如今城市發(fā)展快速,大量人口奔向城市工作生活,城市建筑物的數(shù)量有如雨后春筍般擴(kuò)張,需要合理地規(guī)劃城市土地資源,遏制違規(guī)亂建現(xiàn)象。基于高分辨率遙感影像,對(duì)建筑物進(jìn)行準(zhǔn)確提取,對(duì)城市規(guī)劃和管理有著重要輔助作用�，F(xiàn)有提取方法主要依賴人工設(shè)計(jì)的特征,雖然取得了一定效果,但耗時(shí)費(fèi)力。本文以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),利用它能自主學(xué)習(xí)多層次特征的能力,提出了“編碼器-特征增強(qiáng)-解碼器”結(jié)構(gòu)的、激活函數(shù)為ELU的網(wǎng)絡(luò)模型FE-Net（Feature Enhancement Network）,實(shí)現(xiàn)了端到端的高分辨率遙感影像建筑物提取。具體研究如下:（1）以美國(guó)馬薩諸塞州建筑物數(shù)據(jù)集為實(shí)驗(yàn)數(shù)據(jù),基于U-Net模型,對(duì)網(wǎng)絡(luò)模型層數(shù)進(jìn)行相關(guān)探究。本文主要探究網(wǎng)絡(luò)層數(shù)為5層、6層、7層的U型網(wǎng)絡(luò)模型（U-Net5、U-Net6、U-Net7）,當(dāng)網(wǎng)絡(luò)層數(shù)為8層時(shí),由于受實(shí)驗(yàn)條件限制,故不考慮。通過比較不同網(wǎng)絡(luò)層數(shù)模型（U-Net5、U-Net6、U-Net7）的建筑物提取效果和精度,以找到最佳的基礎(chǔ)網(wǎng)絡(luò)模型。（2）基于（1）找到的最佳基礎(chǔ)網(wǎng)絡(luò)模型,通過在基礎(chǔ)網(wǎng)絡(luò)模型的結(jié)構(gòu)中添加特征增強(qiáng)結(jié)構(gòu)來改善網(wǎng)絡(luò)模型算法的性能。其基... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線圖

基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像建筑物提取方法研究-12-（a）全連接（b）局部連接圖2.1全連接和局部感受野連接示意圖2.1.2權(quán)值共享雖然局部感受野相比全連接減少了很多網(wǎng)絡(luò)參數(shù)[64]，但總體上，神經(jīng)網(wǎng)絡(luò)的參數(shù)還是存在很多，因此，為了進(jìn)一步減少參數(shù)量，于是就有了權(quán)值共享的概念。權(quán)值共享是卷積核在遍歷整個(gè)輸入影像時(shí)，卷積核里的權(quán)重值保持不變，這樣就可以得到在同一輸入圖像的不同區(qū)域具有相同特征的特征圖。其實(shí)，在一幅圖像中，不同區(qū)域也會(huì)存在著相同的特征，使用權(quán)重共享，不僅可以減少網(wǎng)絡(luò)參數(shù)量，而且也能體現(xiàn)圖像特性。2.1.3空間降采樣所謂空間降采樣就是指池化運(yùn)算，有很多形式的池化函數(shù)，比如最大池化、平均池化等。它可以對(duì)特征圖進(jìn)行進(jìn)一步降維以提取到一些不隨尺度變化的主要的穩(wěn)定特征。池化的目的是為了進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)數(shù)量，進(jìn)而減少網(wǎng)絡(luò)的計(jì)算量，且能在一定程度上控制過擬合。（a）特征圖（b）池化結(jié)果圖2.2池化示意圖

