多尺度全卷积神经网络建筑物提取

针对VGG16网络在高空间分辨率遥感影像中进行大型建筑物提取时存在空洞的现象,提出一种基于多尺度影像的建筑物提取方法。将原始影像进行不同尺度的下采样,提取不同尺度下的建筑物特征,并将这些多尺度特征相加合并,同时为了减少网络参数数量,用全卷积上采样过程代替原始VGG16网络中的全连接层进行建筑物提取。以0.5 m分辨率的上海市嘉定区影像和1 m分辨率的Massachusetts地区影像进行试验,精度分别达97.09%和96.66%,表明本文方法的有效性。     

基于显著性卷积神经网络的变化检测方法

针对变化检测方法对差异遥感影像去除斑点噪声和地物边缘检测效果不佳的问题,该文提出一种基于显著性卷积神经网络(SCWNN)的变化检测方法。该方法采用上下文感知显著性检测方法,提高遥感影像中差异较大区域显著性值,减小差异较小区域显著性值,有效优化了地物边缘,同时降低斑点噪声;然后采用卷积神经网络方法,克服了由于样本不足对变化检测精度的影响。通过超高分辨率影像和合成孔径雷达两组双时相遥感影像数据进行实验,结果表明方法的有效性和鲁棒性。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

一种基于卷积神经网络的SAR变化检测方法

为了降低合成孔径雷达(SAR)影像中相干斑对变化检测的影响、减少标注样本的人工成本,该文发展了一种联合分层模糊C均值聚类(FCM)与卷积神经网络的非监督SAR变化检测方法。首先,利用邻域均值比算子计算前后时相的差异图,并利用分层FCM将差异图非监督地初始分割为变化类、非变化类及待确定类别像素;然后,为解决非监督选取样本时出现的样本不均衡问题,提出一种频率不变降采样的数据抽样方法,选取高置信度的变化与非变化样本用于网络训练;最后,利用训练完成的神经网络对待确定类别像素进行分类,得到最终变化结果。采用真实SAR影像数据进行实验。结果表明,该文方法方便有效,具有较高的检测精度。     

多尺度特征孪生神经网络的建筑物变化检测方法

针对从多时相高分辨率遥感影像上做建筑物变化检测出现的细节特征丢失、变化检测结果模糊的问题,该文提出了一种基于多尺度特征孪生神经网络的遥感影像建筑物变化检测算法。以孪生神经网络为基础网络,将Inception v2结构加入网络特征提取层中,获得遥感影像多尺度特征,并对其进行多特征融合,更好地还原建筑目标的细节信息。与全卷积孪生神经网络网络相比,在WHU和LEVIR-CD建筑变化数据集下的实验结果表明,overall accuracy、F1-score和Kappa系数指标都有所提高,本文的多尺度孪生神经网络方法更利于建筑物变化检测,并获得了良好的测试结果。     

基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

基于U型卷积神经网络的航空影像建筑物检测

经典的卷积神经网络结构在前向传播过程中分辨率不断下降,导致仅采用末层特征时难以实现建筑物边缘的精确分割,进而限制目标检测精度。针对该问题,提出一种基于U型卷积网络的建筑物检测方法。首先借鉴在图像分割领域中性能出色的神经网络模型U-Net的建模思想,采用对称式的网络结构融合深度网络中的高维和低维特征以恢复高保真边界;其次考虑到经典U-Net对位于特征金字塔顶层的模型参数优化程度相对不足,通过在顶层和底层两个不同尺度输出预测结果进行双重约束,进一步提升了建筑物检测精度。在覆盖范围达30 km²、建筑物目标28 000余个的航空影像数据集上的试验结果表明,本文方法的检测结果在IoU和Kappa两项关键评价指标的均值上分别达到83.7%和89.5%,优于经典U-Net模型,显著优于经典全卷积网络模型和基于人工设计特征的AdaBoost模型。     

