典型文献
基于深度监督的TransUNet可见光卫星图像分割
文献摘要：
随着人造卫星技术的不断发展,给民用探测带来了诸多便利的同时,也带来了越来越多的挑战.精确定位卫星的重要部件,对故障卫星和太空垃圾的准确抓捕和维修至关重要.文章提出基于深度监督的TransUNet(Deep Supervised TransUNet:DSTransUNet)对卫星目标、星体和太阳翼进行像素级的识别与分割.通过对TransUNet解码过程中多层神经网络特征图进行深度监督,提高可见光卫星图像的分割精度,并进一步通过仿真方法构建卫星部件图像数据集,使用交叉验证的方法对DSTransUNet及7种现有神经网络深度学习方法的分割精度进行了评估.文章提出的方法对卫星星体的分割准确率达到90.51％±6.86％,对卫星太阳翼的分割准确率达到91.63％±13.07％,对宇宙背景的分割准确率达到97.43％±2.85％,对数据集的总体像素分割准确率达到了97.08％±3.37％,其分割性能优于其他神经网络模型.
文献关键词：
卫星部件;图像分割;深度学习;遥感应用
中图分类号：
作者姓名：
侯作勋;鲁泓言;武伟超;周家乐;屈晓磊
作者机构：
北京空间机电研究所,北京 100094;北京航空航天大学仪器科学与光电工程学院,北京 100191;北京理工大学光电学院,北京 100081
文献出处：
引用格式：
[1]侯作勋;鲁泓言;武伟超;周家乐;屈晓磊-.基于深度监督的TransUNet可见光卫星图像分割)[J].航天返回与遥感,2022(05):142-149
A类：
TransUNet,DSTransUNet
B类：
深度监督,可见光,卫星图像,图像分割,人造卫星,精确定位,太空,抓捕,Deep,Supervised,星体,太阳翼,行像,像素级,解码,多层神经网络,网络特征,特征图,仿真方法,卫星部件,图像数据集,交叉验证,有神,深度学习方法,星星,体像,遥感应用
AB值：
0.345623
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
