利用深度卷积神经网络的遥感影像建筑物识别和轮廓规范化

发布时间：2025-02-11 14:59

　　作为基本地理数据库中与人类活动关系极为密切的一种数据范畴,建筑物的地理、形状、颜色等信息在政府部分、民生部门、商业领域里都有着极大的需求。这些需求侧重各不相同,而且信息有时无法相互流通,因此提取建筑物信息是遥感应用和地理信息系统的常见任务。加上各类房屋随着城市建设有所增减和变化,变化频繁,因此这类信息需要及时更新。然而,使用人工实地勘测的方式对基本GIS数据库的建筑物类型数据进行更新不仅耗费大量人力物力,而且周期较长,难以满足即时性需求,此外,由于专业素养和主观认知的差异,这种方式所获取的建筑物数据质量不一,不利于统一处理。另一方面,伴随着多源高分遥感技术的成熟化,采用高分遥感技术从大尺度的高分遥感影像中迅速提取多种建筑物的方法展示出了其他方法所不具备的高效优势。其中,人口普查、灾害防治、军事侦察、市政规划等领域需要从遥感影像中迅速、可靠地获取建筑物等人工目标,并在此基础上进行建筑物变化观测分析以便开展具体应用。因此,基于遥感图像的建筑物自动提取,业已发展成为基本地理信息系统数据库数据获取和更新的主流手段。当前针对建筑物检测和提取方面的研究虽然己取得了一些进展,但是这些算法依然存在着人工...

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图１．１技术路线图??Ｆｉｇ?１．１?Ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ??１３．２论文组织??，

?－？ｖ，｜－．Ｋ〇ｌＷｍ?Ｉ??捉?｜??－ｒ??｜??ｍ?！?！??Ｉ?Ｉ??处川（ｗ？到遽筑物??］?ＫＯＩ??Ｉ?ｌ：：：：：．；二一二二?ｊ?｜??Ｉ?１??Ｉ????Ｉ??涔丨?让％物形状ｍ别?！??力ｉ?｜?｜??ＶＴｊ?Ｉ????Ｉ??伦Ｉ?！??丨：丨：？???....

图２．２?Ｓｉｇｍｏｉｄ函数图像??Ｆｉｇ２．２?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??

活函数和Ｄｒｏｐｏｕｔ??激活函数的选择对于网络训练非常重要，因为它直接影响着整个网络训练??过程中的网络参数变化情况。??以前的神经网络中常用的激活函数为Ｓｉｇｍｏｉｄ函数，其定义如下：??＝?（２．１３）??１?＋?ｅ??从其表达式可以很明显地知道该函数的输出值区间为［０，１....

图２．３?ＲｅＬＵ函数图像??Ｆｉｇ２．３?ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??

泌豸大．赛颂士学位论文?第二章卷积神经网络理论??从图２．２中可以明显看出ｓｉｇｍｏｉｄ函数只在一个很小的范围内有较明显的??数值变化，此范围之外，函数值将变化缓慢，换言之，导数接近０。在卷积??神经网络的训练过程中，这将导致出现“梯度消失”的问题，使整个训练过程??中参数更新缓....

图２．４使用Ｄｒｏｐｏｕｔ的神经网络??Ｆｉｇ２．４?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｕｓｉｎｇ?Ｄｒｏｐｏｕｔ??

泌Ｊ大身硕士学位论文?第二章卷积神经网络理论??例，那么每次迭代训练的将是网络权值不同但是各层结构一样的网络模型，而??测试时会将Ｄｒｏｐｏｕｔ比率与输出的乘积作为输出结果。??从使用Ｄｒｏｐｏｕｔ的训练过程和测试过程来看，它的设计其实基于这样一种??考虑：一个网络的结果可能出错....

本文编号：4033429