基于Pytorch框架搭建U-Net网络模型的遥感影像建筑物提取研究

发布时间：2022-01-06 21:41

　　基于深度学习方法,采用Pytorch框架搭建U-Net网络模型,进行了遥感影像建筑物提取研究。首先以建筑物为目标,构建基于光学遥感影像的建筑物样本库,然后进行网络训练建立深度学习模型,并对样本库更新进行模型优化,最后用优化后的模型进行建筑物提取,并与最大似然法、支持向量机法（SVM）进行对比。结果表明:在训练数据集充足的情况下,使用深度学习对台前县建筑物提取总体精度为94. 3%、Kappa系数为0. 83,罗山县总体精度为97. 5%、Kappa系数为0. 75,均高于传统方法,说明利用深度学习的方法进行建筑物提取具有一定的有效性和适用性。 

【文章来源】：河南城建学院学报. 2020,29(04)

【文章页数】：6 页

【部分图文】：

深度学习结构图

U-Net分割网络模型是深度学习方法中一个重要的分割方法，其产生于2015年，由Ronneberger等[12]人提出的一种类FCN新网络分割模型，最初主要用于医学影像的分割。随着算法的深入研究，也广泛应用于其他方面，如图像变换等。图2为U-Net网络结构图。U-Net网络的结构是对称的，形似英文字母U，所以被称为U-Net。其网络结构由两部分组成:搜索路径和扩展路径。搜索路径主要是用来捕捉图片中的上下文信息，对输入的影像进行卷积和池化操作，得到高维的特征金字塔。扩展路径则是为了对图片中所需要分割出来的部分进行精准定位。对影像进行反卷积和上采样操作，最后得到与输入影像尺寸相同的影像输出。从图2可以看出，整张图都是由蓝/白色框与各种颜色的箭头组成。其中，蓝/白色框表示特征图;蓝色箭头表示3×3卷积，用于特征提取;灰色箭头表示跳跃连接，用于特征融合;红色箭头表示池化，用于降低维度;绿色箭头表示上采样，用于恢复影像尺寸;青色箭头表示1×1卷积，用于输出结果。

裁剪试验图

【参考文献】：
期刊论文
[1]高分辨率影像建筑物提取方法对比[J]. 秦梦宇,赵赫.  科技创新与应用. 2020(10)
[2]基于深度学习的高分辨率遥感图像建筑物识别[J]. 宋廷强,李继旭,张信耶.  计算机工程与应用. 2020(08)
[3]一种改进的Unet建筑物变化检测方法[J]. 沈旭东,吴湘莲,雷英栋.  电子制作. 2020(01)
[4]基于高分卫星遥感影像的城市建筑物提取研究[J]. 于书媛,骆佳骥,杨源源.  华南地震. 2019(02)
[5]基于深度学习的高分遥感影像乡镇建筑物识别方法[J]. 王利忠,张宏海,仲波,牛铁.  科研信息化技术与应用. 2019(01)
[6]基于资源一号02C卫星影像的稀土矿区地物提取研究[J]. 朱元峰,况润元,张刚华.  江西理工大学学报. 2018(03)
[7]多特征融合的高分辨率遥感影像建筑物分级提取[J]. 林雨准,张保明,王丹菂,陈小卫,徐俊峰.  中国图象图形学报. 2017(12)

硕士论文
[1]面向对象结合支持向量机（SVM）在露天矿区信息提取中的应用研究[D]. 程璐.青海大学 2017



本文编号：3573219