基于编解码网络的航空影像像素级建筑物提取

被引：40

作者：

陈凯强 ^{[1
,2
]}

高鑫 ^{[1
]}

闫梦龙 ^{[1
]}

张跃 ^{[1
]}

孙显 ^{[1
]}

机构：

[1] 中国科学院空天信息创新研究院网络信息体系技术科技创新重点实验室

[2] 中国科学院大学

来源：

遥感学报 | 2020年 / 24卷 / 09期

关键词：

遥感; 建筑物提取; 卷积神经网络; 深度学习; 航空影像;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP751 [图像处理方法];

学科分类号：

080201 [机械制造及其自动化]; 140502 [人工智能];

摘要：

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。

引用

页码：1134 / 1142

页数：9

共 3 条

[1]

密集反卷积网络在遥感建筑物提取中的应用 [J].

张欢 ;

雷宏 ;

陈凯强 .

计算机工程与应用 , 2018, (11) :140-144+152

[2]

On-line boosting-based car detection from aerial images[J] Helmut Grabner;Thuy Thi Nguyen;Barbara Gruber;Horst Bischof ISPRS Journal of Photogrammetry and Remote Sensing 2007,

[3]

An assessment of support vector machines for land cover classification[J] C. Huang;L. S. Davis;J. R. G. Townshend International Journal of Remote Sensing 2002,

← 1 →