針對目前基于機器學習解決高分辨率遙感影像建筑物提取魯棒性差并且難以充分挖掘深層次特征的問題,對比了當前較為普遍的深度學習語義分割方法,以平均精度、類別精度、F1分數(shù)及交并比（Io U）作為精度衡量指標,全面分析了3種算法的性能。結(jié)果表明,選擇精度較高的Deep Labv3plus架構(gòu)分類算法,能夠獲得更為精確的像素級建筑物提取結(jié)果,總體精度可提升2%,Io U提高3%,能夠充分表達建筑物細節(jié)信息。本文提出了融合多源數(shù)據(jù)的樣本制作方法,設(shè)計了大規(guī)模遙感影像訓練樣本的智能采集和標注方法,選取某地區(qū)像素級建筑物標準數(shù)據(jù)集遙感圖像進行實驗,結(jié)果表明,該方法制作的樣本庫接近真值訓練結(jié)果。 

【文章來源】：測繪與空間地理信息. 2020,43(06)

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 方法
    1.1 樣本自動標注
    1.2 建筑物特征提取
    1.3 建筑物分割
2 實驗與分析
    2.1 不同算法性能對比分析
    2.2 不同樣本庫訓練效果對比分析
3 結(jié)束語


【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[J]. 李亞飛,董紅斌.  智能系統(tǒng)學報. 2018(04)
[2]面向?qū)ο蟮母叻直媛蔬b感影像分割分類評價指標[J]. 吳波,林珊珊,周桂軍.  地球信息科學學報. 2013(04)
[3]基于改進Sobel算子的邊緣檢測算法的研究[J]. 何春華,張雪飛,胡迎春.  光學技術(shù). 2012(03)



本文編號：3156593