典型文献
基于不同骨架UNet++网络的建筑物提取
文献摘要：
基于深度学习方法的建筑物自动提取具有精度高、速度快的技术特点,对城市规划、防灾减灾等的行业应用具有重要意义.针对高分辨率遥感影像建筑物自动提取,引入深度学习特征功能模块和传统遥感应用技术验证环节,形成不同骨架模块、UNet++网络和真实性检验的建筑物遥感提取功能模块嵌合的深度学习业务化应用技术体系,通过VGG、ResNet 和Inception 等传统卷积网络模型骨架对基础网络进行改造,提升模型运行效率,强化模型特征学习能力,通过真实性检验验证算法的有效性、适用性,展示完整的遥感应用技术链条.以Mnih公开的马萨诸塞州建筑物数据集为数据源,和传统非全卷积网络模型和全卷积网络模型等方法进行对比分析,结果表明通过增加模型深度和宽度可以有效提升模型建筑物提取效果,基于InceptionV3-UNet++骨架模型在召回率、准确度、CSI、F1分数、Kappa 系数和总精度表现最为优秀,分别达到85.14％、90.50％、0.781 6、0.877 4、0.850 4 和95.57％,并在WHU 数据集上验证了它的鲁棒性.该方法在建筑物提取结果和细节上都有显著提高,特别是对复杂不规则建筑物的提取上,将极大促进真实、复杂、大场景高分辨率影像的建筑物提取遥感应用.
文献关键词：
深度学习;高分辨率遥感影像;卷积神经网络;建筑物提取;图像分割
中图分类号：
作者姓名：
古煜民;阎福礼
作者机构：
中国科学院空天信息创新研究院,北京100094;中国科学院大学资源与环境学院,北京100190
文献出处：
引用格式：
[1]古煜民;阎福礼-.基于不同骨架UNet++网络的建筑物提取)[J].中国科学院大学学报,2022(04):512-523
A类：
Mnih
B类：
UNet++,建筑物提取,深度学习方法,自动提取,城市规划,防灾减灾,行业应用,高分辨率遥感影像,深度学习特征,功能模块,遥感应用,应用技术,技术验证,真实性检验,遥感提取,嵌合,学习业务,业务化,VGG,ResNet,强化模型,模型特征,特征学习能力,检验验证,技术链条,马萨诸塞州,集为,数据源,全卷积网络模型,明通,模型深度,提取效果,InceptionV3,骨架模型,召回率,CSI,Kappa,WHU,不规则建筑,大场景,高分辨率影像,图像分割
AB值：
0.345263
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。
