作為基本地理數(shù)據(jù)庫中與人類活動關系極為密切的一種數(shù)據(jù)范疇,建筑物的地理、形狀、顏色等信息在政府部分、民生部門、商業(yè)領域里都有著極大的需求。這些需求側重各不相同,而且信息有時無法相互流通,因此提取建筑物信息是遙感應用和地理信息系統(tǒng)的常見任務。加上各類房屋隨著城市建設有所增減和變化,變化頻繁,因此這類信息需要及時更新。然而,使用人工實地勘測的方式對基本GIS數(shù)據(jù)庫的建筑物類型數(shù)據(jù)進行更新不僅耗費大量人力物力,而且周期較長,難以滿足即時性需求,此外,由于專業(yè)素養(yǎng)和主觀認知的差異,這種方式所獲取的建筑物數(shù)據(jù)質量不一,不利于統(tǒng)一處理。另一方面,伴隨著多源高分遙感技術的成熟化,采用高分遙感技術從大尺度的高分遙感影像中迅速提取多種建筑物的方法展示出了其他方法所不具備的高效優(yōu)勢。其中,人口普查、災害防治、軍事偵察、市政規(guī)劃等領域需要從遙感影像中迅速、可靠地獲取建筑物等人工目標,并在此基礎上進行建筑物變化觀測分析以便開展具體應用。因此,基于遙感圖像的建筑物自動提取,業(yè)已發(fā)展成為基本地理信息系統(tǒng)數(shù)據(jù)庫數(shù)據(jù)獲取和更新的主流手段。當前針對建筑物檢測和提取方面的研究雖然己取得了一些進展,但是這些算法依然存在著人工...

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

圖１．１技術路線圖??Ｆｉｇ?１．１?Ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ??１３．２論文組織??，

?－？ｖ，｜－．Ｋ〇ｌＷｍ?Ｉ??捉?｜??－ｒ??｜??ｍ?！?！??Ｉ?Ｉ??處川（ｗ？到遽筑物??］?ＫＯＩ??Ｉ?ｌ：：：：：．；二一二二?ｊ?｜??Ｉ?１??Ｉ????Ｉ??涔丨?讓％物形狀ｍ別?！??力ｉ?｜?｜??ＶＴｊ?Ｉ????Ｉ??倫Ｉ?！??丨：丨：？???....

圖２．２?Ｓｉｇｍｏｉｄ函數(shù)圖像??Ｆｉｇ２．２?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??

活函數(shù)和Ｄｒｏｐｏｕｔ??激活函數(shù)的選擇對于網(wǎng)絡訓練非常重要，因為它直接影響著整個網(wǎng)絡訓練??過程中的網(wǎng)絡參數(shù)變化情況。??以前的神經(jīng)網(wǎng)絡中常用的激活函數(shù)為Ｓｉｇｍｏｉｄ函數(shù)，其定義如下：??＝?（２．１３）??１?＋?ｅ??從其表達式可以很明顯地知道該函數(shù)的輸出值區(qū)間為［０，１....

圖２．３?ＲｅＬＵ函數(shù)圖像??Ｆｉｇ２．３?ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??

泌豸大．賽頌士學位論文?第二章卷積神經(jīng)網(wǎng)絡理論??從圖２．２中可以明顯看出ｓｉｇｍｏｉｄ函數(shù)只在一個很小的范圍內(nèi)有較明顯的??數(shù)值變化，此范圍之外，函數(shù)值將變化緩慢，換言之，導數(shù)接近０。在卷積??神經(jīng)網(wǎng)絡的訓練過程中，這將導致出現(xiàn)“梯度消失”的問題，使整個訓練過程??中參數(shù)更新緩....

圖２．４使用Ｄｒｏｐｏｕｔ的神經(jīng)網(wǎng)絡??Ｆｉｇ２．４?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｕｓｉｎｇ?Ｄｒｏｐｏｕｔ??

泌Ｊ大身碩士學位論文?第二章卷積神經(jīng)網(wǎng)絡理論??例，那么每次迭代訓練的將是網(wǎng)絡權值不同但是各層結構一樣的網(wǎng)絡模型，而??測試時會將Ｄｒｏｐｏｕｔ比率與輸出的乘積作為輸出結果。??從使用Ｄｒｏｐｏｕｔ的訓練過程和測試過程來看，它的設計其實基于這樣一種??考慮：一個網(wǎng)絡的結果可能出錯....

本文編號：4033429