高分辨率遙感影像能夠反映下墊面豐富的細節(jié)信息,為地表特征信息的提取提供了可靠的數據源。源于城市的高度復雜性,城市建筑物信息的提取一直是基于高分辨率遙感影像信息提取的熱點和難點。對城市建筑物的精確提取有利于高分遙感在城市規(guī)劃、智慧城市建設等領域的深入應用和擴展。面向對象的城市建筑物信息提取方法在實際應用中存在精度不高、后處理工作量大等局限,而近年來深度學習技術的發(fā)展為提升城市建筑物信息提取的精度提供了可能。深度卷積神經網絡可以通過從大量圖像構成的數據集中自動學習到圖像中目標的高級抽象特征,從而完成圖像的目標識別與分割,如FCN、U-Net和SegNet等。城市建筑物在高分影像中存在復雜的特征信息,構建深度卷積神經網絡若能充分學習和融合影像中隱含的建筑物高級特征信息,并將其用于影像分類,必將提高基于高分影像進行建筑物信息提取的精度�；诖�,本文分析了FCN、U-Net、SegNet的優(yōu)點與不足,在U-Net網絡的基礎上,通過融合多個級別的特征層,構建了一種多級特征參與決策的全卷積神經網絡算法。利用公開的Mnih建筑物數據集對本網絡進行測試,在交并比等精度指標上均能達到80%以上,明顯優(yōu)于U-Net與SegNet的建筑物提取結果。為充分利用GF-2衛(wèi)星影像的全色和多光譜數據,本文設計了單輸入和雙輸入兩種模型,其中雙輸入模型可以綜合學習兩個分辨率數據中的特征,能夠對城市建筑物信息進行學習和融合。通過與面向對象的GF-2影像建筑物提取結果進行對比,表明,無論是單輸入模型還是雙輸入模型,其建筑物提取結果的精確率、召回率和交并比均有較大幅度提升。其中雙輸入模型的建筑物提取精確率和交并比指標較單輸入模型分別提高5.51%和5.78%。這表明,本文所設計的多級特征參與決策的全卷積神經網絡算法及雙輸入模型,能夠有效提升城市建筑物信息提取的精度,為城市建筑物信息的規(guī)模化提取提供有效的途徑。
【學位單位】：北京建筑大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：P237
【部分圖文】：

圖 1-1 城市建筑物信息提取技術流程Fig.1-1 Technological flowchart of Information Extraction of Urban Buildings（1）深入研究 FCN、SegNet、U-Net 三個語義分割網絡，分析這三個網絡結點，進而通過加強網絡中不同級別特征的融合對 U-Net 進行了改進，構建了基征參與決策的全卷積神經網絡。利用公開的 Mnih 建筑物數據集，對基于 Seet 和改進的 U-Net 進行了模型訓練與建筑物信息提取，實驗結果表明，本文構模型，能夠增強模型訓練的魯棒性并在一定程度上提高建筑物提取精度，并且同級別、不同尺度的特征融合進網絡的決策層中對大尺度建筑物的完整提取更（2）基于本文構建的網絡對長春城區(qū)的 GF-2 衛(wèi)星影像進行城區(qū)建筑物信息利用 GF-2 衛(wèi)星影像全色和多光譜數據，將改進的 U-Net 模型設計為單輸入和種模型。通過訓練 0.8 米分辨率的建筑物影像數據集，得到可用于高分影像城提取的單輸入網絡模型。鑒于 3.2 米分辨率的多光譜影像可以模糊城區(qū)建筑物些細節(jié)，使城區(qū)建筑物單體在影像上具有較小的光譜異質性，因此本文將單輸雙輸入模型，將 3.2 米分辨率的訓練數據集輸入網絡，結合已有的 0.8 米訓練數

6圖 1-2 論文結構框架圖.1-2 Structural Framework of th題來源與原因，闡明了深現狀的總結介紹為本研究論文結構。所用到的基本理論，即深念與卷積神經網絡實現圖習機理。模型的改進，先分析了幾

第 2 章 深度學習與卷積神經網絡創(chuàng)造的全卷積神經網絡(FCN)[49]成為當年最先進的語義分割技術，繼而各國學者們又研究出更多用于圖像語義分割的深度神經網絡，如 U-Net[50]、SegNet[51]等。全卷積神經網絡屬于卷積神經網絡中的一類算法集合，由于其利用卷積層等效代替了全連接層，使得網絡中全部為卷積層，因而叫全卷積神經網絡。2.2 卷積神經網絡的內部結構一個完整的卷積神經網絡需要有幾類層構成，主要包括卷積層、池化層、全連接層、激活層等（如圖 2-1 所示）[52]。卷積層是網絡的核心層，它負責特征提��；池化層是網絡下采樣結構的關鍵，它可以使輸入圖像的尺寸迅速縮小，從而減小內存占用和特征冗余；全連接層可以將網絡最終學習到的特征圖映射為一個高維特征向量作為分類器的輸入；激活層將可訓練層的輸出通過一個非線性函數達到對某些神經元的抑制。