基于改进DeepLabV3+算法的遥感影像建筑物变化检测

变化检测是遥感测绘领域的重要任务,作为执法依据,在耕地非农化等场景监测中发挥重大作用。近年来,使用人工智能相关技术进行变化检测,常见的技术方案为叠加两期影像,再使用语义分割算法求解变化区域。本文使用变化检测数据集LEVIR-CD作为试验数据,在DeepLabV3+算法基础上,针对变化检测场景特点,对模型结构进行改进。以DeepLabV3+的孪生网络为主干,使用多层级特征交互操作,充分融合图像特征。结果表明,改进的网络结构更加适合变化检测任务场景。     

基于U-Net全卷积神经网络的人工建筑物提取

传统基于遥感光谱和空间特征信息提取、图像分割与分类的方法在面向背景复杂、人工地物繁多的影像时存在泛化能力较差的缺陷,即训练后的模型或规则难以适用不同地区、不同数据源的遥感影像,深度学习比以往分类模型在泛化能力方面表现出强大的潜力。本文选取不同区域、不同类型的遥感卫星影像作为试验对象,结合该区域的地理国情监测成果数据和1︰1万基础地理信息数据,进行遥感影像样本标注及样本增强扩充,构建大规模遥感影像基准数据集;然后基于U-Net全卷积神经网络,综合利用二分类和多分类语义分割网络模型,引入jaccard系数,对道路和房屋这两类人工建筑物目标进行了提取。通过与传统浅层分类方法进行精度对比,本文方法总体精度提升8.82%,Kappa系数提升79.54%,道路和房屋目标的F1值均高出70%,IUO指标高出了100%。分析表明：（1）地理国情监测成果和1︰1万基础地理信息数据在构建大规模的语义分割数据集中具有重要作用;（2）U-Net全卷积神经网络方法能够快速、准确地提取出道路和房屋,且具有很好的泛化能力,能够满足宏观尺度的人工地物提取需求,同时提升处理效率。     

孪生高分辨率卷积神经网络遥感影像变化检测方法

针对遥感影像变化检测问题,提出了一种孪生高分辨率卷积神经网络模型。该模型首先基于孪生网络模型提取不同时相遥感影像的特征,然后将特征拼接后输入到嵌套U形网络中输出变化检测区域。为了提升变化检测效果,进一步设计了高分辨率卷积神经网络用于提取不同时相遥感影像的特征,以充分利用不同分辨率的特征来提升变化检测效果。在LEVIR-CD变化检测数据集上的大量实验表明,所提出方法能够比对比方法获得更高的变化检测精度。     

结合轻量双注意力模块的孪生卷积网络变化检测

针对向神经网络模型中引入注意力模块,导致模型复杂度进一步提高的问题,该文提出了结合轻量双注意力模块的孪生卷积网络变化检测方法。通过在孪生卷积网络模型基础上,加入构建的轻量双注意力模块,达到了向模型中引入较少参数量并且提升变化检测性能的效果。在现有的两个公开数据集上,该文算法分别达到了95.2%和98.4%的总体检测精度,优于其他现有方法。     

基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测

建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题,本文结合面向对象图像分析技术,提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法,利用模糊集理论自动融合多尺度变化检测结果,并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中,并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果,召回率最高提升32%,F1指数最高提升25%,全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下,通过生成对抗网络进行样本迁移,与未使用样本迁移前的检测结果相比,召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3) Obj-SiamNet方法较其他变化检测方法,整体检测精度得到提升,F1指数最高提升23%,GTC最高降低9%。...     

全卷积神经网络用于遥感影像水体提取

提出了一种全卷积神经网络模型用于遥感影像的水体目标提取的方法,介绍了全卷积神经网络的基本原理及构建3种网络模型的过程。为了分析模型效果,首先搜集带有水体的影像数据,并将这些数据标注为水体和背景两类,然后利用构建的全卷积神经网络模型进行推理和学习获取先验模型,最后对测试影像进行水体提取试验。通过与传统的基于影像光谱特征的阈值法和基于图论的Grab Cut算法提取结果进行比较,验证了本文方法的可行性。     

