【摘要】：基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)提出了一種適用于空心村高分影像的建筑物自動(dòng)檢測(cè)方法,該方法利用多尺度顯著性檢測(cè)來(lái)獲取包含建筑物信息的顯著性區(qū)域,然后通過(guò)滑動(dòng)窗口獲取顯著性區(qū)域內(nèi)目標(biāo)樣本塊,再將這些樣本塊輸入訓(xùn)練好的CNN并結(jié)合SVM來(lái)實(shí)現(xiàn)分類(lèi)。為檢驗(yàn)方法有效性,選取高分影像進(jìn)行實(shí)驗(yàn),結(jié)果表明,顯著性檢測(cè)能夠有效地獲取主要目標(biāo),減弱其他無(wú)關(guān)目標(biāo)的影響,降低數(shù)據(jù)冗余;卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)高層次的特征,基于CNN對(duì)高分影像進(jìn)行建筑物檢測(cè),分類(lèi)準(zhǔn)確度可以達(dá)到97.6%,表明該方法具有較好的魯棒性和有效性。
[Abstract]:Based on convolution neural network (CNN), a building automatic detection method for hollow village high score image is proposed. The method uses multi-scale salience detection to obtain significant area containing building information. Then, the target sample blocks in the significant region are obtained by sliding window, and then the sample blocks are input into the trained CNN and the SVM is used to realize the classification. In order to verify the effectiveness of the method, the high score images are selected for the experiment. The results show that the significant detection can effectively obtain the main targets, reduce the impact of other unrelated targets, and reduce the data redundancy. Convolution neural network can automatically learn high-level features, and the classification accuracy can reach 97.6based on CNN for building detection of high-score images, which shows that this method has good robustness and effectiveness.
【作者單位】： 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院;四川省土地統(tǒng)征事物中心;成都理工大學(xué)地球科學(xué)學(xué)院;四川大學(xué)水利水電學(xué)院;中鐵二院工程集團(tuán)有限公司;
【基金】：“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2014BAL01B04)
【分類(lèi)號(hào)】：TP183;TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃洪鐘,李海濱;有限元的神經(jīng)網(wǎng)絡(luò)計(jì)算方法研究[J];機(jī)械強(qiáng)度;2003年03期

2 彭磊;田麗;;基于神經(jīng)網(wǎng)絡(luò)消除噪聲技術(shù)的研究[J];黑龍江科技信息;2009年16期

3 林建輝,陳建政,陳琳;基于神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)子動(dòng)力系統(tǒng)穩(wěn)定性辨識(shí)[J];機(jī)械科學(xué)與技術(shù);1999年02期

4 熊日華,王世昌;神經(jīng)網(wǎng)絡(luò)在膜技術(shù)中的應(yīng)用[J];膜科學(xué)與技術(shù);2003年06期

5 高強(qiáng);錢(qián)林方;侯遠(yuǎn)龍;王力;;泵控缸電液位置伺服系統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J];機(jī)床與液壓;2008年06期

6 緱新科;崔明月;;神經(jīng)網(wǎng)絡(luò)-遺傳算法在振動(dòng)控制系統(tǒng)中的應(yīng)用[J];機(jī)械設(shè)計(jì)與制造;2009年08期

7 于祥;趙冬至;張豐收;肖忠峰;;基于神經(jīng)網(wǎng)絡(luò)的紅樹(shù)林景觀特性遙感提取技術(shù)研究[J];海洋環(huán)境科學(xué);2007年06期

8 國(guó)蓉;何鎮(zhèn)安;;基于多級(jí)神經(jīng)網(wǎng)絡(luò)的被動(dòng)聲定位算法研究[J];計(jì)算機(jī)應(yīng)用研究;2011年06期

9 石小云;;基于SOM神經(jīng)網(wǎng)絡(luò)的靜止衛(wèi)星云圖分類(lèi)[J];電子設(shè)計(jì)工程;2011年16期

10 丁國(guó)良,張春路,李灝;神經(jīng)網(wǎng)絡(luò)在空調(diào)器仿真中的應(yīng)用研究[J];制冷學(xué)報(bào);1999年02期

相關(guān)會(huì)議論文 前10條

1 徐慧;徐海樵;張必銀;;基于LVQ神經(jīng)網(wǎng)絡(luò)的水聲目標(biāo)識(shí)別技術(shù)[A];中國(guó)造船工程學(xué)會(huì)電子技術(shù)學(xué)術(shù)委員會(huì)——2012年水下復(fù)雜戰(zhàn)場(chǎng)環(huán)境目標(biāo)識(shí)別與對(duì)抗及仿真技術(shù)學(xué)術(shù)交流論文集[C];2012年

