一种针对小样本的高分辨率遥感影像道路提取方法

针对高分辨率遥感影像道路提取过程中,深度学习方法较传统提取方法虽可有效地提高地物提取的精度,但需要大量样本训练,消耗较多计算资源,且大量高质量训练样本难以获得等问题,该文提出了一种将支持向量机(SVM)与卷积神经网络(CNN)结合的适用于小样本的道路提取混合模型,该模型能够在小样本训练时保证道路提取的精度。采用数据增强、正则化等方法优化训练策略,丰富小样本道路特征库,设计结合SVM的深度卷积神经网络结构来提取道路在影像中的高维特征,降低模型计算量,减少计算时间。以谷歌高分辨率遥感影像作为实验数据,用不同训练样本量来训练模型并验证道路提取的精度;同时,将该文提出的方法与逻辑回归(LR)模型、光谱结合SVM模型以及VGG16深度学习模型进行了道路提取效果的对比分析。结果表明:该文倡导模型方法在小样本情况下可以提取较高精度道路;与其他3种方法比较,该文方法能够快速构建与训练模型,在满足精度要求的同时,极大地提高了高分辨率遥感影像道路提取的效率,为道路数据的快速更新与变化检测提供了新的技术支持。     

建筑结构壁画形谱遥感特征提取研究进展

针对建筑结构提取对于建筑遗产保护研究愈发重要，且传统建筑遗产测绘技术具有很大的局限性等问题，该文主要针对建筑结构壁画提取基于高光谱技术、深度学习、其他算法等方法进行综述，系统地分析了各方法的优缺点，进一步阐述了以壁画、古建筑结构为研究对象的提取结果，为建筑遗产保护提供有力的数据支持。研究得出基于高光谱的方法在壁画信息提取方面有较好的应用，但其提取对象较为单一，无法很好地提取较为复杂的结构特征等局限；深度学习的自主性可以避免人为因素的影响，大大提高工作效率；其他算法在提取方面有较为广泛的应用，需要针对具体的提取对象使用具体的提取方法，但总体上不太适用于复杂场景的提取。可以将多种方法进行融合来获取较高精度的结果，是提取建筑遗产特征信息研究方向的一个趋势。     

SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

融合城市行道树特征选取模型的自适应深度学习分类

针对城市行道树的学习多分类问题，本文在综合分析城市行道树多分类特征的基础上，提出一种融合特征自动选取模型的自适应深度学习方法。基于随机森林法，学习行道树的特征重要性，通过特征消除方法舍弃不重要的特征，实现城市行道树多分类特征自动选取；在城市行道树分类特征工程提取的基础上，构建了城市行道树多分类问题的自适应深度学习方法，并采用交叉验证与参数搜索方法，对所提出的深度学习模型进行改进。试验结果表明，本文所提出的融合特征自动选取模型的自适应深度学习方法具有良好性能，解决了城市行道树多分类预测的准确性与泛化问题。     

多特征加权融合的高分SAR影像建筑区提取方法

机载SAR影像分辨率的不断提高使得图像纹理信息更加丰富,对地物分类和提取具有重要意义。针对建筑区的纹理特点,该文提出了一种综合统计和结构多特征加权融合的建筑区提取方法。分别采用经典的灰度共生矩阵方法提取统计纹理特征和采用变差函数方法提取结构纹理特征,并考虑方向信息;然后利用提出的巴士距离特征权值计算方法,将所选特征进行加权融合;利用K均值聚类算法对融合后的特征图像进行非监督分类,对分类图像进行后处理并提取外部轮廓。以国产机载P波段全极化SAR影像为数据源进行了实验,并对结果进行了定量分析,表明该方法能够高精度地有效提取高分辨率机载SAR影像中的建筑区。     

集成学习和条件随机场的影像招弧角识别

无人机巡检是目前电力部门主推的一种巡检方式,招弧角是一种重要的电网设备、但其呈现细长的几何形状特征,其测量需要优于1 cm空间分辨率的影像.为了从无人机获取的高分辨率影像上提取招弧角,该文提出了基于随机森林、集成学习、全连接条件随机场的无人机影像分类和招弧角提取方法.首先,提取了影像的12个光谱和纹理特征.接着,建立训练样本库,训练了多个独立的随机森林分类器、并形成随机森林集成模型进行影像分类.最后,利用全连接条件随机场优化分类结果.该文采用5000张无人机影像进行了实验.实验表明,该文提出方法的整体分类精度达到85.5％,招弧角识别的正确率为98.3％、完整率为74.3％,表明该方法具有潜在的工程应用价值.     

顾及局部特征的深度学习点云分类研究

针对PointNet深度学习算法可以直接处理无序点云并取得了良好的精度,但是缺乏对局部信息学习过程的问题,该文基于图卷积模型,在PointNet基础上构造层次化的K邻域图,扩大局部感受野,获得高层次的特征抽象,有效提取了点云的局部特征从而提高了分类精度.分类实验在ModelNet40数据集上进行,取得了91.2％的测试精度.研究结果表明,该文提出的算法比PointNet分类结果高出2.0％,同时本文构造的分类网络鲁棒性优于PointNet算法,为点云分类工作提供了一种有效思路.     

融合点云和多视图的车载激光点云路侧多目标识别

城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19％、94.27％、93.58％、96.63％);(94.20％、97.56％、92.02％、95.68％);(91.48％、98.61％、90.39％、94.87％).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑.     

U型卷积神经网络的ZY-3影像道路提取方法

针对经典全卷积神经网络在池化和上采样过程中造成图像分辨率不断下降以及对各个像素进行分类时忽略了像素之间的关系,导致提取道路比较模糊和平滑的问题。该文提出一种基于U型卷积网络的ZY-3道路提取方法。首先,参考医学图像分割领域表现突出的U-Net模型,采用对称式网络结构将低级细节信息与高级语义信息相结合,提高道路的初提取精度;其次考虑到卷积神经网络对百万量级的参数优化程度相对不足,采用集成学习的方法,通过变更权重获得若干个模型进行融合,进一步提升了道路提取的精度;最后,通过使用形态学开运算完成孔洞的去除等工作。实验结果表明,该文方法的提取结果在不同实验区域中平均准确度达到了95%以上,显著优于基于经典全卷积网络模型、基于纹理与形状特征提取道路的方法。     

基于深度学习的GPS水准拟合方法

针对数学拟合法在进行全球定位系统(GPS)水准拟合时,因受自身模型限制,导致GPS水准拟合精度不高的问题,该文提出了一种基于EGM2008模型和深度学习的GPS水准拟合法.首先使用深度学习中的分段线性整流函数(ReLU)作为神经元激活函数加快网络的收敛速度,然后利用 自适应矩估计函数(Adam)作为优化函数加速获取最优解,并采用正则化丢弃法(Dropout)增强深度学习网络的泛化能力.通过实测数据计算表明:该文方法相比常用的多项式拟合法,丘陵地区外符合精度提高了约65％,达到1.7 cm;高差变化较大的山地外符合精度提高了约90％,达到1.2 cm.