典型文献
样本数量不平衡下的建筑群模式识别方法研究
文献摘要：
通过综合空间关系、几何、语义等多种特征对建筑群模式进行智能识别,在地图多尺度表达和数字化制图等领域有着重要的意义.将图卷积神经网络用于建筑群模式智能识别能够克服传统方法依赖人工经验设置参数、制定的规则过于严格等缺点.但是该方法往往存在样本比例失衡的问题,容易导致样本数量较少的类别无法正确识别.本文首先以建筑物质心作为样本进行聚类获得建筑群组.其次,将同一群组内的建筑物质心作为样本进行Delaunay三角剖分来构建建筑群的图结构,其中图节点特征选取能够描述建筑群几何特征的面积、大小、方向等相关指标.再次,通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强,然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练,并结合ROC曲线等多个评价指标对模型的性能进行了评测.实验结果表明,对样本数量较少的建筑群图结构增强之后,模型对于样本数量较少的建筑群识别准确率有了明显的提高.
文献关键词：
建筑群聚类;图卷积神经网络;模式识别;ROC曲线;图结构过采样;Delaunay三角网;拉普拉斯矩阵
中图分类号：
作者姓名：
令振飞;刘涛;杜萍;张耀蓉;杨国林;锁旭宏
作者机构：
兰州交通大学测绘与地理信息学院,兰州730070;地理国情监测技术应用国家地方联合工程研究中心,兰州730070;甘肃省地理国情监测工程实验室,兰州730070;中交一航局第二工程有限公司,青岛266071
文献出处：
引用格式：
[1]令振飞;刘涛;杜萍;张耀蓉;杨国林;锁旭宏-.样本数量不平衡下的建筑群模式识别方法研究)[J].地球信息科学学报,2022(01):63-73
A类：
图结构过采样,建筑群聚类
B类：
样本数量,模式识别,空间关系,智能识别,多尺度表达,数字化制图,图卷积神经网络,设置参数,先以,质心,群组,一群,Delaunay,三角剖分,分来,中图,节点特征,特征选取,几何特征,结构增强,别输,卷积神经网络模型,评测,识别准确率,三角网,拉普拉斯矩阵
AB值：
0.233176
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
