發(fā)布時(shí)間：2021-03-14 23:30

　　目的遙感影像地物提取是遙感領(lǐng)域的研究熱點(diǎn)。由于背景和地物類型復(fù)雜多樣,單純利用傳統(tǒng)方法很難對(duì)地物類別進(jìn)行準(zhǔn)確區(qū)分和判斷,因而常常造成誤提取和漏提取。目前基于卷積神經(jīng)網(wǎng)絡(luò)CNN（convolutional neural network）的方法進(jìn)行地物提取的效果普遍優(yōu)于傳統(tǒng)方法,但需要大量的時(shí)間進(jìn)行訓(xùn)練,甚至可能出現(xiàn)收斂慢或網(wǎng)絡(luò)不收斂的情況。為此,基于多視覺(jué)信息特征的互補(bǔ)原理,提出了一種雙視覺(jué)全卷積網(wǎng)絡(luò)結(jié)構(gòu)。方法該網(wǎng)絡(luò)利用VGG（visual geometry group） 16和Alex Net分別提取局部和全局視覺(jué)特征,并經(jīng)過(guò)融合網(wǎng)絡(luò)對(duì)兩種特征進(jìn)行處理,以充分利用其包含的互補(bǔ)信息。同時(shí),將局部特征提取網(wǎng)絡(luò)作為主網(wǎng)絡(luò),減少計(jì)算復(fù)雜度,將全局特征提取網(wǎng)絡(luò)作為輔助網(wǎng)絡(luò),提高預(yù)測(cè)置信度,加快收斂,減少訓(xùn)練時(shí)間。結(jié)果選取公開(kāi)的建筑物數(shù)據(jù)集和道路數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),并與二分類性能優(yōu)異的U-Net網(wǎng)絡(luò)和輕量型Mnih網(wǎng)絡(luò)進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,本文提出的雙視覺(jué)全卷積網(wǎng)絡(luò)的平均收斂時(shí)間僅為U-Net網(wǎng)絡(luò)的15. 46%;提取精度與U-Net相當(dāng),遠(yuǎn)高于Mnih;在95%的置信水平上,該網(wǎng)絡(luò)的置信區(qū)間明顯優(yōu)... 

【文章來(lái)源】：中國(guó)圖象圖形學(xué)報(bào). 2020,25(03)北大核心

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)與全卷積網(wǎng)絡(luò)區(qū)別及應(yīng)用領(lǐng)域

DVFCN網(wǎng)絡(luò)結(jié)構(gòu)

更大的視野區(qū)域可以給出更可靠的信息

【參考文獻(xiàn)】：
期刊論文
[1]高分辨率遙感影像建筑物分級(jí)提取[J]. 游永發(fā),王思遠(yuǎn),王斌,馬元旭,申明,劉衛(wèi)華,肖琳.  遙感學(xué)報(bào). 2019(01)
[2]基于深度學(xué)習(xí)的高分辨率遙感影像建筑物提取方法[J]. 范榮雙,陳洋,徐啟恒,王競(jìng)雪.  測(cè)繪學(xué)報(bào). 2019(01)
[3]基于U型卷積神經(jīng)網(wǎng)絡(luò)的航空影像建筑物檢測(cè)[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測(cè)繪學(xué)報(bào). 2018(06)
[4]利用格式塔的高分辨率遙感影像建筑物提取[J]. 李青,李玉,王玉,趙泉華.  中國(guó)圖象圖形學(xué)報(bào). 2017(08)
[5]基于Hough變換和路徑形態(tài)學(xué)的城區(qū)道路提取[J]. 劉小丹,劉巖.  計(jì)算機(jī)工程. 2012(06)



本文編號(hào)：3083150