基于高分影像与深度学习方法的路网提取技术研究与应用

发布时间：2022-01-13 18:12

　　基于高分辨率二号遥感影像数据与Wasserstein生成对抗网络深度学习模型,依据样本集制作、模型训练、路网提取的技术路线,研发面向公路管理者实际业务应用的路网提取技术。其提取精度可达70%,提取速率达2.4s/km²,大大降低了人力物力成本,相较于传统方法更具优势和普适性。将该路网提取技术应用于甘肃省白银市会宁县,通过对提取路网结果与已有路网数据的空间匹配关系进行判定,可初步实现已有路网线型错误、偏移、改道以及新增路网线型的核查,从而为道路资产核查提供坚实的技术保障,也为深度学习方法与高分辨率遥感影像在交通行业的应用提供新的思路。 

【文章来源】：公路. 2020,65(09)北大核心

【文章页数】：4 页

【部分图文】：

甘肃省白银市会宁县行政区划图与2019年高分二号（GF-2）影像

(3)根据线矢量生成对应切片的二值化栅格图像，其中道路（正样本）值为1，非道路（负样本）值为0（如图2(b））。(2）模型训练：生成对抗网络（Generative Adversarial Network,GAN）是由Goodfellow在2014年提出[11]。它需要训练一个能从随机噪声中生成逼近真实样本的生成样本的生成器（Generator，简称G），以及一个能判断输入数据来自于真实样本还是生成样本的鉴别器（Discriminator，简称D）。最终训练目标是使G具有以假乱真的能力，并且D无法区分输入数据是真实样本还是生成样本。本文所使用的深度学习模型为WGAN[12]，它能够有效解决一般GAN生成器训练过程中存在的“梯度消失”、“模式崩溃”等缺陷[13]，其模型结构如图3所示。

(2）模型训练：生成对抗网络（Generative Adversarial Network,GAN）是由Goodfellow在2014年提出[11]。它需要训练一个能从随机噪声中生成逼近真实样本的生成样本的生成器（Generator，简称G），以及一个能判断输入数据来自于真实样本还是生成样本的鉴别器（Discriminator，简称D）。最终训练目标是使G具有以假乱真的能力，并且D无法区分输入数据是真实样本还是生成样本。本文所使用的深度学习模型为WGAN[12]，它能够有效解决一般GAN生成器训练过程中存在的“梯度消失”、“模式崩溃”等缺陷[13]，其模型结构如图3所示。在本文所用的WGAN模型中，生成器G由较为复杂的残差网络构成。将样本大小为512×512的高分二号影像切片样本集z输入生成器后，即得到根据原始影像特征生成的道路元素生成样本G(z）。鉴别器D由卷积网络构成，在判断数据来源于生成样本G(z）还是真实样本x后输出数据为真实样本的概率p,p>0.5则输出1，否则输出0。

【参考文献】：
期刊论文
[1]“高分二号”卫星在黄土地质灾害解译中的应用研究[J]. 张幼莹,余江宽,步凡,高丽琰.  测绘与空间地理信息. 2017(11)
[2]遥感图像自动道路提取方法综述[J]. 吴亮,胡云安.  自动化学报. 2010(07)
[3]高分辨率遥感影像道路提取技术研究与展望[J]. 李光耀,胡阳.  遥感信息. 2008(01)



本文编号：3586908