结合VGGNet与Mask R-CNN的高分辨率遥感影像建设用地检测

摘要：

针对当前多数深度学习模型只能对高分辨率遥感影像裁剪图片进行土地利用类型判别的问题,结合VGGNet与Mask R-CNN开展了智能化建设用地目标检测研究.在建立研究区4类土地利用类型遥感影像数据集的基础上,对比了 VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度,选取分类效果最优的神经网络模型VGGNet与Mask R-CNN实现建设用地目标检测智能化.结果表明:①VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度分别为:97.44％、93.75％和95.13％,且VGG16模型迭代次数最少,训练时间相对较少;②Mask R-CNN阈值设置对目标检测精度有重要的影响,当阈值设定为0.3时,VGG16结合Mask R-CNN的联合模型对建设用地检测的标定框精度最高.同时联合模型比单一使用MaskR-CNN模型对建设用地检测有更高的准确率,并且表现出了更强的适应性和鲁棒性.

关键词：卷积神经网络(CNN)、目标检测、影像分类、高分辨率遥感影像、建设用地

所属期刊栏目：36

分类号：TP79(遥感技术)

资助基金：国家重点研发计划"绿色宜居村镇技术创新"重点专项项目子课题"村镇发展潜力因子识别与指标信息快速获取技术"2018YFD1100801-01

在线出版日期：2021-07-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：256-264