在高分辨率遙感影像中,由于城市地表建筑物所具有的高度復(fù)雜性,使得直接基于遙感影像進(jìn)行建筑物提取一直是影像信息分析中的難點(diǎn)。由于面向?qū)ο蟮慕ㄖ锾崛》椒ㄔ趯?shí)際應(yīng)用中提取精度不高以及后處理工作量大等局限性,近年來基于深度學(xué)習(xí)算法對建筑物進(jìn)行提取的技術(shù)在建筑物提取的各類算法中嶄露頭角。目前,大多數(shù)深度學(xué)習(xí)方法均采用全卷積網(wǎng)絡(luò)（FCN）的變體,如U-Net、SegNet和RestNet等。這些網(wǎng)絡(luò)具有顯著改善模型性能和抽象特征提取能力的優(yōu)勢,從而能夠準(zhǔn)確地完成圖像的目標(biāo)分割與識別。為了充分利用高分影像中建筑物的全局和局部信息以更精確地對建筑物進(jìn)行分割提取,本文提出了基于全卷積神經(jīng)網(wǎng)絡(luò)上針對邊界約束的校正神經(jīng)網(wǎng)絡(luò)模型（Boundary Regulated Network,BR-Net）,使得建筑物的邊界提取更加清晰完整。該模型由共享后端和多任務(wù)預(yù)測模塊組成,利用修改的U-Net和多任務(wù)框架,根據(jù)共享后端的一致特征生成分割圖預(yù)測值和輪廓構(gòu)建。通過對邊界信息的規(guī)定,提高了模型性能。并將改進(jìn)后的模型應(yīng)用于國際開源WHU建筑物數(shù)據(jù)集上,通過與傳統(tǒng)的U-Net、SegNet、RestNet模型進(jìn)行對比實(shí)驗(yàn)... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：95 頁

【學(xué)位級別】：碩士

【部分圖文】：

單層神經(jīng)元輸入輸出示意

第二章深度學(xué)習(xí)理論與模型14也可以采用雙極性S型函數(shù)形式：f(v)=21+1=11+（2.6）2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)機(jī)器學(xué)習(xí)是在深度學(xué)習(xí)出現(xiàn)之前，基于樣本進(jìn)行結(jié)果生成預(yù)測類問題的主流使用算法。但是機(jī)器學(xué)習(xí)需要具體的參數(shù)輸入，耗時耗力[64]。隨著深度學(xué)習(xí)的出現(xiàn)，其以自動提取數(shù)據(jù)高維特征，無需自行完成對具體特征進(jìn)行提取，直接自動進(jìn)行數(shù)據(jù)篩選，借助計(jì)算機(jī)內(nèi)部算法節(jié)約了大量研究者的工作時間和并提高了工作效率提高。同時，深度學(xué)習(xí)還可以無縫結(jié)合的應(yīng)用于大數(shù)據(jù)中。其中，卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNN)常應(yīng)用在計(jì)算機(jī)視覺分析中�；谠摼W(wǎng)絡(luò)的權(quán)重共享以及翻轉(zhuǎn)不變性等特點(diǎn)，也稱之為空間或平移不變的神經(jīng)網(wǎng)絡(luò)[65]。1輸入層輸入層的主要作用使對原始輸入圖像進(jìn)行去均值、歸一化和PCA/白化的預(yù)處理，如下圖2.2所示。圖2.2去均值與歸一化效果(左)去相關(guān)與白化效果(右)2卷積層在卷積層中各個卷積單元都采用反向傳播算法以確定卷積層中的參數(shù)最佳值。卷積層作為卷積神經(jīng)網(wǎng)絡(luò)中的核心組成，其每次的卷積對象均為對上一個區(qū)域圖像的像素值計(jì)算，并非圖像上所有的像素輸入[66]。在卷積層中進(jìn)行低層特征提取時，卷積操作能提取到圖片的部分邊緣特征信息。以此重復(fù)卷積操作，后對這些檢測戴的邊緣特征采用一定數(shù)量的卷積核滑動提取，最后則可以根據(jù)低層提取到的邊緣特征中抽象提取出高層的圖像特征。用公式表示為：,=(∑∑,=1=1×+,++)（2.7）

