一种改进U-net网络的新增建设用地提取方法

发布时间：2021-08-26 19:59

　　针对传统的新增建设用地提取主要依赖于人工目视解译,任务繁重,人力耗费过大,而现有的全卷积神经网络提取方法存在特征表达能力不够,易引起过拟合的问题,提出了一种改进U-net网络的高分辨率遥感影像新增建设用地提取方法。基于高分二号影像并结合历史土地利用变更调查成果构建新增建设用地样本数据集;同时,采用新型的激活函数、批标准化以及退化学习率的方法进行网络设计,以防止过拟合。在下采样的过程中加入空洞卷积的算法扩大感受野以感受更多的地物信息,提取更详细的地物特征。结果表明,本研究方法提取新增建设用地的F1值达到了0.88,明显优于FCN与U-net的结果,在新增建设用地的高精度自动提取和业务化应用上具有较高潜力。 

【文章来源】：遥感信息. 2020,35(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

新增建设用地标注结果

本数据采用多张辽宁省、山西省城镇数据，将原始影像裁剪挑选出新增建设用地数据，标注图像与原始影像的大小一致，并且一一对应。在训练初期，将影像调整大小为512像素×512像素，降低计算机内存的使用。实验数据将一整张影像进行裁剪，数据的数量有一定的局限性。原数据集中含有4 328张影像，随机选取数据按照大于9∶1的比例作为训练数据集与测试数据集。为防止因缺少数据带来的欠拟合的情况，将训练数据集进行了平移、旋转等[10]操作，以进行数据集的扩增，形成新的数据集。新数据集中含有5 394张影像。按照该比例选取训练数据集以及测试数据集，超过了总体样本的10%[11-12]，符合样本选择比例的要求。扩张数据集如图2所示。3 改进的卷积神经网络模型

本研究设计的新增建设用地提取方法技术流程如图3所示。利用深度学习的方法做监督分类，首先要利用带有人工标注的数据集进行训练；其次针对新增建设用地，对网络模型进行设计，其中包括对地物特征的提取和反卷积的映射，加入了空洞卷积使其感受野增大，并通过从下到上的上采样的计算，得出原始影像中每个像素所述类别的概率；最后利用真实值与预测值的图像进行对比分析，最终得出新增建设用地提取结果。

【参考文献】：
期刊论文
[1]Swish激活函数在中小规模数据集上的性能表现[J]. 米硕,田丰收,孙瑞彬,葛敏,赵汝程.  科技创新与应用. 2018(01)
[2]新时期我国环保领域卫星遥感技术的应用与发展[J]. 赵少华,刘思含,毛学军,吴艳婷,杨一鹏.  无线电工程. 2017(03)
[3]遥感时间序列影像变化检测研究进展[J]. 赵忠明,孟瑜,岳安志,黄青青,孔赟珑,袁媛,刘晓奕,林蕾,张蒙蒙.  遥感学报. 2016(05)
[4]利用SPOT-6影像提取新增建设用地的方法研究[J]. 杨冀红,郭蕾,孙家波,赵冬玲,史良树,战鹰,张超.  地理信息世界. 2014(04)
[5]基于多波段统计检验的土地利用变化检测[J]. 谢仁伟,牛铮,孙睿,汤泉.  国土资源遥感. 2009(02)
[6]基于混淆矩阵和Fisher准则构造层次化分类器[J]. 张静,宋锐,郁文贤,夏胜平,胡卫东.  软件学报. 2005(09)

硕士论文
[1]卷积神经网络在车标识别技术中的研究及其小样本下的处理策略[D]. 张琪.安徽大学 2016
[2]基于单时相遥感影像与GIS的土地利用变化检测方法研究[D]. 刘锋.中国测绘科学研究院 2006



本文编号：3364875