基于深度学习的大区域遥感影像路网提取方法
针对传统的遥感影像道路网分割方法鲁棒性差且难以挖掘影像中深层特征等问题,提出了一种基于深度学习语义分割的道路网提取方法,以Deeplabv3+语义分割模型为基础,采用双次迁移学习方式进行训练,通过多尺度预测进行结果融合,实现对预测结果的优化.针对训练样本标注工作繁琐,基于公开影像及矢量数据源,设计了大规模样本采集方法.针对大区域范围,设计基于网格划分的逐网格分割方法,实现大范围道路提取.基于瓦片地图思路,设计大规模分割数据存储方法,实现分割数据结果的存储管理.通过采集某区域500km2样本数据,验证了大规模样本采集方法的有效性.对该区域样本数据集训练分析,单尺度下道路提取精度MIoU达到77.2％,多尺度融合预测可提升1.1个百分点.最后,基于设计的道路分割系统,可视化验证了网格划分及大规模分割数据存储方法的有效性.
遥感影像、路网提取、语义分割、网格、深度学习
47
TP751(遥感技术)
国家重点研发计划2017YFF0206000
2020-01-07（万方平台首次上网日期，不代表论文的发表时间）
共6页
44-49
