基于深度卷积神经网络的高分辨率遥感影像建筑物提取方法研究
发布时间：2021-08-01 14:27
如今城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象。基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。现有提取方法主要依赖人工设计的特征,虽然取得了一定效果,但耗时费力。本文以卷积神经网络为基础,利用它能自主学习多层次特征的能力,提出了“编码器-特征增强-解码器”结构的、激活函数为ELU的网络模型FE-Net（Feature Enhancement Network）,实现了端到端的高分辨率遥感影像建筑物提取。具体研究如下:（1）以美国马萨诸塞州建筑物数据集为实验数据,基于U-Net模型,对网络模型层数进行相关探究。本文主要探究网络层数为5层、6层、7层的U型网络模型（U-Net5、U-Net6、U-Net7）,当网络层数为8层时,由于受实验条件限制,故不考虑。通过比较不同网络层数模型（U-Net5、U-Net6、U-Net7）的建筑物提取效果和精度,以找到最佳的基础网络模型。（2）基于（1）找到的最佳基础网络模型,通过在基础网络模型的结构中添加特征增强结构来改善网络模型算法的性能。其基...
【文章来源】：兰州交通大学甘肃省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
技术路线图
基于深度卷积神经网络的高分辨率遥感影像建筑物提取方法研究-12-（a）全连接（b）局部连接图2.1全连接和局部感受野连接示意图2.1.2权值共享虽然局部感受野相比全连接减少了很多网络参数[64]，但总体上，神经网络的参数还是存在很多，因此，为了进一步减少参数量，于是就有了权值共享的概念。权值共享是卷积核在遍历整个输入影像时，卷积核里的权重值保持不变，这样就可以得到在同一输入图像的不同区域具有相同特征的特征图。其实，在一幅图像中，不同区域也会存在着相同的特征，使用权重共享，不仅可以减少网络参数量，而且也能体现图像特性。2.1.3空间降采样所谓空间降采样就是指池化运算，有很多形式的池化函数，比如最大池化、平均池化等。它可以对特征图进行进一步降维以提取到一些不随尺度变化的主要的稳定特征。池化的目的是为了进一步减少网络的参数数量，进而减少网络的计算量，且能在一定程度上控制过拟合。（a）特征图（b）池化结果图2.2池化示意图
基于深度卷积神经网络的高分辨率遥感影像建筑物提取方法研究-12-（a）全连接（b）局部连接图2.1全连接和局部感受野连接示意图2.1.2权值共享虽然局部感受野相比全连接减少了很多网络参数[64]，但总体上，神经网络的参数还是存在很多，因此，为了进一步减少参数量，于是就有了权值共享的概念。权值共享是卷积核在遍历整个输入影像时，卷积核里的权重值保持不变，这样就可以得到在同一输入图像的不同区域具有相同特征的特征图。其实，在一幅图像中，不同区域也会存在着相同的特征，使用权重共享，不仅可以减少网络参数量，而且也能体现图像特性。2.1.3空间降采样所谓空间降采样就是指池化运算，有很多形式的池化函数，比如最大池化、平均池化等。它可以对特征图进行进一步降维以提取到一些不随尺度变化的主要的稳定特征。池化的目的是为了进一步减少网络的参数数量，进而减少网络的计算量，且能在一定程度上控制过拟合。（a）特征图（b）池化结果图2.2池化示意图
【参考文献】：
期刊论文
[1]深度神经网络条件随机场高分辨率遥感图像建筑物分割[J]. 王宇,杨艺,王宝山,王田,卜旭辉,王传云. 遥感学报. 2019(06)
[2]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[3]基于全卷积神经网络的建筑物屋顶自动提取[J]. 刘文涛,李世华,覃驭楚. 地球信息科学学报. 2018(11)
[4]多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 林雨准,张保明,徐俊峰,侯凯,周迅. 测绘通报. 2017(12)
[5]顾及局部特性的CNN在遥感影像分类的应用[J]. 杨嘉树,梅天灿,仲思东. 计算机工程与应用. 2018(07)
[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]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)
[8]一种基于高分辨率遥感影像的建筑物提取方法[J]. 顾钰培,肖兰玲,凌婷婷,达利春. 测绘与空间地理信息. 2014(04)
[9]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)
[10]基于知识规则构建和形态学修复的建筑物提取研究[J]. 黄金库,冯险峰,徐秀莉,丁青. 地理与地理信息科学. 2011(04)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]基于深度学习的高分辨率遥感影像语义分割的研究与应用[D]. 汪志文.北京邮电大学 2019
[2]基于机器学习的房产智能自动评估模型的研究与系统实现[D]. 王昕睿.北京邮电大学 2019
[3]基于深度学习的变电站巡检机器人道路场景识别[D]. 刘明春.西南交通大学 2019
[4]基于深度学习的图像描述方法研究[D]. 常智.天津理工大学 2019
[5]基于MaskR-CNN分割的TEM纳米颗粒参数测量方法研究[D]. 吴玥.天津工业大学 2019
