如今城市發(fā)展快速,大量人口奔向城市工作生活,城市建筑物的數量有如雨后春筍般擴張,需要合理地規(guī)劃城市土地資源,遏制違規(guī)亂建現象�；诟叻直媛蔬b感影像,對建筑物進行準確提取,對城市規(guī)劃和管理有著重要輔助作用。現有提取方法主要依賴人工設計的特征,雖然取得了一定效果,但耗時費力。本文以卷積神經網絡為基礎,利用它能自主學習多層次特征的能力,提出了“編碼器-特征增強-解碼器”結構的、激活函數為ELU的網絡模型FE-Net（Feature Enhancement Network）,實現了端到端的高分辨率遙感影像建筑物提取。具體研究如下:（1）以美國馬薩諸塞州建筑物數據集為實驗數據,基于U-Net模型,對網絡模型層數進行相關探究。本文主要探究網絡層數為5層、6層、7層的U型網絡模型（U-Net5、U-Net6、U-Net7）,當網絡層數為8層時,由于受實驗條件限制,故不考慮。通過比較不同網絡層數模型（U-Net5、U-Net6、U-Net7）的建筑物提取效果和精度,以找到最佳的基礎網絡模型。（2）基于（1）找到的最佳基礎網絡模型,通過在基礎網絡模型的結構中添加特征增強結構來改善網絡模型算法的性能。其基... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數】：67 頁

【學位級別】：碩士

【部分圖文】：

技術路線圖

基于深度卷積神經網絡的高分辨率遙感影像建筑物提取方法研究-12-（a）全連接（b）局部連接圖2.1全連接和局部感受野連接示意圖2.1.2權值共享雖然局部感受野相比全連接減少了很多網絡參數[64]，但總體上，神經網絡的參數還是存在很多，因此，為了進一步減少參數量，于是就有了權值共享的概念。權值共享是卷積核在遍歷整個輸入影像時，卷積核里的權重值保持不變，這樣就可以得到在同一輸入圖像的不同區(qū)域具有相同特征的特征圖。其實，在一幅圖像中，不同區(qū)域也會存在著相同的特征，使用權重共享，不僅可以減少網絡參數量，而且也能體現圖像特性。2.1.3空間降采樣所謂空間降采樣就是指池化運算，有很多形式的池化函數，比如最大池化、平均池化等。它可以對特征圖進行進一步降維以提取到一些不隨尺度變化的主要的穩(wěn)定特征。池化的目的是為了進一步減少網絡的參數數量，進而減少網絡的計算量，且能在一定程度上控制過擬合。（a）特征圖（b）池化結果圖2.2池化示意圖

基于深度卷積神經網絡的高分辨率遙感影像建筑物提取方法研究-12-（a）全連接（b）局部連接圖2.1全連接和局部感受野連接示意圖2.1.2權值共享雖然局部感受野相比全連接減少了很多網絡參數[64]，但總體上，神經網絡的參數還是存在很多，因此，為了進一步減少參數量，于是就有了權值共享的概念。權值共享是卷積核在遍歷整個輸入影像時，卷積核里的權重值保持不變，這樣就可以得到在同一輸入圖像的不同區(qū)域具有相同特征的特征圖。其實，在一幅圖像中，不同區(qū)域也會存在著相同的特征，使用權重共享，不僅可以減少網絡參數量，而且也能體現圖像特性。2.1.3空間降采樣所謂空間降采樣就是指池化運算，有很多形式的池化函數，比如最大池化、平均池化等。它可以對特征圖進行進一步降維以提取到一些不隨尺度變化的主要的穩(wěn)定特征。池化的目的是為了進一步減少網絡的參數數量，進而減少網絡的計算量，且能在一定程度上控制過擬合。（a）特征圖（b）池化結果圖2.2池化示意圖

【參考文獻】：
期刊論文
[1]深度神經網絡條件隨機場高分辨率遙感圖像建筑物分割[J]. 王宇,楊藝,王寶山,王田,卜旭輝,王傳云.  遙感學報. 2019(06)
[2]基于深度學習的高分辨率遙感影像建筑物提取方法[J]. 范榮雙,陳洋,徐啟恒,王競雪.  測繪學報. 2019(01)
[3]基于全卷積神經網絡的建筑物屋頂自動提取[J]. 劉文濤,李世華,覃馭楚.  地球信息科學學報. 2018(11)
[4]多特征多尺度相結合的高分辨率遙感影像建筑物提取[J]. 林雨準,張保明,徐俊峰,侯凱,周迅.  測繪通報. 2017(12)
[5]顧及局部特性的CNN在遙感影像分類的應用[J]. 楊嘉樹,梅天燦,仲思東.  計算機工程與應用. 2018(07)
[6]基于植被指數限制分水嶺算法的機載激光點云建筑物提取[J]. 趙宗澤,張永軍.  光學學報. 2016(10)
[7]高空間分辨率遙感影像建筑物提取方法綜述[J]. 張慶云,趙冬.  測繪與空間地理信息. 2015(04)
[8]一種基于高分辨率遙感影像的建筑物提取方法[J]. 顧鈺培,肖蘭玲,凌婷婷,達利春.  測繪與空間地理信息. 2014(04)
[9]基于改進Harris算法的高分辨率遙感影像建筑物角點檢測研究[J]. 崔有禎,吳露露,辛星,陳國銳,鄭志雄.  測繪通報. 2013(09)
[10]基于知識規(guī)則構建和形態(tài)學修復的建筑物提取研究[J]. 黃金庫,馮險峰,徐秀莉,丁青.  地理與地理信息科學. 2011(04)

博士論文
[1]高分辨率遙感影像多尺度紋理、形狀特征提取與面向對象分類研究[D]. 黃昕.武漢大學 2009

碩士論文
[1]基于深度學習的高分辨率遙感影像語義分割的研究與應用[D]. 汪志文.北京郵電大學 2019
[2]基于機器學習的房產智能自動評估模型的研究與系統實現[D]. 王昕睿.北京郵電大學 2019
[3]基于深度學習的變電站巡檢機器人道路場景識別[D]. 劉明春.西南交通大學 2019
[4]基于深度學習的圖像描述方法研究[D]. 常智.天津理工大學 2019
[5]基于MaskR-CNN分割的TEM納米顆粒參數測量方法研究[D]. 吳玥.天津工業(yè)大學 2019
[6]基于深度學習的遙感影像建筑物提取方法研究[D]. 朱光亞.浙江大學 2019
[7]基于優(yōu)化RBFNN的DDoS攻擊檢測研究[D]. 張夢奇.哈爾濱工程大學 2019
[8]艦船視覺系統海空多目標識別與跟蹤技術研究[D]. 李慧欣.哈爾濱工程大學 2019
[9]基于卷積神經網絡的太陽射電頻譜圖的分類算法研究[D]. 陳思思.深圳大學 2018
[10]遙感影像建筑物提取與深度學習[D]. 潘昕.北京建筑大學 2018



本文編號：3315695