基于语义分割和实例分割的高分辨率遥感影像建筑物提取方法研究
发布时间：2021-09-15 07:04
高分辨率遥感影像（简称,高分影像）的建筑物提取工作,对于社会经济建设、城市规划以及地图绘制等方面具有重要意义。由于建筑物本身的各异性及背景地物的干扰,基于传统算法的高分影像的建筑物提取结果普遍存在着精度不够、边缘缺失等缺陷,因此,高精度的高分影像建筑物自动提取模型亟待开发。近年来随着硬件设备的大幅进步以及大数据时代的到来,深度学习算法得到了前所未有的快速发展。深度学习算法在图像处理方面具有准确性高、鲁棒性强等优点,基于深度学习的高分影像建筑物自动提取方法可以达到更高的精度。本文总结和分析了国内外在高分影像建筑物提取方面的相关研究,阐述了深度学习卷积神经网络的建筑物提取方法原理。为进一步提高建筑物语义分割的精度,提出了一种基于轮廓特征的多任务学习语义分割网络,并且,为同时获取高分影像中建筑物的掩膜和包围框提取结果,提出了一种基于实例分割的高分影像建筑物提取方法。本文的主要工作可以总结为以下几点:（1）分析了经典的语义分割模型原理与结构,主要包括FCN、U-net以及ResUnet模型。考虑到建筑物对象所具有的独特轮廓特征,提出了一种基于轮廓特征的多任务学习网络。该模型借助多任务学习思想,...
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
高分影像建筑物提取方法技术路线图
桂林理工大学硕士学位论文9第2章深度学习卷积神经网络原理及数据介绍在构建基于深度学习的高分影像建筑物提取模型之前，本章将详细介绍卷积神经网络的相关知识及算法，同时，对后续用于模型训练与测试的建筑物数据集进行说明。2.1深度学习卷积神经网络结构介绍2.1.1卷积神经网络介绍深度学习起源于人工神经网络,又称神经网络，深度学习实质上是指能够有效训练深层神经网络的方法。人工神经网络是一种模仿生物神经网络的行为特征，进行分布式并行信息处理的算法数学模型。神经网络是由非线性计算单元组构成的分层系统，这些非线性单元被称为神经元或节点。最早提出的神经元模型为McCulloch和Pitts提出了M-P神经元模型。图2.1M-P神经元模型图2.1为M-P神经元模型示意图，其中为输入信号,为权重参数,b为偏置参数，为非线性变换函数，y为输出信号，则模型计算公式如下(2.1)一般将神经网络结构划分为输入层、隐藏层和输出层三个部分，将具有两层以上隐藏层的神经网络称为深层神经网络。隐藏层是卷积神经网络的核心工作区，是模型构建过程中研究的重点区域，是大多数模型改进的主要部分。根据信号传递方式，神经网络可分为前馈神经网络和反馈神经网络，在前馈神经网络中，除输入层外所有神经元只接收前一级输入并输出到下一级，整个网络中并无反馈机制。图2.2为深层前馈神经网络结构图，同多层感知器模型一样，层与层之间的神经元是全连接的。
桂林理工大学硕士学位论文10深度神经网络包括卷积神经网络、循环神经网络（也称递归神经网络）、深度置信网络及生成对抗网络。其中，卷积神经网络在图像处理方面具有独特优势。首先，卷积神经网络采用了局部连接的传导方式，在网络中每个神经元只与部分神经元相连接，较之全连接网络减少大部分连接，有效解决了处理图像数据时的计算量问题。其次，在利用卷积核进行特征提取时，卷积核中的权值是层内共享的，大幅降低了网络中的参数量，使深层架构不会因为参数量而受到制约。图2.2深层前馈神经网络结构图2.1.2卷积神经网络结构分析卷积神经网络（ConvolutionalNeuralNetworks，CNN）又称人工神经网络，是深度学习在图像处理方面问题的主要工具，是一种具有深度结构的前馈神经网络，是深度学习中的代表算法之一。CNN的中心思想是利用深层卷积来模拟人类神经系统中的神经元的工作方式,赋予计算机处理非结构化数据的能力。卷积神经网络与一般神经网络的区别在于，卷积神经网络中至少有一层是以卷积来代替矩阵乘法计算的，通过卷积运算共享权值参数，建立不完全连接，有效降低运算量。从理论上说,卷积神经网络本质上是一种多层感知器，是一种前馈神经网络，网络构成一般包括输入层、交替的卷积层和池化层、全连接层以及输出层。CNN依靠误差的反向传播来优化网络参数，并在反向传播中利用随机梯度算法对模型进行优化，促进模型的损失函数快速收敛。接下来，本节将详细解析CNN的基本结构构成，并对模型的训练学习算法进行详细说明。
