高分辨率遙感影像（簡(jiǎn)稱,高分影像）的建筑物提取工作,對(duì)于社會(huì)經(jīng)濟(jì)建設(shè)、城市規(guī)劃以及地圖繪制等方面具有重要意義。由于建筑物本身的各異性及背景地物的干擾,基于傳統(tǒng)算法的高分影像的建筑物提取結(jié)果普遍存在著精度不夠、邊緣缺失等缺陷,因此,高精度的高分影像建筑物自動(dòng)提取模型亟待開(kāi)發(fā)。近年來(lái)隨著硬件設(shè)備的大幅進(jìn)步以及大數(shù)據(jù)時(shí)代的到來(lái),深度學(xué)習(xí)算法得到了前所未有的快速發(fā)展。深度學(xué)習(xí)算法在圖像處理方面具有準(zhǔn)確性高、魯棒性強(qiáng)等優(yōu)點(diǎn),基于深度學(xué)習(xí)的高分影像建筑物自動(dòng)提取方法可以達(dá)到更高的精度。本文總結(jié)和分析了國(guó)內(nèi)外在高分影像建筑物提取方面的相關(guān)研究,闡述了深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的建筑物提取方法原理。為進(jìn)一步提高建筑物語(yǔ)義分割的精度,提出了一種基于輪廓特征的多任務(wù)學(xué)習(xí)語(yǔ)義分割網(wǎng)絡(luò),并且,為同時(shí)獲取高分影像中建筑物的掩膜和包圍框提取結(jié)果,提出了一種基于實(shí)例分割的高分影像建筑物提取方法。本文的主要工作可以總結(jié)為以下幾點(diǎn):（1）分析了經(jīng)典的語(yǔ)義分割模型原理與結(jié)構(gòu),主要包括FCN、U-net以及ResUnet模型�？紤]到建筑物對(duì)象所具有的獨(dú)特輪廓特征,提出了一種基于輪廓特征的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)。該模型借助多任務(wù)學(xué)習(xí)思想,... 

【文章來(lái)源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

高分影像建筑物提取方法技術(shù)路線圖

桂林理工大學(xué)碩士學(xué)位論文9第2章深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)原理及數(shù)據(jù)介紹在構(gòu)建基于深度學(xué)習(xí)的高分影像建筑物提取模型之前，本章將詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)及算法，同時(shí)，對(duì)后續(xù)用于模型訓(xùn)練與測(cè)試的建筑物數(shù)據(jù)集進(jìn)行說(shuō)明。2.1深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹2.1.1卷積神經(jīng)網(wǎng)絡(luò)介紹深度學(xué)習(xí)起源于人工神經(jīng)網(wǎng)絡(luò),又稱神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)實(shí)質(zhì)上是指能夠有效訓(xùn)練深層神經(jīng)網(wǎng)絡(luò)的方法。人工神經(jīng)網(wǎng)絡(luò)是一種模仿生物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是由非線性計(jì)算單元組構(gòu)成的分層系統(tǒng)，這些非線性單元被稱為神經(jīng)元或節(jié)點(diǎn)。最早提出的神經(jīng)元模型為McCulloch和Pitts提出了M-P神經(jīng)元模型。圖2.1M-P神經(jīng)元模型圖2.1為M-P神經(jīng)元模型示意圖，其中為輸入信號(hào),為權(quán)重參數(shù),b為偏置參數(shù)，為非線性變換函數(shù)，y為輸出信號(hào)，則模型計(jì)算公式如下(2.1)一般將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)劃分為輸入層、隱藏層和輸出層三個(gè)部分，將具有兩層以上隱藏層的神經(jīng)網(wǎng)絡(luò)稱為深層神經(jīng)網(wǎng)絡(luò)。隱藏層是卷積神經(jīng)網(wǎng)絡(luò)的核心工作區(qū)，是模型構(gòu)建過(guò)程中研究的重點(diǎn)區(qū)域，是大多數(shù)模型改進(jìn)的主要部分。根據(jù)信號(hào)傳遞方式，神經(jīng)網(wǎng)絡(luò)可分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)，在前饋神經(jīng)網(wǎng)絡(luò)中，除輸入層外所有神經(jīng)元只接收前一級(jí)輸入并輸出到下一級(jí)，整個(gè)網(wǎng)絡(luò)中并無(wú)反饋機(jī)制。圖2.2為深層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，同多層感知器模型一樣，層與層之間的神經(jīng)元是全連接的。

