面向高分辨率遥感影像大范围道路提取的深度学习方法研究
高分辨率遥感影像具有空间信息丰富、获取技术成熟、影像分辨率高、覆盖范围广等优势,已成为道路提取的主要数据来源.面对海量遥感数据,目前使用最为广泛的是基于深度学习的方法,深度学习的出现使自学习特征成为现实,开启了数据驱动的"表示学习"范式,避免了传统方法依赖于专家知识设计特征,自动化程度低,人工干预大的问题.深度学习方法依赖于海量数据来训练模型,而高分辨率遥感影像空间分辨率高,影像信息高度细节化,会给道路识别带来很多干扰.例如:(1)高分辨率遥感影像上道路提取面临道路面分割、中心线提取和边界探测3个典型任务,目前深度学习方法未能有效实现3个任务的统一表达;(2)复杂高分辨率遥感影像上的建筑物、树木等其他地物会给道路带来遮挡、阴影等干扰,造成道路识别结果不连续;(3)在大范围道路提取应用时,由于不同地区影像数据分布差异大,深度学习模型的泛化能力十分有限,导致模型输出结果中存在严重的道路缺失现象.
高分辨率遥感影像、深度学习方法、道路提取、大范围
48
P237(摄影测量学与测绘遥感)
2023-06-13(万方平台首次上网日期,不代表论文的发表时间)
共1页
821