隨著高分辨率航空影像空間分辨率的提高,地物紋理信息變得更加豐富和復(fù)雜,使得從高分辨影像中提取建筑物信息面臨巨大挑戰(zhàn)。因此采用一種基于全卷積神經(jīng)網(wǎng)絡(luò)的高分辨率航空影像中建筑物提取方法,實(shí)現(xiàn)端到端的建筑物位置等信息提取。整個(gè)模型框架以SegNet模型為基礎(chǔ),在上采樣階段結(jié)合SegNet模型中的存儲(chǔ)最大池化索引和U-Net模型中的跳躍連接,有效地將低層次和高層次的特征圖融合,進(jìn)行更好的建筑物邊界定位。在原有框架的基礎(chǔ)上,采用遷移學(xué)習(xí)思想利用構(gòu)建的訓(xùn)練樣本庫(kù)對(duì)權(quán)重進(jìn)行微調(diào),使網(wǎng)絡(luò)能夠輸出穩(wěn)健的適用于建筑物區(qū)域識(shí)別的高層次視覺(jué)特征。實(shí)驗(yàn)采用國(guó)際攝影測(cè)量與遙感學(xué)會(huì)公開(kāi)數(shù)據(jù)集驗(yàn)證采用方法的有效性和穩(wěn)健性。實(shí)驗(yàn)結(jié)果表明,此方法能夠有效地提取場(chǎng)景中的建筑物區(qū)域。而且,與其他方法相比,該方法在召回率上平均優(yōu)于2.33%,在精確率上平均優(yōu)于5.33%,在準(zhǔn)確率上優(yōu)于7.22%。 

【文章來(lái)源】：地理信息世界. 2020,27(02)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

本文方法的流程圖

編碼器網(wǎng)絡(luò)的架構(gòu)在拓?fù)渖吓cVGG16網(wǎng)絡(luò)[13]中的13個(gè)卷積層相同。每個(gè)編碼器由卷積層、批歸一化層、RELU組成,之后執(zhí)行具有2×2窗口和步幅2的最大池化,輸出結(jié)果相當(dāng)于系數(shù)為2的下采樣。最大池化用于實(shí)現(xiàn)輸入圖像中小空間位移的平移不變性,而下采樣在特征圖中捕獲和存儲(chǔ)每個(gè)像素的大范圍上下文信息。編碼器網(wǎng)絡(luò)在編碼和獲取高層次和抽象語(yǔ)義信息的同時(shí),下采樣的操作導(dǎo)致了地物間邊緣等細(xì)節(jié)信息的丟失。因此在下采樣之前SegNet模型采用存儲(chǔ)最大池化索引的策略捕獲和存儲(chǔ)邊界信息,如圖2所示。圖3 SegNet模型解碼

圖2 SegNet模型編碼經(jīng)過(guò)編碼器編碼后的特征圖分辨率小于原圖像,因此需要利用上采樣恢復(fù)至原尺寸。在SegNet模型中,每個(gè)編碼器層具有對(duì)應(yīng)的解碼器層,因此解碼器網(wǎng)絡(luò)也具有13層。解碼網(wǎng)絡(luò)主要采用上采樣方式映射編碼后的低分辨率特征圖到輸入分辨率的特征圖�？紤]到編碼器中下采樣的操作,使得高分辨率中包含的非常細(xì)節(jié)的邊界信息缺失。SegNet模型的解碼器使用在相應(yīng)編碼器的最大池化步驟中預(yù)先存儲(chǔ)的最大池化索引來(lái)執(zhí)行非線(xiàn)性上采樣,如圖3所示。在解碼器中重用最大池化索引的操作不僅可以改善不同地物間的邊界劃分,而且減少了端到端訓(xùn)練時(shí)的參數(shù)數(shù)量。上采樣后產(chǎn)生的圖是稀疏的,然后與可訓(xùn)練的濾波器卷積以產(chǎn)生密集的特征圖。最終解碼器輸出的密集特征圖被饋送到多級(jí)Softmax分類(lèi)器以獨(dú)立地為每個(gè)像素產(chǎn)生類(lèi)條件概率。Softmax分類(lèi)器的輸出是K通道圖像的概率,其中K是類(lèi)別的數(shù)量,預(yù)測(cè)的分類(lèi)結(jié)果對(duì)應(yīng)于在每個(gè)像素處具有最大概率的類(lèi)。

【參考文獻(xiàn)】：
期刊論文
[1]多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提取[J]. 林雨準(zhǔn),張保明,徐俊峰,侯凱,周迅.  測(cè)繪通報(bào). 2017(12)
[2]多尺度多特征融合的高分辨率遙感影像分類(lèi)[J]. 陳蘇婷,王慧.  量子電子學(xué)報(bào). 2016(04)
[3]基于深度學(xué)習(xí)的高分辨率遙感影像分類(lèi)研究[J]. 劉大偉,韓玲,韓曉勇.  光學(xué)學(xué)報(bào). 2016(04)
[4]面向?qū)ο蠛鸵?guī)則的高分辨率影像分類(lèi)研究[J]. 李朝奎,方文,董小姣.  測(cè)繪通報(bào). 2015(09)
[5]基于高分辨率遙感影像分類(lèi)的城鎮(zhèn)土地利用規(guī)劃監(jiān)測(cè)[J]. 張超,李智曉,李鵬山,楊建宇,朱德海.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2015(11)
[6]面向?qū)ο蟮奶┌彩懈叻直媛视跋褡≌ㄖ锾崛J]. 董小姣,張東水,李朝奎.  地理空間信息. 2013(01)
[7]面向?qū)ο蟮母叻直媛视跋穹诸?lèi)與信息提取[J]. 張俊,于慶國(guó),侯家槐.  遙感技術(shù)與應(yīng)用. 2010(01)

博士論文
[1]基于深度學(xué)習(xí)的高光譜影像分類(lèi)方法研究[D]. 馬曉瑞.大連理工大學(xué) 2017

碩士論文
[1]基于深度學(xué)習(xí)的圖像分類(lèi)及其在高光譜圖像中的應(yīng)用研究[D]. 李新國(guó).南京航空航天大學(xué) 2016



本文編號(hào)：2962009