10.16526/j.cnki.11-4762/tp.2021.11.028
基于改进卷积神经网络的山顶点识别研究
针对传统山顶点识别方法中特征选择困难等问题,借助深度卷积神经网络特征自学习的优势,将格网DEM数据中的山顶点提取转换为数字图像中的目标检测问题,提出一种基于改进Faster R-CNN的山顶点识别方法;将DEM数据处理为等高线图与灰度图叠加的形式,采用基于Faster R-CNN的目标识别框架,以ResNet-101替代原始的VGG16作为山顶识别模型的特征提取网络,并在RPN锚框尺寸设置中引入K-Means聚类算法,实现适用于自建山顶样本集PEAK-100的锚框参数设定;利用改进后的Faster R CNN自动提取山顶的深度特征,生成高质量的山顶区域,并结合高程标识出最终的山顶点坐标;实验结果表明,新方法的山顶点识别准确率为94.82%,相比于传统方法漏提率减少约60%,在一定程度上避免了山顶识别效果易受人工选择特征的影响.
DEM;山顶点;Faster R-CNN;图像叠加;目标检测;K-Means
29
TP391.4(计算技术、计算机技术)
陕西省自然科学基金项目;地理信息工程国家重点实验室开放基金;国家重点研发计划项目
2021-12-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
154-158,164