基于编解码网络的航空影像像素级建筑物提取

发布时间：2021-10-20 12:28

　　建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN （Convolutional Neural Networks）,自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE （Field-of-View Enhancement）方法减轻边缘现象（切片边缘附近的建筑物提取精度通常低于中心区域附近的精度）的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。 

【文章来源】：遥感学报. 2020,24(09)北大核心EICSCD

【文章页数】：9 页

【文章目录】：
1 引言
2 方法
    2.1 网络结构
    2.2 视野增强
3 实验和结果
    3.1 数据集
    3.2 结果和分析
4 结论


【参考文献】：
期刊论文
[1]密集反卷积网络在遥感建筑物提取中的应用[J]. 张欢,雷宏,陈凯强.  计算机工程与应用. 2018(11)



本文编号：3446908