深度卷积学习支持下的建筑物模式分析

发布时间：2022-12-17 11:26

　　建筑物作为地理空间矢量数据库中重要的组成部分,是表达空间现象、支撑空间分析和提供空间服务的基础之一,其无论在个体形态还是群组结构,都存在显著的模式特征。然而,建筑物作为二维平面矢量数据,其形式化和定量化表达方法仍难以统一;同时,模式作为高层次概念,具有很强的模糊性和不确定性。尽管现有研究已从多角度、多层次、多领域展开,并取得了一定成果,但仍亟需探索更有效的技术来提取隐含在数据背后的特征。近年来,深度学习在诸多领域都取得了巨大成功,其优势之一在于局部特征保持,这与建筑物等地理空间数据的局部相关性和多尺度特征思想上一致。然而,深度学习并没有在建筑物模式分析问题中同振共鸣,制约其发展的主要原因是矢量存储表达的建筑物不能满足深度学习对输入数据的规范性要求。针对该问题,论文以图傅里叶变换和卷积定理为理论基础,介绍了一种新的图卷积运算,并基于此构造出图卷积神经网络学习模型（Graph convolutional neural network,GCNN）,应用于解决矢量建筑物数据的模式分析问题。主要研究工作如下:（1）从空间尺寸和空间类型两个维度讨论了建筑物模式研究的科学问题,并总结了不同尺度下的模... 

【文章页数】：148 页

【学位级别】：博士

【部分图文】：

深度学习（Deep learning）发展趋势

深度学习发展历程

利用不同的深度学习模型处理不同数据组织方式的空间数据，其中一维、

【参考文献】：
期刊论文
[1]基础地理知识服务的基本问题与研究方向[J]. 陈军,刘万增,武昊,李志林,赵勇,张蓝.  武汉大学学报(信息科学版). 2019(01)
[2]一种傅立叶描述子支持下的建筑群模式识别方法[J]. 刘鹏程,林文辉,许小峰.  华中师范大学学报(自然科学版). 2018(05)
[3]机器自监督学习的建筑物面要素几何形状度量[J]. 马磊,闫浩文,王中辉,刘波,吕文清.  测绘科学. 2017(12)
[4]尺度驱动的空间聚类理论[J]. 李志林,刘启亮,唐建波.  测绘学报. 2017(10)
[5]特征分类与邻近图相结合的建筑物群空间分布特征提取方法[J]. 郭庆胜,魏智威,王勇,王琳.  测绘学报. 2017(05)
[6]居民地要素化简的形状识别与模板匹配方法[J]. 晏雄锋,艾廷华,杨敏.  测绘学报. 2016(07)
[7]国家基础地理信息数据库动态更新总体技术[J]. 王东华,刘建军.  测绘学报. 2015(07)
[8]基于邻近四点法的建筑物多边形化简[J]. 许文帅,龙毅,周侗,陈林.  测绘学报. 2013(06)
[9]一种建筑物群智能聚类法[J]. 程博艳,刘强,李小文.  测绘学报. 2013(02)
[10]利用约束D-TIN进行建筑物多边形凹部结构识别与渐进式化简[J]. 陈文瀚,龙毅,沈婕,李雯静.  武汉大学学报(信息科学版). 2011(05)

博士论文
[1]广府地区传统村落空间模式研究[D]. 张莎玮.华南理工大学 2018
[2]广东传统聚落及其民居类型文化地理研究[D]. 曾艳.华南理工大学 2016
[3]形状识别在地图综合中的应用研究[D]. 刘鹏程.武汉大学 2009

硕士论文
[1]基于SOM神经网络算法的地图建筑物聚类[D]. 王真.电子科技大学 2016
[2]城市建筑群典型空间分布模式的识别方法研究[D]. 巩现勇.解放军信息工程大学 2014



本文编号：3719846