。这种综合应用时间和空间信息的方法,能提升地块作物分类的准确度。
-
关键词
作物分布
地块尺度
归一化植被指数(NDVI)
时间序列
空间纹理特征
cnn+lstm双流架构
-
Keywords
crop distribution
land parcel scale
normalized difference vegetation index(NDVI)
time series
spatial texture features
cnn+lstm dual-stream architecture
-
分类号
S127
[农业科学—农业基础科学]
-
-
题名基于视觉注意力的人体行为识别
被引量：3
- 2
-
-
作者
孔言
梁鸿
张千
-
机构
中国石油大学(华东)计算机与通信工程学院
-
出处
《计算机系统应用》
2019年第5期42-48,共7页
-
基金
国家科技部创新方法工作专项(2015IM010300)~~
-
文摘
视频中人体行为识别是近年来计算机视觉中的一个重要研究领域,但是现有的方法对于视频表示方式存在不足,无法聚焦于图像内的显著区域.提出了一种基于视觉注意力的深度卷积神经网络,可以有效地为视频表示特征附加一个权重,对特征中的有益区域进行注意,实现更加准确的行为识别.在自建的Oilfield-7油田数据集和HMDB51数据集上进行了实验,以此来验证适用于油田现场人体行为所提出的网络模型的有效性.实验结果表明,所提的方法与已取得优异表现的双流架构相比具有一定的优越性.
-
关键词
行为识别
双流架构
卷积神经网络(cnn)
视频表示
视觉注意力
-
Keywords
action recognition
two-stream architecture
Convolutional Neural Network (cnn)
video representation
visual attention
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名群体行为识别深度学习方法研究综述
被引量：6
- 3
-
-
作者
裴利沈
赵雪专
-
机构
河南财经政法大学计算机与信息工程学院
郑州航空工业管理学院智能工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2022年第4期775-790,共16页
-
基金
国家自然科学基金(61806073)
河南省重点研发与推广专项(科技攻关)基金(192102210097,192102210126,212102210160)。
-
文摘
群体行为识别是计算机视觉领域应用广泛且亟待解决的重要研究问题。伴随着深度神经网络的发展,群体行为识别与理解的宽度与深度也在不断扩展。通过调研近十年来群体行为识别的研究文献,确定了目前群体行为识别研究的问题定义;指出了群体行为识别研究现存的问题与挑战;在深度学习网络架构下,描述了从早期仅仅对群体行为进行分类识别,到如今更加侧重于对行为群体中活动细节理解的群体行为识别算法的发展历程;重点介绍了以卷积神经网络CNN/3DCNN、双流网络Two-Stream Network、循环神经网络RNN/LSTM和Transformer等网络架构为基础的,主流群体行为识别算法的核心网络架构和主要研究思路,对各算法在常用公共数据集上的识别效果进行了对比;对标注了群体行为类型和个体行为类别等多级标签的常用的群体行为数据集进行了梳理和对比。期望通过客观的对各种算法优缺点的讨论分析,引发读者提出群体行为识别研究的新思路或新问题。最后,对群体行为分析的未来发展进行了展望,期待能够启发新的研究方向。
-
关键词
群体行为识别
深度学习
深度神经网络架构
卷积神经网络(cnn)
长短时记忆神经网络(lstm)
-
Keywords
collective activity recognition
deep learning
deep neural network architecture
convolutional neural network(cnn)
long short-term memory(lstm)neural network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
