结合DeepLabv3架构的多源数据建筑物提取方法

发布时间：2021-04-24 03:35

　　针对目前基于机器学习解决高分辨率遥感影像建筑物提取鲁棒性差并且难以充分挖掘深层次特征的问题,对比了当前较为普遍的深度学习语义分割方法,以平均精度、类别精度、F1分数及交并比（Io U）作为精度衡量指标,全面分析了3种算法的性能。结果表明,选择精度较高的Deep Labv3plus架构分类算法,能够获得更为精确的像素级建筑物提取结果,总体精度可提升2%,Io U提高3%,能够充分表达建筑物细节信息。本文提出了融合多源数据的样本制作方法,设计了大规模遥感影像训练样本的智能采集和标注方法,选取某地区像素级建筑物标准数据集遥感图像进行实验,结果表明,该方法制作的样本库接近真值训练结果。 

【文章来源】：测绘与空间地理信息. 2020,43(06)

【文章页数】：5 页

【文章目录】：
0 引言
1 方法
    1.1 样本自动标注
    1.2 建筑物特征提取
    1.3 建筑物分割
2 实验与分析
    2.1 不同算法性能对比分析
    2.2 不同样本库训练效果对比分析
3 结束语


【参考文献】：
期刊论文
[1]基于卷积神经网络的遥感图像分类研究[J]. 李亚飞,董红斌.  智能系统学报. 2018(04)
[2]面向对象的高分辨率遥感影像分割分类评价指标[J]. 吴波,林珊珊,周桂军.  地球信息科学学报. 2013(04)
[3]基于改进Sobel算子的边缘检测算法的研究[J]. 何春华,张雪飞,胡迎春.  光学技术. 2012(03)



本文编号：3156593