结合双视觉全卷积网络的遥感影像地物提取

发布时间：2021-03-14 23:30

　　目的遥感影像地物提取是遥感领域的研究热点。由于背景和地物类型复杂多样,单纯利用传统方法很难对地物类别进行准确区分和判断,因而常常造成误提取和漏提取。目前基于卷积神经网络CNN（convolutional neural network）的方法进行地物提取的效果普遍优于传统方法,但需要大量的时间进行训练,甚至可能出现收敛慢或网络不收敛的情况。为此,基于多视觉信息特征的互补原理,提出了一种双视觉全卷积网络结构。方法该网络利用VGG（visual geometry group） 16和Alex Net分别提取局部和全局视觉特征,并经过融合网络对两种特征进行处理,以充分利用其包含的互补信息。同时,将局部特征提取网络作为主网络,减少计算复杂度,将全局特征提取网络作为辅助网络,提高预测置信度,加快收敛,减少训练时间。结果选取公开的建筑物数据集和道路数据集进行实验,并与二分类性能优异的U-Net网络和轻量型Mnih网络进行对比。实验结果表明,本文提出的双视觉全卷积网络的平均收敛时间仅为U-Net网络的15. 46%;提取精度与U-Net相当,远高于Mnih;在95%的置信水平上,该网络的置信区间明显优... 

【文章来源】：中国图象图形学报. 2020,25(03)北大核心

【文章页数】：11 页

【部分图文】：

卷积神经网络与全卷积网络区别及应用领域

DVFCN网络结构

更大的视野区域可以给出更可靠的信息

【参考文献】：
期刊论文
[1]高分辨率遥感影像建筑物分级提取[J]. 游永发,王思远,王斌,马元旭,申明,刘卫华,肖琳.  遥感学报. 2019(01)
[2]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪.  测绘学报. 2019(01)
[3]基于U型卷积神经网络的航空影像建筑物检测[J]. 伍广明,陈奇,Ryosuke SHIBASAKI,郭直灵,邵肖伟,许永伟.  测绘学报. 2018(06)
[4]利用格式塔的高分辨率遥感影像建筑物提取[J]. 李青,李玉,王玉,赵泉华.  中国图象图形学报. 2017(08)
[5]基于Hough变换和路径形态学的城区道路提取[J]. 刘小丹,刘岩.  计算机工程. 2012(06)



本文编号：3083150