典型文献
基于多尺度条件生成对抗网络(MSR-cGAN)的高分辨率遥感图像目标区域检测
文献摘要：
针对目前深度卷积神经网络(Convolutional Neural Network,CNN)在遥感图像建筑物提取上存在小目标漏分、被遮挡目标无法提取、细节缺失等问题,在生成对抗网络(Generative Adversarial Network,GAN)的基础上提出一种基于多尺度条件生成对抗网络(Multi-Scale Conditional Generative Adversarial Network,MSR-cGAN)的城市建筑物提取方法.该方法包括生成网络和对抗网络两个部分,在生成网络中加入循环残差卷积模块和注意力门限跳跃连接机制,增强模型的特征提取能力;在对抗网络中引入通道注意力的特征融合,使网络提取丰富的上下文信息,应对目标尺度变化,改善小目标分割效果.在实验过程中,对Inria Aerial Image Labeling建筑物提取数据集进行实验并与多种方法进行比较,结果表明,所提出的方法具有更高的目标分割准确率,对小目标与被遮挡目标取得了较好的分割效果.在训练数据有限、背景复杂多样、尺度变化较大的建筑物提取中分割准确率分别达到96.18％,表明提出的方法可应用于复杂的高分辨率遥感图像建筑物提取.
文献关键词：
卷积神经网络;生成对抗网络;高分辨率遥感图像;建筑物提取
中图分类号：
作者姓名：
郭杨亮;马瑞娟;韩子清
作者机构：
河南省地球物理空间信息研究院,郑州 450009;河南省地质矿产勘查开发局第五地质勘查院,郑州 450052;河南省地质调查院,郑州 450007
文献出处：
引用格式：
[1]郭杨亮;马瑞娟;韩子清-.基于多尺度条件生成对抗网络(MSR-cGAN)的高分辨率遥感图像目标区域检测)[J].河南科学,2022(09):1377-1383
A类：
B类：
条件生成对抗网络,MSR,cGAN,高分辨率遥感图像,目标区域,区域检测,深度卷积神经网络,Convolutional,Neural,Network,遮挡目标,Generative,Adversarial,Multi,Scale,Conditional,城市建筑物提取,生成网络,循环残差卷积,卷积模块,注意力门,门限,跳跃连接,连接机制,增强模型,特征提取能力,通道注意力,特征融合,上下文信息,标尺,尺度变化,小目标分割,分割效果,Inria,Aerial,Image,Labeling,提取数据,多种方法,训练数据,数据有限
AB值：
0.313372
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。