【参考文献】：
期刊论文
[1]基于多任务学习的高分辨率遥感影像建筑实例分割[J]. 惠健,秦其明,许伟,隋娟. 北京大学学报(自然科学版). 2019(06)
[2]基于Mask-RCNN的建筑物目标检测算法[J]. 李大军,何维龙,郭丙轩,李茂森,陈敏强. 测绘科学. 2019(10)
[3]遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 季顺平,魏世清. 测绘学报. 2019(04)
[4]联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别[J]. 乔文凡,慎利,戴延帅,曹云刚. 地理与地理信息科学. 2018(05)
[5]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)
[6]基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 赵宗泽,张永军. 光学学报. 2016(10)
[7]基于随机森林的WorldVew2i影像建筑物精细提取[J]. 范驰,江洪. 地理空间信息. 2016(01)
[8]一种新的面向对象城市建筑物信息提取方法研究[J]. 樊舒迪,胡月明,刘振华. 华南师范大学学报(自然科学版). 2015(06)
[9]高空间分辨率遥感影像建筑物提取方法综述[J]. 张庆云,赵冬. 测绘与空间地理信息. 2015(04)
[10]基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究[J]. 崔有祯,吴露露,辛星,陈国锐,郑志雄. 测绘通报. 2013(09)
硕士论文
[1]遥感影像建筑物提取与深度学习[D]. 潘昕.北京建筑大学 2018
[2]基于深度学习和直线检测的高分辨率遥感影像建筑物提取[D]. 张通.武汉大学 2018
[3]高分辨率遥感影像建筑物提取方法研究[D]. 黄小兵.西安科技大学 2014
[4]高分辨率遥感影像建筑物提取技术研究[D]. 魏德强.解放军信息工程大学 2013
本文编号：3395623
【文章来源】：桂林理工大学广西壮族自治区
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
高分影像建筑物提取方法技术路线图
桂林理工大学硕士学位论文9第2章深度学习卷积神经网络原理及数据介绍在构建基于深度学习的高分影像建筑物提取模型之前，本章将详细介绍卷积神经网络的相关知识及算法，同时，对后续用于模型训练与测试的建筑物数据集进行说明。2.1深度学习卷积神经网络结构介绍2.1.1卷积神经网络介绍深度学习起源于人工神经网络,又称神经网络，深度学习实质上是指能够有效训练深层神经网络的方法。人工神经网络是一种模仿生物神经网络的行为特征，进行分布式并行信息处理的算法数学模型。神经网络是由非线性计算单元组构成的分层系统，这些非线性单元被称为神经元或节点。最早提出的神经元模型为McCulloch和Pitts提出了M-P神经元模型。图2.1M-P神经元模型图2.1为M-P神经元模型示意图，其中为输入信号,为权重参数,b为偏置参数，为非线性变换函数，y为输出信号，则模型计算公式如下(2.1)一般将神经网络结构划分为输入层、隐藏层和输出层三个部分，将具有两层以上隐藏层的神经网络称为深层神经网络。隐藏层是卷积神经网络的核心工作区，是模型构建过程中研究的重点区域，是大多数模型改进的主要部分。根据信号传递方式，神经网络可分为前馈神经网络和反馈神经网络，在前馈神经网络中，除输入层外所有神经元只接收前一级输入并输出到下一级，整个网络中并无反馈机制。图2.2为深层前馈神经网络结构图，同多层感知器模型一样，层与层之间的神经元是全连接的。