利用倾斜影像重建点云的建筑物变化检测

城镇空间建筑物的变化检测是分析城市空间格局变化的一项重要内容。针对利用卫星影像检测建筑物变化过程中噪声、复杂边界等干扰难题,本文从不同期倾斜影像重建点云中自动提取建筑物平面和高度两个维度的准确变化信息。首先采用布料模拟滤波算法较大程度上减少地形点的影响;然后利用一种动态图神经网络深度学习方法,有效地检测出点云中的建筑物,通过前后两期点云分类后结果对比提取出建筑物的三维变化信息;最后选取杭州市萧山区局部区域的两期倾斜摄影测量密集匹配点云数据开展分析验证。结果表明,本文方法能够在大范围内快速实现可靠的建筑物变化检测,建筑物平面和高程两个维度的变化信息均有很好的反映,为城市精细化管理提供了一种有效方法。     

基于卷积神经网络的电线塔识别与更新入库

利用卷积神经网络实现了电线塔的提取与更新入库.首先将遥感影像分为训练区域与校正区域,结合本底矢量数据,在训练区域分别获得目标与非目标样本影像块,并以此训练卷积神经网络;再利用卷积神经网络在校正区域提取电线塔;然后通过与本底数据的叠置分析,获得电线塔的增量数据;最后根据不同的类型对增量数据进行更新入库.实验结果表明,该方...     

一种高分辨率遥感影像建筑物自动检测方法

高分辨率遥感影像具有丰富的空间信息、地物几何结构和纹理信息,有助于对地物目标进行认知和解译。而建筑物目标在人类活动区域内占据重要地位,对高分辨率遥感影像中的建筑物进行自动检测具有重大意义。提出了一种基于全卷积神经网络的建筑物自动检测方法,并制作了建筑物样本数据集,利用基于区域的全卷积神经网络和特征检测网络进行建筑物检测模型的参数训练,对待检测影像进行预处理之后利用模型进行建筑物检测,得到影像中的建筑物目标的具体位置和类别置信度。实验证明,提出的检测方法具有更好的效果和更快的速度。检测召回率达到92%,检测准确率达到98%,证明了该方法针对建筑物检测具有较高的精度和较强的稳定性。     

卷积神经网络支持下的建筑物选取方法EI北大核心CSCD

建筑物选取是地图综合的关键步骤,需要考虑目标大小、方向、形状、密度等多种上下文因子进行重要性评价与选取决策。现有方法大多考虑单一或少数几个因子,通过人工设置选取规则与参数,导致选取模型适应性不强。本文构建一种数据驱动的图卷积神经网络选取方法,该方法利用Delaunay三角网将建筑物目标组织为图结构,节点表示建筑物中心点,连接边体现建筑物之间的邻近关系,并计算建筑物的大小、方向、形状、密度特征作为对应节点的描述特征;然后叠加多个图傅里叶卷积运算构建图学习模型,并采用半监督学习方式训练模型,使之具备决策单个建筑物保留与否的能力。试验表明,本文方法能从少量的标注样本中有效地学习建筑物选取知识,在保留重要个体目标的同时也能较好地保持原有空间分布密度关系,克服传统方法在规则定义与参数设置方面的难题且不依赖于大量人工标注,为建筑物综合选取的智能化实施提供潜在的技术途径。     

基于卷积神经网络的地图相似度匹配方法研究

针对目前基于深度学习的图像分类方法难以提取地图子类图像的高级语义信息,该文采用一种孪生网络结构下利用卷积神经网络提取图像特征计算相似度的方法进行地图子类的识别,将地图样本输入到孪生网络模型中进行训练及测试,并与直方图、灰度共生矩阵两种传统图像相似度计算方法进行对比分析。结果表明,基于孪生网络结构利用卷积神经网络提取图像特征计算地图相似度的方法准确率为93%,比两种传统方法分别高出了48%、43%;F1测度值为93.2%,比两种传统方法分别高出61.1%、26.53%,每张图像的运行速度也可达毫秒级。得出结论：该相似度匹配方法的高准确度和高效性为地图子类图像识别提供了技术方法,为互联网地图监管提供了新的思路。