典型文献
图残差神经网络支持下的建筑物群组模式分类
文献摘要：
建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用.建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种.基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工处理过程.近年来兴起的深度学习特别是图卷积神经网络前期无需人工处理,因此提高了建筑物群组模式分析的自动化程度.传统的图卷积神经网络模型在训练深层网络时易出现退化问题,提取深层特征困难.为解决此问题,本文引入了图残差神经网络模型用于建筑物群组的模式分类.首先使用道路和河流等作为约束条件,利用K-means方法对建筑物进行聚类;然后根据Bertin视觉变量计算对应的建筑物特征指标,在每个建筑物群组中以建筑物质心为节点,连接节点的最小生成树作为边,构建建筑物群组图结构;最后将得到的图结构数据输入图残差神经网络进行训练,得到规则和不规则两种建筑物群组模式.试验结果表明,该模型较好地解决了传统图卷积神经网络模型的退化问题,并取得了更高的精度.
文献关键词：
建筑物群组;模式分类;GResNet模型;机器学习;深度学习
中图分类号：
作者姓名：
张自强;刘涛;杜萍;锁旭宏;杨国林
作者机构：
兰州交通大学测绘与地理信息学院,甘肃 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,甘肃 兰州 730070;甘肃省地理国情监测工程实验室,甘肃 兰州 730070;中交一航局第二工程有限公司,山东 青岛 266071
文献出处：
引用格式：
[1]张自强;刘涛;杜萍;锁旭宏;杨国林-.图残差神经网络支持下的建筑物群组模式分类)[J].测绘通报,2022(01):1-7
A类：
建筑物群组,Bertin,GResNet
B类：
残差神经网络,模式分类,地物,地图综合,导航定位,市政规划,模式分析,基于规则,基于机器学习,机器学习分类器,图卷积神经网络,卷积神经网络模型,深层网络,深层特征,means,视觉变量,特征指标,质心,连接节点,最小生成树,图结构数据
AB值：
0.184865
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。