桂林理工大學(xué)碩士學(xué)位論文10深度神經(jīng)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)（也稱遞歸神經(jīng)網(wǎng)絡(luò)）、深度置信網(wǎng)絡(luò)及生成對(duì)抗網(wǎng)絡(luò)。其中，卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面具有獨(dú)特優(yōu)勢(shì)。首先，卷積神經(jīng)網(wǎng)絡(luò)采用了局部連接的傳導(dǎo)方式，在網(wǎng)絡(luò)中每個(gè)神經(jīng)元只與部分神經(jīng)元相連接，較之全連接網(wǎng)絡(luò)減少大部分連接，有效解決了處理圖像數(shù)據(jù)時(shí)的計(jì)算量問(wèn)題。其次，在利用卷積核進(jìn)行特征提取時(shí)，卷積核中的權(quán)值是層內(nèi)共享的，大幅降低了網(wǎng)絡(luò)中的參數(shù)量，使深層架構(gòu)不會(huì)因?yàn)閰?shù)量而受到制約。圖2.2深層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖2.1.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）又稱人工神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)在圖像處理方面問(wèn)題的主要工具，是一種具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)中的代表算法之一。CNN的中心思想是利用深層卷積來(lái)模擬人類神經(jīng)系統(tǒng)中的神經(jīng)元的工作方式,賦予計(jì)算機(jī)處理非結(jié)構(gòu)化數(shù)據(jù)的能力。卷積神經(jīng)網(wǎng)絡(luò)與一般神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，卷積神經(jīng)網(wǎng)絡(luò)中至少有一層是以卷積來(lái)代替矩陣乘法計(jì)算的，通過(guò)卷積運(yùn)算共享權(quán)值參數(shù)，建立不完全連接，有效降低運(yùn)算量。從理論上說(shuō),卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一種多層感知器，是一種前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)構(gòu)成一般包括輸入層、交替的卷積層和池化層、全連接層以及輸出層。CNN依靠誤差的反向傳播來(lái)優(yōu)化網(wǎng)絡(luò)參數(shù)，并在反向傳播中利用隨機(jī)梯度算法對(duì)模型進(jìn)行優(yōu)化，促進(jìn)模型的損失函數(shù)快速收斂。接下來(lái)，本節(jié)將詳細(xì)解析CNN的基本結(jié)構(gòu)構(gòu)成，并對(duì)模型的訓(xùn)練學(xué)習(xí)算法進(jìn)行詳細(xì)說(shuō)明。

【參考文獻(xiàn)】：
期刊論文
[1]基于多任務(wù)學(xué)習(xí)的高分辨率遙感影像建筑實(shí)例分割[J]. 惠健,秦其明,許偉,隋娟.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[2]基于Mask-RCNN的建筑物目標(biāo)檢測(cè)算法[J]. 李大軍,何維龍,郭丙軒,李茂森,陳敏強(qiáng).  測(cè)繪科學(xué). 2019(10)
[3]遙感影像建筑物提取的卷積神經(jīng)元網(wǎng)絡(luò)與開(kāi)源數(shù)據(jù)集方法[J]. 季順平,魏世清.  測(cè)繪學(xué)報(bào). 2019(04)
[4]聯(lián)合膨脹卷積殘差網(wǎng)絡(luò)和金字塔池化表達(dá)的高分影像建筑物自動(dòng)識(shí)別[J]. 喬文凡,慎利,戴延帥,曹云剛.  地理與地理信息科學(xué). 2018(05)
[5]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)
[6]基于植被指數(shù)限制分水嶺算法的機(jī)載激光點(diǎn)云建筑物提取[J]. 趙宗澤,張永軍.  光學(xué)學(xué)報(bào). 2016(10)
[7]基于隨機(jī)森林的WorldVew2i影像建筑物精細(xì)提取[J]. 范馳,江洪.  地理空間信息. 2016(01)
[8]一種新的面向?qū)ο蟪鞘薪ㄖ镄畔⑻崛》椒ㄑ芯縖J]. 樊舒迪,胡月明,劉振華.  華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[9]高空間分辨率遙感影像建筑物提取方法綜述[J]. 張慶云,趙冬.  測(cè)繪與空間地理信息. 2015(04)
[10]基于改進(jìn)Harris算法的高分辨率遙感影像建筑物角點(diǎn)檢測(cè)研究[J]. 崔有禎,吳露露,辛星,陳國(guó)銳,鄭志雄.  測(cè)繪通報(bào). 2013(09)

碩士論文
[1]遙感影像建筑物提取與深度學(xué)習(xí)[D]. 潘昕.北京建筑大學(xué) 2018
[2]基于深度學(xué)習(xí)和直線檢測(cè)的高分辨率遙感影像建筑物提取[D]. 張通.武漢大學(xué) 2018
[3]高分辨率遙感影像建筑物提取方法研究[D]. 黃小兵.西安科技大學(xué) 2014
[4]高分辨率遙感影像建筑物提取技術(shù)研究[D]. 魏德強(qiáng).解放軍信息工程大學(xué) 2013



本文編號(hào)：3395623