基于实例分割模型的建筑物自动提取
传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理,难以适用于高分辨率影像中的复杂场景.而现有的卷积神经网络语义分割模型,由于难以达到较高的精度会出现提取目标粘连的情况.针对该问题,本文对实例分割模型Mask R-CNN进行改进,提出了一种高效、准确的高分辨率遥感影像建筑物提取算法.首先,在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作,以降低上采样造成的混叠效应;然后,在原有掩膜预测结构的基础上增加一个分支,改善掩膜预测的效果;最后,将改进后的网络在建筑物数据集上进行训练.结果表明,本文方法能够准确独立预测每个建筑物顶部,没有目标粘连情况,且mAP值较Mask R-CNN有所提高,能够有效实现遥感影像建筑物精细化提取.
卷积神经网络、实例分割、MaskR-CNN、建筑物、特征提取
P237(摄影测量学与测绘遥感)
国家重点研发计划2016YFC0803105
2020-05-14(万方平台首次上网日期,不代表论文的发表时间)
共6页
16-20,62