[6]基于深度学习的遥感影像建筑物提取方法研究[D]. 朱光亚.浙江大学 2019
[7]基于优化RBFNN的DDoS攻击检测研究[D]. 张梦奇.哈尔滨工程大学 2019
[8]舰船视觉系统海空多目标识别与跟踪技术研究[D]. 李慧欣.哈尔滨工程大学 2019
[9]基于卷积神经网络的太阳射电频谱图的分类算法研究[D]. 陈思思.深圳大学 2018
[10]遥感影像建筑物提取与深度学习[D]. 潘昕.北京建筑大学 2018
本文编号：3315695
【文章来源】：兰州交通大学甘肃省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
技术路线图
基于深度卷积神经网络的高分辨率遥感影像建筑物提取方法研究-12-（a）全连接（b）局部连接图2.1全连接和局部感受野连接示意图2.1.2权值共享虽然局部感受野相比全连接减少了很多网络参数[64]，但总体上，神经网络的参数还是存在很多，因此，为了进一步减少参数量，于是就有了权值共享的概念。权值共享是卷积核在遍历整个输入影像时，卷积核里的权重值保持不变，这样就可以得到在同一输入图像的不同区域具有相同特征的特征图。其实，在一幅图像中，不同区域也会存在着相同的特征，使用权重共享，不仅可以减少网络参数量，而且也能体现图像特性。2.1.3空间降采样所谓空间降采样就是指池化运算，有很多形式的池化函数，比如最大池化、平均池化等。它可以对特征图进行进一步降维以提取到一些不随尺度变化的主要的稳定特征。池化的目的是为了进一步减少网络的参数数量，进而减少网络的计算量，且能在一定程度上控制过拟合。（a）特征图（b）池化结果图2.2池化示意图
基于深度卷积神经网络的高分辨率遥感影像建筑物提取方法研究-12-（a）全连接（b）局部连接图2.1全连接和局部感受野连接示意图2.1.2权值共享虽然局部感受野相比全连接减少了很多网络参数[64]，但总体上，神经网络的参数还是存在很多，因此，为了进一步减少参数量，于是就有了权值共享的概念。权值共享是卷积核在遍历整个输入影像时，卷积核里的权重值保持不变，这样就可以得到在同一输入图像的不同区域具有相同特征的特征图。其实，在一幅图像中，不同区域也会存在着相同的特征，使用权重共享，不仅可以减少网络参数量，而且也能体现图像特性。2.1.3空间降采样所谓空间降采样就是指池化运算，有很多形式的池化函数，比如最大池化、平均池化等。它可以对特征图进行进一步降维以提取到一些不随尺度变化的主要的稳定特征。池化的目的是为了进一步减少网络的参数数量，进而减少网络的计算量，且能在一定程度上控制过拟合。（a）特征图（b）池化结果图2.2池化示意图
【参考文献】：
期刊论文
[1]深度神经网络条件随机场高分辨率遥感图像建筑物分割[J]. 王宇,杨艺,王宝山,王田,卜旭辉,王传云. 遥感学报. 2019(06)
[2]基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 范荣双,陈洋,徐启恒,王竞雪. 测绘学报. 2019(01)
[3]基于全卷积神经网络的建筑物屋顶自动提取[J]. 刘文涛,李世华,覃驭楚. 地球信息科学学报. 2018(11)
[4]多特征多尺度相结合的高分辨率遥感影像建筑物提取[J]. 林雨准,张保明,徐俊峰,侯凯,周迅. 测绘通报. 2017(12)
[5]顾及局部特性的CNN在遥感影像分类的应用[J]. 杨嘉树,梅天灿,仲思东. 计算机工程与应用. 2018(07)
[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]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)
[8]一种基于高分辨率遥感影像的建筑物提取方法[J]. 顾钰培,肖兰玲,凌婷婷,达利春. 测绘与空间地理信息. 2014(04)
[9]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)
[10]基于知识规则构建和形态学修复的建筑物提取研究[J]. 黄金库,冯险峰,徐秀莉,丁青. 地理与地理信息科学. 2011(04)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]基于深度学习的高分辨率遥感影像语义分割的研究与应用[D]. 汪志文.北京邮电大学 2019
[2]基于机器学习的房产智能自动评估模型的研究与系统实现[D]. 王昕睿.北京邮电大学 2019
[3]基于深度学习的变电站巡检机器人道路场景识别[D]. 刘明春.西南交通大学 2019
[4]基于深度学习的图像描述方法研究[D]. 常智.天津理工大学 2019
[5]基于MaskR-CNN分割的TEM纳米颗粒参数测量方法研究[D]. 吴玥.天津工业大学 2019
[6]基于深度学习的遥感影像建筑物提取方法研究[D]. 朱光亚.浙江大学 2019
[7]基于优化RBFNN的DDoS攻击检测研究[D]. 张梦奇.哈尔滨工程大学 2019
[8]舰船视觉系统海空多目标识别与跟踪技术研究[D]. 李慧欣.哈尔滨工程大学 2019
[9]基于卷积神经网络的太阳射电频谱图的分类算法研究[D]. 陈思思.深圳大学 2018
[10]遥感影像建筑物提取与深度学习[D]. 潘昕.北京建筑大学 2018
本文编号：3315695
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3315695.html
