基于深度學習方法,采用Pytorch框架搭建U-Net網(wǎng)絡模型,進行了遙感影像建筑物提取研究。首先以建筑物為目標,構(gòu)建基于光學遙感影像的建筑物樣本庫,然后進行網(wǎng)絡訓練建立深度學習模型,并對樣本庫更新進行模型優(yōu)化,最后用優(yōu)化后的模型進行建筑物提取,并與最大似然法、支持向量機法（SVM）進行對比。結(jié)果表明:在訓練數(shù)據(jù)集充足的情況下,使用深度學習對臺前縣建筑物提取總體精度為94. 3%、Kappa系數(shù)為0. 83,羅山縣總體精度為97. 5%、Kappa系數(shù)為0. 75,均高于傳統(tǒng)方法,說明利用深度學習的方法進行建筑物提取具有一定的有效性和適用性。 

【文章來源】：河南城建學院學報. 2020,29(04)

【文章頁數(shù)】：6 頁

【部分圖文】：

深度學習結(jié)構(gòu)圖

U-Net分割網(wǎng)絡模型是深度學習方法中一個重要的分割方法，其產(chǎn)生于2015年，由Ronneberger等[12]人提出的一種類FCN新網(wǎng)絡分割模型，最初主要用于醫(yī)學影像的分割。隨著算法的深入研究，也廣泛應用于其他方面，如圖像變換等。圖2為U-Net網(wǎng)絡結(jié)構(gòu)圖。U-Net網(wǎng)絡的結(jié)構(gòu)是對稱的，形似英文字母U，所以被稱為U-Net。其網(wǎng)絡結(jié)構(gòu)由兩部分組成:搜索路徑和擴展路徑。搜索路徑主要是用來捕捉圖片中的上下文信息，對輸入的影像進行卷積和池化操作，得到高維的特征金字塔。擴展路徑則是為了對圖片中所需要分割出來的部分進行精準定位。對影像進行反卷積和上采樣操作，最后得到與輸入影像尺寸相同的影像輸出。從圖2可以看出，整張圖都是由藍/白色框與各種顏色的箭頭組成。其中，藍/白色框表示特征圖;藍色箭頭表示3×3卷積，用于特征提取;灰色箭頭表示跳躍連接，用于特征融合;紅色箭頭表示池化，用于降低維度;綠色箭頭表示上采樣，用于恢復影像尺寸;青色箭頭表示1×1卷積，用于輸出結(jié)果。

裁剪試驗圖

【參考文獻】：
期刊論文
[1]高分辨率影像建筑物提取方法對比[J]. 秦夢宇,趙赫.  科技創(chuàng)新與應用. 2020(10)
[2]基于深度學習的高分辨率遙感圖像建筑物識別[J]. 宋廷強,李繼旭,張信耶.  計算機工程與應用. 2020(08)
[3]一種改進的Unet建筑物變化檢測方法[J]. 沈旭東,吳湘蓮,雷英棟.  電子制作. 2020(01)
[4]基于高分衛(wèi)星遙感影像的城市建筑物提取研究[J]. 于書媛,駱佳驥,楊源源.  華南地震. 2019(02)
[5]基于深度學習的高分遙感影像鄉(xiāng)鎮(zhèn)建筑物識別方法[J]. 王利忠,張宏海,仲波,牛鐵.  科研信息化技術(shù)與應用. 2019(01)
[6]基于資源一號02C衛(wèi)星影像的稀土礦區(qū)地物提取研究[J]. 朱元峰,況潤元,張剛?cè)A.  江西理工大學學報. 2018(03)
[7]多特征融合的高分辨率遙感影像建筑物分級提取[J]. 林雨準,張保明,王丹菂,陳小衛(wèi),徐俊峰.  中國圖象圖形學報. 2017(12)

碩士論文
[1]面向?qū)ο蠼Y(jié)合支持向量機（SVM）在露天礦區(qū)信息提取中的應用研究[D]. 程璐.青海大學 2017



本文編號：3573219