基于改进U-net的遥感影像建筑物提取

被引：40

作者：

任欣磊 ^{[1
]}

王阳萍 ^{[1
,2
,3
]}

杨景玉 ^{[1
,4
]}

高德成 ^{[3
]}

机构：

[1] 兰州交通大学电子与信息工程学院

[2] 兰州交通大学计算机科学与技术国家级实验教学示范中心

[3] 兰州交通大学甘肃省轨道交通装备系统动力学与可靠性重点实验室

[4] 兰州交通大学甘肃省人工智能与图形图像处理工程研究中心

来源：

激光与光电子学进展 | 2019年 / 22期

关键词：

遥感; 建筑物提取; U-net; 神经网络; 低维特征;

D O I：

暂无

中图分类号：

TU198 [建筑工程测量及制图]; TP751 [图像处理方法]; TP183 [人工神经网络与计算];

学科分类号：

080201 [机械制造及其自动化]; 081603 [地图制图学与地理信息工程]; 140502 [人工智能];

摘要：

针对在遥感影像建筑物提取过程中,建筑物与周围环境信息混淆导致提取精度下降的问题,提出了一种低维特征信息增强的改进U型卷积神经网络（U-net）模型,用于遥感影像建筑物的提取。借鉴医学影像分割中应用广泛的U-net模型对建筑物进行提取;考虑到在网络传播过程中低维细节信息逐级削弱,在特征金字塔中的特征图与扩张路径同级上的特征融合前,先与上一层级的特征图进行融合,进一步优化了提取结果的边缘提取精度。在覆盖范围约340km2的遥感影像数据集上进行实验,结果表明本文提出的方法在交并比、像素精度和Kappa系数3个指标上的均值分别达到83.9%、92.8%和83.6%,均优于模糊C均值、全卷积网络与经典U-net方法。

引用

页码：195 / 202

页数：8

共 11 条

[1]

基于卷积神经网络和改进模糊C均值的遥感图像检索 [J].

彭晏飞 ;

宋晓男 ;

訾玲玲 ;

王伟 .

激光与光电子学进展, 2018, 55 (09) :173-182

[2]

结合改进的U-Net和Morphsnakes的肝脏分割 [J].

刘哲 ;

张晓林 ;

宋余庆 ;

朱彦 ;

袁德琪 .

中国图象图形学报, 2018, 23 (08) :1254-1262

[3]

组合全卷积神经网络和条件随机场的道路分割 [J].

宋青松 ;

张超 ;

陈禹 ;

王兴莉 ;

杨小军 .

清华大学学报(自然科学版), 2018, 58 (08) :725-731

[4]

基于集成卷积神经网络的遥感影像场景分类 [J].

张晓男 ;

钟兴 ;

朱瑞飞 ;

高放 ;

张作省 ;

鲍松泽 ;

李竺强 .

光学学报, 2018, 38 (11) :350-360

[5]

基于U型卷积神经网络的航空影像建筑物检测 [J].

伍广明 ;

陈奇 ;

Ryosuke SHIBASAKI ;

郭直灵 ;

邵肖伟 ;

许永伟 .

测绘学报, 2018, (06) :864-872

[6]

基于知识的深度强化学习研究综述 [J].

李晨溪 ;

曹雷 ;

张永亮 ;

陈希亮 ;

周宇欢 ;

段理文 .

系统工程与电子技术, 2017, 39 (11) :2603-2613

[7]

面向对象的形态学建筑物指数及其高分辨率遥感影像建筑物提取应用 [J].

林祥国 ;

张继贤 .

测绘学报, 2017, 46 (06) :724-733

[8]

基于偏移阴影分析的高分辨率可见光影像建筑物自动提取 [J].

高贤君 ;

郑学东 ;

刘子潇 ;

杨元维 .

光学学报, 2017, 37 (04) :315-324

[9]

Dropout Rademacher complexity of deep neural networks[J] Wei GAO;Zhi-Hua ZHOU; Science China(Information Sciences) 2016, 07

[10]

A new approach to building identification from very-high-spatial-resolution images[J] S. Lhomme;Dong-Chen He;C. Weber;D. Morin International Journal of Remote Sensing 2009,

← 1 2 →