由于遙感影像中建筑物種類繁多且與周圍環(huán)境信息混淆,傳統(tǒng)方法難以實(shí)現(xiàn)建筑物的準(zhǔn)確高效提取.本文提出了一種基于改進(jìn)Mask-RCNN的建筑物自動(dòng)提取方法,利用PyTorch深度學(xué)習(xí)框架搭建改進(jìn)Mask-RCNN網(wǎng)絡(luò)模型架構(gòu),在網(wǎng)絡(luò)的設(shè)計(jì)中添加了路徑聚合網(wǎng)絡(luò)和特征增強(qiáng)功能,通過(guò)監(jiān)督和遷移學(xué)習(xí)的方式對(duì)Inria航空影像標(biāo)簽數(shù)據(jù)集進(jìn)行多線程迭代訓(xùn)練與模型優(yōu)化學(xué)習(xí),實(shí)現(xiàn)了建筑物的自動(dòng)精確分割和提取.基于不同開源數(shù)據(jù)集,分別與SVM、FCN、U-net和Mask-RCNN等建筑物提取算法進(jìn)行對(duì)比,實(shí)驗(yàn)表明,本文方法可以高效準(zhǔn)確、高效地提取建筑物,對(duì)于同一個(gè)數(shù)據(jù)集,提取結(jié)果的mAP、mRecall、mPrecision和F1分?jǐn)?shù)這4個(gè)評(píng)價(jià)指標(biāo)均優(yōu)于對(duì)比算法. 

【文章來(lái)源】：計(jì)算機(jī)系統(tǒng)應(yīng)用. 2020,29(09)

【文章頁(yè)數(shù)】：8 頁(yè)


本文編號(hào)：2970195