典型文献
基于U-Net全卷积神经网络的人工建筑物提取
文献摘要：
传统基于遥感光谱和空间特征信息提取、图像分割与分类的方法在面向背景复杂、人工地物繁多的影像时存在泛化能力较差的缺陷,即训练后的模型或规则难以适用不同地区、不同数据源的遥感影像,深度学习比以往分类模型在泛化能力方面表现出强大的潜力.本文选取不同区域、不同类型的遥感卫星影像作为试验对象,结合该区域的地理国情监测成果数据和1︰1万基础地理信息数据,进行遥感影像样本标注及样本增强扩充,构建大规模遥感影像基准数据集;然后基于U-Net全卷积神经网络,综合利用二分类和多分类语义分割网络模型,引入jaccard系数,对道路和房屋这两类人工建筑物目标进行了提取.通过与传统浅层分类方法进行精度对比,本文方法总体精度提升8.82％,Kappa系数提升79.54％,道路和房屋目标的F1值均高出70％,IUO指标高出了100％.分析表明:(1)地理国情监测成果和1︰1万基础地理信息数据在构建大规模的语义分割数据集中具有重要作用;(2)U-Net全卷积神经网络方法能够快速、准确地提取出道路和房屋,且具有很好的泛化能力,能够满足宏观尺度的人工地物提取需求,同时提升处理效率.
文献关键词：
深度神经网络;人工建筑物;U-Net;jaccard系数;遥感影像
中图分类号：
作者姓名：
赵元沛;徐莉萍
作者机构：
自然资源部第三航测遥感院,四川 成都 610100;成都大学,四川 成都 610100
文献出处：
引用格式：
[1]赵元沛;徐莉萍-.基于U-Net全卷积神经网络的人工建筑物提取)[J].测绘,2022(02):51-55,83
A类：
人工建筑物,IUO
B类：
Net,全卷积神经网络,建筑物提取,感光,空间特征,特征信息提取,图像分割,向背,工地,泛化能力,数据源,遥感影像,分类模型,遥感卫星,卫星影像,合该,地理国情监测,监测成果,万基,基础地理信息数据,像样,样本标注,样本增强,基准数据集,二分类,多分类,语义分割网络,jaccard,分类方法,精度对比,总体精度,精度提升,Kappa,标高,神经网络方法,出道,宏观尺度,地物提取,处理效率,深度神经网络
AB值：
0.295518
相似文献
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。
