建筑物在人民生活及經(jīng)濟(jì)建設(shè)中扮演著重要的角色,對(duì)建筑物輪廓的提取,能夠給國(guó)土空間規(guī)劃、地理國(guó)情監(jiān)測(cè)等提供重要的數(shù)據(jù)支撐。近年來(lái)航空和衛(wèi)星遙感科技發(fā)展迅猛,利用多源遙感數(shù)據(jù)進(jìn)行建筑物提取能夠大幅減少人力物力成本。機(jī)載LiDAR點(diǎn)云可以提供高精度的地表高程信息,有助于區(qū)分地面和非地面目標(biāo),從而提高建筑物提取精度,但其無(wú)法提供豐富的建筑物輪廓、紋理等信息。因此,融合高分辨率遙感影像和機(jī)載LiDAR點(diǎn)云數(shù)據(jù),有利于實(shí)現(xiàn)高精度的建筑物提取。在深度學(xué)習(xí)的方法與技術(shù)未被廣泛應(yīng)用之前,以往的提取方法較多依賴于人工設(shè)計(jì)的低、中層次圖像特征來(lái)識(shí)別建筑物,缺少對(duì)高層次建筑物語(yǔ)義特征的提取及應(yīng)用,其特征的設(shè)計(jì)與提取來(lái)自于專家對(duì)建筑的考察、解析及總結(jié),難以應(yīng)對(duì)復(fù)雜場(chǎng)景下的建筑物識(shí)別。為了解決傳統(tǒng)分類方法的弊端,對(duì)U-Net進(jìn)行優(yōu)化,提出DRUnet。構(gòu)建了結(jié)合DRUnet和形態(tài)學(xué)濾波處理的建筑物高精度語(yǔ)義分割模型,用于解決在復(fù)雜場(chǎng)景下建筑物提取的問(wèn)題。本文主要研究成果如下:(1)針對(duì)原始U-Net網(wǎng)絡(luò)輸入輸出圖像大小不一致,以及裁剪和復(fù)制(Crop and Copy)通道結(jié)構(gòu)復(fù)雜的問(wèn)題。DRUnet卷積層采用P...

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

第二章卷積神經(jīng)網(wǎng)絡(luò)與圖像分割11圖2-1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.2-1BasicStructureofCNN2.1.1卷積層的結(jié)構(gòu)與原理卷積操作就是特征提取的過(guò)程，通過(guò)小尺寸的卷積核與上一層以窗口滑動(dòng)的形式來(lái)卷積計(jì)算，以此方法來(lái)提取特征。卷積核來(lái)源于仿生學(xué)中的視覺系統(tǒng)感受野，....

圖2-2卷積層運(yùn)算過(guò)程

廣州大學(xué)碩士學(xué)位論文12圖2-2卷積層運(yùn)算過(guò)程Fig.2-2TheOperationProcessofConvolutionLayer卷積計(jì)算流程如下：原始輸入圖像是3通道5*5大小的，W0是已知Filter，大小為3*3的。Filter是過(guò)濾器，是卷積操作中的一套參數(shù)，每一個(gè)F....

圖2-3池化層運(yùn)算過(guò)程

廣州大學(xué)碩士學(xué)位論文14圖2-3池化層運(yùn)算過(guò)程Fig.2-3TheOperationProcessofPoolLayer2.1.3激活層的結(jié)構(gòu)與原理若卷積神經(jīng)網(wǎng)絡(luò)中只存在卷積層和池化層，那么節(jié)點(diǎn)的輸入和輸出都是線性關(guān)系，可以看出，不管你構(gòu)建多層網(wǎng)絡(luò)模型或者是構(gòu)建淺層網(wǎng)絡(luò)模型，輸出....

圖2-4Sigmoid函數(shù)

第二章卷積神經(jīng)網(wǎng)絡(luò)與圖像分割15sigmoid函數(shù):f(x)=11+(24)圖2-4Sigmoid函數(shù)Fig.2-4SigmoidFunctionCurvetanh函數(shù):f(x)=+(25)圖2-5Tanh函數(shù)Fig.2-5TanhFunctionCurve“飽和激活函數(shù)”Sig....

本文編號(hào)：3892211