序列卷积神经网络支持下线状地图目标的分段方法
依据形态特征差异实施分段处理是实现线状地图目标自适应综合的重要步骤.传统方法主要采用长度、角度、曲率等参量描述局部曲线段的几何形态变化,通过人工设置规则或常规机器学习方法建立模式判别模型.本文提出基于卷积神经网络的线状目标模式识别与分段方法.首先,以相邻坐标点构成的线元为基本单元,以线元端点横、纵坐标差为特征,将线状目标离散化为二维序列;然后,建立序列卷积神经网络进行线元特征序列学习与预测,实现线元层次的模式类型判别;最后,利用迭代融合方法将拓扑相邻且模式类型相同的线元合并,从而输出不同形态模式的分段结果.以1:5万行政区界线和1:25万山区道路数据开展试验,本文方法分段结果与人工分段结果的一致性比率分别达到91.25%和85.65%,相较传统方法有一定提升.同时,本文方法通过深度学习获取模式判别的深层次特征,能够有效避免人工选择特征带来的主观性影响,对不同尺度、不同类型的线状目标分段问题适应性更好.
线状地图目标、分段、序列卷积神经网络、深度学习
52
P208(一般性问题)
国家自然科学基金;国家自然科学基金;数字制图与国土信息应用工程国家测绘地理信息局重点实验室开放研究基金
2023-02-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
108-116