桂林理工大学硕士学位论文10深度神经网络包括卷积神经网络、循环神经网络（也称递归神经网络）、深度置信网络及生成对抗网络。其中，卷积神经网络在图像处理方面具有独特优势。首先，卷积神经网络采用了局部连接的传导方式，在网络中每个神经元只与部分神经元相连接，较之全连接网络减少大部分连接，有效解决了处理图像数据时的计算量问题。其次，在利用卷积核进行特征提取时，卷积核中的权值是层内共享的，大幅降低了网络中的参数量，使深层架构不会因为参数量而受到制约。图2.2深层前馈神经网络结构图2.1.2卷积神经网络结构分析卷积神经网络（ConvolutionalNeuralNetworks，CNN）又称人工神经网络，是深度学习在图像处理方面问题的主要工具，是一种具有深度结构的前馈神经网络，是深度学习中的代表算法之一。CNN的中心思想是利用深层卷积来模拟人类神经系统中的神经元的工作方式,赋予计算机处理非结构化数据的能力。卷积神经网络与一般神经网络的区别在于，卷积神经网络中至少有一层是以卷积来代替矩阵乘法计算的，通过卷积运算共享权值参数，建立不完全连接，有效降低运算量。从理论上说,卷积神经网络本质上是一种多层感知器，是一种前馈神经网络，网络构成一般包括输入层、交替的卷积层和池化层、全连接层以及输出层。CNN依靠误差的反向传播来优化网络参数，并在反向传播中利用随机梯度算法对模型进行优化，促进模型的损失函数快速收敛。接下来，本节将详细解析CNN的基本结构构成，并对模型的训练学习算法进行详细说明。
【参考文献】：
期刊论文
[1]基于多任务学习的高分辨率遥感影像建筑实例分割[J]. 惠健,秦其明,许伟,隋娟. 北京大学学报(自然科学版). 2019(06)
[2]基于Mask-RCNN的建筑物目标检测算法[J]. 李大军,何维龙,郭丙轩,李茂森,陈敏强. 测绘科学. 2019(10)
[3]遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 季顺平,魏世清. 测绘学报. 2019(04)
[4]联合膨胀卷积残差网络和金字塔池化表达的高分影像建筑物自动识别[J]. 乔文凡,慎利,戴延帅,曹云刚. 地理与地理信息科学. 2018(05)
[5]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)
[6]基于植被指数限制分水岭算法的机载激光点云建筑物提取[J]. 赵宗泽,张永军. 光学学报. 2016(10)
[7]基于随机森林的WorldVew2i影像建筑物精细提取[J]. 范驰,江洪. 地理空间信息. 2016(01)
[8]一种新的面向对象城市建筑物信息提取方法研究[J]. 樊舒迪,胡月明,刘振华. 华南师范大学学报(自然科学版). 2015(06)
[9]高空间分辨率遥感影像建筑物提取方法综述[J]. 张庆云,赵冬. 测绘与空间地理信息. 2015(04)
[10]基于改进Harris算法的高分辨率遥感影像建筑物角点检测研究[J]. 崔有祯,吴露露,辛星,陈国锐,郑志雄. 测绘通报. 2013(09)
硕士论文
[1]遥感影像建筑物提取与深度学习[D]. 潘昕.北京建筑大学 2018
[2]基于深度学习和直线检测的高分辨率遥感影像建筑物提取[D]. 张通.武汉大学 2018
[3]高分辨率遥感影像建筑物提取方法研究[D]. 黄小兵.西安科技大学 2014
[4]高分辨率遥感影像建筑物提取技术研究[D]. 魏德强.解放军信息工程大学 2013
本文编号：3395623
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3395623.html