第二章深度學(xué)習(xí)理論與模型15式中,為第v行、第u的列的卷積核權(quán)重參數(shù)，a為偏置項(xiàng)的參數(shù)，+,+為圖像的第i+v行、第j+u列的元素，i，j為卷積核在圖像上滑動了i行和j列，f(.)為激活函數(shù)。,表示輸出特征圖中第n行m列的元素值。在卷積層中涉及以下四個參數(shù)：（1）Padding:在卷積運(yùn)算時，輸出矩陣的大小會在卷積運(yùn)算過程中導(dǎo)致輸入后的運(yùn)算結(jié)果變校因此，可以選擇對矩陣的四周以0值來填充使矩陣能得到原始輸入大小，即padding(P)。如下圖2.3中，當(dāng)P=1時，藍(lán)色框中為原5×5的矩陣，四周采用0作為padding。（2）stride:在卷積運(yùn)算中，過濾器通過在輸入矩陣中移動的點(diǎn)積運(yùn)算獲取結(jié)果。其中過濾器每次移動時的步長即為stride(S)。如下圖2.3中，S=2的時候，過濾器每次移動的距離為2。圖2.3邊界補(bǔ)零(左)、移動步長所S=2(右)由以上padding和stride兩個參數(shù)，加上輸入矩陣參數(shù)大小(W)，過濾器大小(F)，計(jì)算輸出矩陣R為：R=(WF+2P)+1（2.8）（3）局部連接：下層神經(jīng)元與上層輸入神經(jīng)元的局部區(qū)域的連接，稱為卷積神經(jīng)網(wǎng)絡(luò)感受野。在對圖像進(jìn)行卷積操作的過程時，神經(jīng)元的局部連接存在于空間維度上，全連接僅存在于深度上。局部連接能使得學(xué)習(xí)之后過濾器能最強(qiáng)的響應(yīng)于局部的輸入特征，從而很大程度上對網(wǎng)絡(luò)的參數(shù)減少。（4）參數(shù)共享：在運(yùn)算中，每一個深度上的輸入矩陣的步長計(jì)算都采用相同的過濾器矩陣，即參數(shù)共享。在實(shí)際操作中，采參數(shù)共享策略，進(jìn)一步減少參數(shù)個數(shù)，提升網(wǎng)絡(luò)的計(jì)算效率。3池化層

【參考文獻(xiàn)】：
期刊論文
[1]遙感影像中建筑物平面及高度信息提取方法[J]. 孫彥花.  科技創(chuàng)新與應(yīng)用. 2020(05)
[2]基于高分二號衛(wèi)星遙感數(shù)據(jù)的建筑物高度提取[J]. 趙強(qiáng),楊志,蘇紅超,楊世植.  大氣與環(huán)境光學(xué)學(xué)報. 2019(06)
[3]基于高分二號數(shù)據(jù)的面向?qū)ο蟪鞘型恋乩梅诸愌芯縖J]. 宋明輝.  遙感技術(shù)與應(yīng)用. 2019(03)
[4]遙感影像建筑物提取的卷積神經(jīng)元網(wǎng)絡(luò)與開源數(shù)據(jù)集方法[J]. 季順平,魏世清.  測繪學(xué)報. 2019(04)
[5]面向?qū)ο蟮亩喑叨榷嗵卣鞲叻诌b感影像建筑物提取[J]. 呂道雙,林娜,張小青.  北京測繪. 2019(02)
[6]高分辨率遙感影像建筑物分級提取[J]. 游永發(fā),王思遠(yuǎn),王斌,馬元旭,申明,劉衛(wèi)華,肖琳.  遙感學(xué)報. 2019(01)
[7]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,王競雪.  測繪學(xué)報. 2019(01)
[8]集成特征分量的高分辨率遙感影像建筑物陰影檢測[J]. 謝亞坤,馮德俊,李強(qiáng),王垠入,瑚敏君.  測繪通報. 2018(10)
[9]基于高分辨率遙感影像的建筑物快速提取[J]. 何成斌.  測繪標(biāo)準(zhǔn)化. 2018(02)
[10]基于卷積網(wǎng)絡(luò)的遙感圖像建筑物提取技術(shù)研究[J]. 付發(fā),未建英,張麗娜.  軟件工程. 2018(06)

碩士論文
[1]高光譜高空間分辨率遙感影像建筑物提取及場景理解[D]. 徐銳.重慶交通大學(xué) 2018
[2]遙感影像高大建筑物陰影檢測與去除算法研究[D]. 葛樂.中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所) 2018
[3]基于形狀規(guī)則指數(shù)的遙感影像建筑物提取研究[D]. 章煉偉.武漢大學(xué) 2018
[4]高分辨率遙感影像建筑物提取研究[D]. 黃冰晶.昆明理工大學(xué) 2018
[5]南寧市西鄉(xiāng)塘區(qū)城市綠地信息提取及景觀格局分析[D]. 杜夢龍.廣西大學(xué) 2017
[6]高分辨率遙感影像建筑物輪廓提取方法研究[D]. 何靜然.成都理工大學(xué) 2016
[7]基于高分辨率彩色遙感影像的建筑物提取研究[D]. 高春霞.昆明理工大學(xué) 2016
[8]建筑物半自動提取方法的研究[D]. 趙穎.中國測繪科學(xué)研究院 2013
[9]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
[10]一種高分辨率遙感圖像建筑物特征分級提取算法[D]. 姚高偉.信陽師范學(xué)院 2013



本文編號：2928987