基于高分辨率二號遙感影像數(shù)據(jù)與Wasserstein生成對抗網(wǎng)絡(luò)深度學習模型,依據(jù)樣本集制作、模型訓練、路網(wǎng)提取的技術(shù)路線,研發(fā)面向公路管理者實際業(yè)務(wù)應用的路網(wǎng)提取技術(shù)。其提取精度可達70%,提取速率達2.4s/km²,大大降低了人力物力成本,相較于傳統(tǒng)方法更具優(yōu)勢和普適性。將該路網(wǎng)提取技術(shù)應用于甘肅省白銀市會寧縣,通過對提取路網(wǎng)結(jié)果與已有路網(wǎng)數(shù)據(jù)的空間匹配關(guān)系進行判定,可初步實現(xiàn)已有路網(wǎng)線型錯誤、偏移、改道以及新增路網(wǎng)線型的核查,從而為道路資產(chǎn)核查提供堅實的技術(shù)保障,也為深度學習方法與高分辨率遙感影像在交通行業(yè)的應用提供新的思路。 

【文章來源】：公路. 2020,65(09)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

甘肅省白銀市會寧縣行政區(qū)劃圖與2019年高分二號（GF-2）影像

(3)根據(jù)線矢量生成對應切片的二值化柵格圖像，其中道路（正樣本）值為1，非道路（負樣本）值為0（如圖2(b））。(2）模型訓練：生成對抗網(wǎng)絡(luò)（Generative Adversarial Network,GAN）是由Goodfellow在2014年提出[11]。它需要訓練一個能從隨機噪聲中生成逼近真實樣本的生成樣本的生成器（Generator，簡稱G），以及一個能判斷輸入數(shù)據(jù)來自于真實樣本還是生成樣本的鑒別器（Discriminator，簡稱D）。最終訓練目標是使G具有以假亂真的能力，并且D無法區(qū)分輸入數(shù)據(jù)是真實樣本還是生成樣本。本文所使用的深度學習模型為WGAN[12]，它能夠有效解決一般GAN生成器訓練過程中存在的“梯度消失”、“模式崩潰”等缺陷[13]，其模型結(jié)構(gòu)如圖3所示。

(2）模型訓練：生成對抗網(wǎng)絡(luò)（Generative Adversarial Network,GAN）是由Goodfellow在2014年提出[11]。它需要訓練一個能從隨機噪聲中生成逼近真實樣本的生成樣本的生成器（Generator，簡稱G），以及一個能判斷輸入數(shù)據(jù)來自于真實樣本還是生成樣本的鑒別器（Discriminator，簡稱D）。最終訓練目標是使G具有以假亂真的能力，并且D無法區(qū)分輸入數(shù)據(jù)是真實樣本還是生成樣本。本文所使用的深度學習模型為WGAN[12]，它能夠有效解決一般GAN生成器訓練過程中存在的“梯度消失”、“模式崩潰”等缺陷[13]，其模型結(jié)構(gòu)如圖3所示。在本文所用的WGAN模型中，生成器G由較為復雜的殘差網(wǎng)絡(luò)構(gòu)成。將樣本大小為512×512的高分二號影像切片樣本集z輸入生成器后，即得到根據(jù)原始影像特征生成的道路元素生成樣本G(z）。鑒別器D由卷積網(wǎng)絡(luò)構(gòu)成，在判斷數(shù)據(jù)來源于生成樣本G(z）還是真實樣本x后輸出數(shù)據(jù)為真實樣本的概率p,p>0.5則輸出1，否則輸出0。

【參考文獻】：
期刊論文
[1]“高分二號”衛(wèi)星在黃土地質(zhì)災害解譯中的應用研究[J]. 張幼瑩,余江寬,步凡,高麗琰.  測繪與空間地理信息. 2017(11)
[2]遙感圖像自動道路提取方法綜述[J]. 吳亮,胡云安.  自動化學報. 2010(07)
[3]高分辨率遙感影像道路提取技術(shù)研究與展望[J]. 李光耀,胡陽.  遙感信息. 2008(01)



本文編號：3586908