【相似文獻】

相關期刊論文 前10條

1 ;成都市人民政府辦公廳關于印發(fā)成都市城市建筑物和公共設施清潔管理規(guī)定的通知[J];成都市人民政府公報;2017年01期

2 劉克俊;;《能源與城市建筑物型式》[J];中國能源;1989年04期

3 鄧顯皇;關于城市建筑物名稱管理的思考[J];中國地名;1997年04期

4 ;城市建筑物為什么會呼嘯?[J];工程質量;2006年11期

5 張瑋明;;城市建筑物名稱亟待規(guī)范[J];社會工作;2004年12期

6 楊程;;城市建筑物光污染與控制措施[J];工程設計與研究;2011年01期

7 黃彥,劉軍,楊春宇;重慶、成都、瀘州三城市建筑物景觀照明比較研究[J];燈與照明;2005年03期

8 王平;城市建筑物防震方法淺析[J];甘肅科技縱橫;2005年03期

9 馬麗宣;宋愛蘋;;淺析我國城市建筑物停車配建指標制定思路[J];價值工程;2012年03期

10 張國庭;楊威;劉丙周;;地面數字電視廣播信號在城市建筑物密集地區(qū)的傳播特性[J];廣播與電視技術;2006年12期

相關會議論文 前10條

1 銀霞;;城市建筑物普查實施思路與流程研究——以深圳市建筑物普查為例[A];廣東省測繪學會第九次會員代表大會暨學術交流會論文集[C];2010年

2 徐慶;朱微;;城市建筑物變形監(jiān)測方法、精度等級的確定與數據分析[A];第三屆長三角科技論壇（測繪分論壇）暨'2006江蘇省測繪學術年會論文集[C];2006年

3 董興武;馬清;劉淑永;;城市建筑物停車配建研究[A];規(guī)劃創(chuàng)新：2010中國城市規(guī)劃年會論文集[C];2010年

4 張一平;何云玲;竇軍霞;劉玉洪;馬友鑫;;城市建筑物外壁表面熱力效應研究—建筑物外墻壁面與地面的熱力效應比較[A];生態(tài)學與全面·協(xié)調·可持續(xù)發(fā)展——中國生態(tài)學會第七屆全國會員代表大會論文摘要薈萃[C];2004年

5 范恩榮;;城市建筑物防噪聲方法[A];絕熱材料的前景與施工[C];2002年

6 蔡惟鑫;羅仁安;;城市重要建筑物在營運中結構安全的長期連續(xù)監(jiān)控與損傷診斷評估[A];2007中國科協(xié)年會專題論壇暨第四屆湖北科技論壇優(yōu)秀論文集[C];2007年

7 蔡惟鑫;羅仁安;;城市重要建筑物在營運中結構安全的長期連續(xù)監(jiān)控與損傷診斷評估[A];2007中國科協(xié)年會專題論壇暨第四屆湖北科技論壇“湖北省防災減災與應急管理體系建設”分論壇論文集[C];2007年

8 張會寧;張一平;周躍;彭貴芬;;城市建筑物外表面對其近旁大氣間的熱量傳遞研究[A];中國氣象學會2007年年會氣候變化分會場論文集[C];2007年

9 周榮衛(wèi);蔣維楣;何曉鳳;;城市建筑物動力冠層方案的建立及應用研究[A];中國氣象學會2007年年會氣候學分會場論文集[C];2007年

10 陳燕;蔣維楣;顧駿強;許遐禎;;杭州城市建筑物對邊界層結構的影響[A];第四屆長三角科技論壇論文集（下冊）[C];2007年

相關重要報紙文章 前8條

1 綜合;城市建筑物不能想拆就拆[N];中華建筑報;2009年

2 孟堅;北京城市建筑物要定期“美容”[N];中國證券報;2000年

3 王進　何子蕊 (本報記者 王進);成都推動城市建筑物“綠色革新”[N];中國改革報;2014年

4 記者 拓玲 實習生 邢文捷;城市建筑物密集區(qū)應綠化屋頂[N];西安日報;2013年

5 本報記者 李藝;平涼城市建筑物“整容”辦法出臺[N];平涼日報;2008年

6 記者 王茸;開臟車上路最高罰款2000元[N];南京日報;2015年

7 倪寒霞邋實習生 朱麗珍;市城管局開展城市建筑物外立面整治[N];金華日報;2008年

8 記者 馬芳;《呼和浩特市城市建筑物和構筑物外立面保潔管理規(guī)定》開始執(zhí)行[N];呼和浩特日報(漢);2007年

相關碩士學位論文 前6條

1 李志強;基于深度學習的城市建筑物提取方法研究[D];北京建筑大學;2019年

2 梁成;基于掃描曲面的城市建筑場景實時生成和渲染[D];華南理工大學;2010年

3 馬麗宣;城市建筑物停車配建標準理論框架體系研究[D];南京林業(yè)大學;2006年

4 關宇;基于GIS的城市建筑物防震減災及輔助分析系統(tǒng)[D];北京工業(yè)大學;2005年

5 鄒平;城市建筑物三維可視化研究[D];華東師范大學;2005年

6 王巖;城市建筑物的色彩在繪畫中的概括與表達[D];中央美術學院;2011年

本文編號：2823895