基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究

摘要：

随着高分辨率航空影像空间分辨率的提高,地物纹理信息变得更加丰富和复杂,使得从高分辨影像中提取建筑物信息面临巨大挑战.因此采用一种基于全卷积神经网络的高分辨率航空影像中建筑物提取方法,实现端到端的建筑物位置等信息提取.整个模型框架以SegNet模型为基础,在上采样阶段结合SegNet模型中的存储最大池化索引和U-Net模型中的跳跃连接,有效地将低层次和高层次的特征图融合,进行更好的建筑物边界定位.在原有框架的基础上,采用迁移学习思想利用构建的训练样本库对权重进行微调,使网络能够输出稳健的适用于建筑物区域识别的高层次视觉特征.实验采用国际摄影测量与遥感学会公开数据集验证采用方法的有效性和稳健性.实验结果表明,此方法能够有效地提取场景中的建筑物区域.而且,与其他方法相比,该方法在召回率上平均优于2.33％,在精确率上平均优于5.33％,在准确率上优于7.22％.

关键词：高分辨率影像、全卷积神经网络、城市规划、深度学习、建筑物提取、迁移学习

所属期刊栏目：27

分类号：P237(摄影测量学与测绘遥感)

资助基金：广东省自然科学基金重点项目;教育部人文社科基金项目;东莞理工学院城市学院2019年校级重大科研培育项目

在线出版日期：2020-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：101-106