在無人機影像建筑物自動提取過程中,傳統(tǒng)地物分類算法其精度已無法滿足生產(chǎn)過程中的分類要求。為此,文章提出以深度學習技術結合條件隨機場應用于無人機影像建筑物的自動提取方法。首先利用基于殘差模塊的卷積神經(jīng)網(wǎng)絡對圖像進行特征提取,然后利用全卷積對圖像進行反卷積,恢復圖像特征。基于初步分類結果,利用條件隨機場模型進行邊緣細化。通過對實驗結果進行分析,驗證了該算法應用于無人機影像建筑物自動提取的可行性。 

【文章來源】：地礦測繪. 2020,36(01)

【文章頁數(shù)】：4 頁

【部分圖文】：

殘差模塊

全卷積神經(jīng)網(wǎng)絡拋棄了傳統(tǒng)卷積神經(jīng)網(wǎng)絡的全連接層，通過反卷積層，對特征提取階段提取到的特征圖進行反卷積，還原圖像特征。通過反卷積操作，在對圖像像素點進行分類的同時，保留了像素的原始位置。卷積過程，見圖3。1.3 全連接條件隨機場

為增加樣本數(shù)量，提高算法針對不同場景下地物類別分類的魯棒性，選取適當方法對樣本進行操作，以擴充樣本數(shù)量。在數(shù)據(jù)擴充過程中，對樣本進行90°、180°、270°旋轉，并進行水平鏡像。為了增強模型對不同天氣、不同光照環(huán)境下的適應性，對樣本進行gamma變換，gamma變換參數(shù)為[0.5,1.5]。樣本圖像，如圖4所示。2.2 模型訓練

【參考文獻】：
期刊論文
[1]光譜和形狀特征相結合的高分辨率遙感圖像的建筑物提取方法[J]. 吳煒,駱劍承,沈占鋒,朱志文.  武漢大學學報(信息科學版). 2012(07)
[2]利用高分辨率遙感影像獲取建筑物高度信息方法的分析[J]. 高翔,趙冬玲,張蔚.  測繪通報. 2008(03)
[3]基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J]. 黃昕,張良培,李平湘.  遙感學報. 2007(01)



本文編號：2974137