基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像建筑物提取方法研究-12-（a）全連接（b）局部連接圖2.1全連接和局部感受野連接示意圖2.1.2權(quán)值共享雖然局部感受野相比全連接減少了很多網(wǎng)絡(luò)參數(shù)[64]，但總體上，神經(jīng)網(wǎng)絡(luò)的參數(shù)還是存在很多，因此，為了進(jìn)一步減少參數(shù)量，于是就有了權(quán)值共享的概念。權(quán)值共享是卷積核在遍歷整個(gè)輸入影像時(shí)，卷積核里的權(quán)重值保持不變，這樣就可以得到在同一輸入圖像的不同區(qū)域具有相同特征的特征圖。其實(shí)，在一幅圖像中，不同區(qū)域也會(huì)存在著相同的特征，使用權(quán)重共享，不僅可以減少網(wǎng)絡(luò)參數(shù)量，而且也能體現(xiàn)圖像特性。2.1.3空間降采樣所謂空間降采樣就是指池化運(yùn)算，有很多形式的池化函數(shù)，比如最大池化、平均池化等。它可以對(duì)特征圖進(jìn)行進(jìn)一步降維以提取到一些不隨尺度變化的主要的穩(wěn)定特征。池化的目的是為了進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)數(shù)量，進(jìn)而減少網(wǎng)絡(luò)的計(jì)算量，且能在一定程度上控制過擬合。（a）特征圖（b）池化結(jié)果圖2.2池化示意圖

【參考文獻(xiàn)】：
期刊論文
[1]深度神經(jīng)網(wǎng)絡(luò)條件隨機(jī)場(chǎng)高分辨率遙感圖像建筑物分割[J]. 王宇,楊藝,王寶山,王田,卜旭輝,王傳云.  遙感學(xué)報(bào). 2019(06)
[2]基于深度學(xué)習(xí)的高分辨率遙感影像建筑物提取方法[J]. 范榮雙,陳洋,徐啟恒,王競(jìng)雪.  測(cè)繪學(xué)報(bào). 2019(01)
[3]基于全卷積神經(jīng)網(wǎng)絡(luò)的建筑物屋頂自動(dòng)提取[J]. 劉文濤,李世華,覃馭楚.  地球信息科學(xué)學(xué)報(bào). 2018(11)
[4]多特征多尺度相結(jié)合的高分辨率遙感影像建筑物提取[J]. 林雨準(zhǔn),張保明,徐俊峰,侯凱,周迅.  測(cè)繪通報(bào). 2017(12)
[5]顧及局部特性的CNN在遙感影像分類的應(yīng)用[J]. 楊嘉樹,梅天燦,仲思東.  計(jì)算機(jī)工程與應(yīng)用. 2018(07)
[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]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)
[8]一種基于高分辨率遙感影像的建筑物提取方法[J]. 顧鈺培,肖蘭玲,凌婷婷,達(dá)利春.  測(cè)繪與空間地理信息. 2014(04)
[9]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)
[10]基于知識(shí)規(guī)則構(gòu)建和形態(tài)學(xué)修復(fù)的建筑物提取研究[J]. 黃金庫(kù),馮險(xiǎn)峰,徐秀莉,丁青.  地理與地理信息科學(xué). 2011(04)

博士論文
[1]高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 黃昕.武漢大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的高分辨率遙感影像語義分割的研究與應(yīng)用[D]. 汪志文.北京郵電大學(xué) 2019
[2]基于機(jī)器學(xué)習(xí)的房產(chǎn)智能自動(dòng)評(píng)估模型的研究與系統(tǒng)實(shí)現(xiàn)[D]. 王昕睿.北京郵電大學(xué) 2019
[3]基于深度學(xué)習(xí)的變電站巡檢機(jī)器人道路場(chǎng)景識(shí)別[D]. 劉明春.西南交通大學(xué) 2019
[4]基于深度學(xué)習(xí)的圖像描述方法研究[D]. 常智.天津理工大學(xué) 2019
[5]基于MaskR-CNN分割的TEM納米顆粒參數(shù)測(cè)量方法研究[D]. 吳玥.天津工業(yè)大學(xué) 2019
[6]基于深度學(xué)習(xí)的遙感影像建筑物提取方法研究[D]. 朱光亞.浙江大學(xué) 2019
[7]基于優(yōu)化RBFNN的DDoS攻擊檢測(cè)研究[D]. 張夢(mèng)奇.哈爾濱工程大學(xué) 2019
[8]艦船視覺系統(tǒng)海空多目標(biāo)識(shí)別與跟蹤技術(shù)研究[D]. 李慧欣.哈爾濱工程大學(xué) 2019
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的太陽射電頻譜圖的分類算法研究[D]. 陳思思.深圳大學(xué) 2018
[10]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



本文編號(hào)：3315695