典型文献
基于生成对抗网络的建筑物损毁检测
文献摘要：
建筑物作为自然灾害中最受影响的承灾体之一,其损毁信息的准确提取对灾后应急救援具有十分重要的意义.本文借鉴多模态的思想,提出了一种自动检测损毁建筑物的recursive-generative adversari al networks(RS-GAN)方法,将损毁建筑物检测分为灾前建筑物识别和灾后损毁建筑物检测两个任务,且分别在两个GAN分支中完成.RS-GAN加入联合损失函数将两个GAN分支进行连接,充分利用两个任务之间的潜在互利性提升检测效果.RS-GAN利用第1条GAN分支识别建筑物灾前形状与位置,并将识别结果作为第2条GAN分支的输入进行损毁建筑物检测任务,从而使检测结果具有更清晰的轮廓.该方法为端到端模型,在不需要过多的人工干预情形下,实现了损毁建筑物的自动检测.为了验证RS-GAN模型的效果,在圣罗莎和密苏里两个数据集上进行了测试.试验结果表明,RS-GAN方法拥有更好的检测性能,在圣罗莎数据集上的总体精度和平均精度分别达到了0.90和0.86.
文献关键词：
生成对抗网络(GAN);灾前灾后双时相遥感影像;建筑物轮廓提取;损毁建筑物检测;分步学习
中图分类号：
作者姓名：
葛小三;陈曦;赵文智;李瑞祥
作者机构：
河南理工大学测绘与国土信息工程学院,河南焦作454003;河南理工大学自然资源部矿山时空信息与生态修复重点实验室,河南 焦作454003;北京师范大学地理科学学部遥感科学与工程研究院,北京100875
文献出处：
引用格式：
[1]葛小三;陈曦;赵文智;李瑞祥-.基于生成对抗网络的建筑物损毁检测)[J].测绘学报,2022(02):238-247
A类：
adversari,损毁建筑物检测,分支识别,灾前灾后双时相遥感影像,分步学习
B类：
生成对抗网络,建筑物损毁,承灾体,应急救援,自动检测,recursive,generative,al,networks,RS,GAN,建筑物识别,联合损失函数,互利性,检测效果,端到端模型,人工干预,罗莎,密苏里,检测性能,总体精度,建筑物轮廓提取
AB值：
0.24432
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。
