基于编解码网络的航空影像像素级建筑物提取
建筑物提取在城市规划等土地利用分析中发挥着重要作用.用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低.本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取.该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取.此外,本文使用视野增强FoVE (Field-of-ViewEnhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性.
遥感、建筑物提取、卷积神经网络、深度学习、航空影像
24
国家自然科学基金编号:41801349
2020-09-30（万方平台首次上网日期，不代表论文的发表时间）
共9页
1134-1142