2 張彼德;;汽輪發(fā)電機(jī)組振動(dòng)多故障診斷的神經(jīng)網(wǎng)絡(luò)方法研究[A];第八屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集摘要[C];2003年

3 金鳳;;基于神經(jīng)網(wǎng)絡(luò)與理想解的多屬性決策[A];第四屆全國(guó)船舶與海洋工程學(xué)術(shù)會(huì)議論文集[C];2009年

4 吳寶志;袁曉梅;;基于神經(jīng)網(wǎng)絡(luò)的汽車(chē)空調(diào)系統(tǒng)變工況運(yùn)行的仿真研究[A];第九屆全國(guó)冷水機(jī)組與熱泵技術(shù)學(xué)術(shù)會(huì)議論文集[C];1999年

5 黎啟柏;桂佩佩;韓君;;二次調(diào)節(jié)控制系統(tǒng)的模糊-神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)自適應(yīng)控制[A];液壓與氣動(dòng)學(xué)術(shù)研討會(huì)論文集[C];2004年

6 于洪潔;彭建華;;具有非線性耦合函數(shù)的HR神經(jīng)網(wǎng)絡(luò)的混沌同步[A];中國(guó)力學(xué)學(xué)會(huì)學(xué)術(shù)大會(huì)'2005論文摘要集（下）[C];2005年

7 黎啟柏;桂佩佩;韓君;;二次調(diào)節(jié)控制系統(tǒng)的模糊-神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)自適應(yīng)控制[A];第三屆全國(guó)流體傳動(dòng)及控制工程學(xué)術(shù)會(huì)議論文集（第三卷）[C];2004年

8 王祥厚;李程遠(yuǎn);;臺(tái)階爆破巖石塊度預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)[A];第七屆全國(guó)工程爆破學(xué)術(shù)會(huì)議論文集[C];2001年

9 潘濱;陳劍平;李曉茹;;改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在巖質(zhì)邊坡穩(wěn)定性分析中的應(yīng)用[A];第八屆全國(guó)工程地質(zhì)大會(huì)論文集[C];2008年

10 鐘小麗;謝菠蓀;;使用神經(jīng)網(wǎng)絡(luò)進(jìn)行中垂面頭相關(guān)傳輸函數(shù)外插[A];中國(guó)聲學(xué)學(xué)會(huì)2005年青年學(xué)術(shù)會(huì)議[CYCA'05]論文集[C];2005年

相關(guān)博士學(xué)位論文 前2條

1 李廣博;Fourier正交基神經(jīng)網(wǎng)絡(luò)加權(quán)響應(yīng)面法的結(jié)構(gòu)可靠性分析[D];吉林大學(xué);2014年

2 李英偉;基于增量改進(jìn)BP神經(jīng)網(wǎng)絡(luò)微波深度干燥模型及應(yīng)用研究[D];昆明理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 吳航;基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像配準(zhǔn)方法[D];南昌大學(xué);2015年

2 黃偉明;基于神經(jīng)網(wǎng)絡(luò)的LED可靠性分析模型研究[D];華南理工大學(xué);2016年

3 宋欣益;基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類(lèi)方法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 王艦鋒;基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星云量計(jì)算[D];南京信息工程大學(xué);2016年

5 邢凱;基于神經(jīng)網(wǎng)絡(luò)和Contourlet的遙感圖像分類(lèi)處理[D];黑龍江大學(xué);2016年

6 王杰;基于遺傳算法神經(jīng)網(wǎng)絡(luò)的某制冷空調(diào)系統(tǒng)性能預(yù)測(cè)研究[D];華中科技大學(xué);2015年

7 孟春林;神經(jīng)網(wǎng)絡(luò)PID在熱交換器中的應(yīng)用[D];太原科技大學(xué);2009年

8 董航飛;基于神經(jīng)網(wǎng)絡(luò)的中央空調(diào)溫度控制研究[D];揚(yáng)州大學(xué);2009年

9 石小云;基于神經(jīng)網(wǎng)絡(luò)方法的衛(wèi)星圖像云分類(lèi)[D];中國(guó)海洋大學(xué);2012年

10 馬玉秀;神經(jīng)網(wǎng)絡(luò)在激光遙感鑒別海面溢油中的應(yīng)用[D];大連海事大學(xué);2006年

，

本文編號(hào)：2136977