基于深度学习的农村建筑物遥感影像检测.pdf

测绘第39卷第5期2016年 10月 227 基于深度学习的农村建筑物遥感影像检测 陈文康 (四川金土地实业有限公司，四川 成都 610042) [摘要]如何快速高效地从遥感影像中检测农村建筑物对农村地区发展研究有着重要意义。传统的目标检测依赖 人工提取特征并不能充分挖掘数据之间的关联，以至于检测精度不高。本文利用建筑物和非建筑物影像在Caffe 深度学习框架下对几种卷积神经网络进行训练和测试，改进后的CaffeNet网络结构提高了建筑物训练和测试速 度。通过对比两个结构相似的神经网络，发现将池化层置于归一层前能显著提升卷积神经网络在遥感影像检测 中的精度。实验结果表明，改进后的CaffeNet性能得到了提升，检测精度达到了95．00％，更适合大量数据的训 练和测试。 [关键词]遥感影像；建筑物；检测；卷积神经网络 [中图分类号]P237 [文献标识码]B [文章编号]1674—5019(2016)05—0227—04 RemoteSensingImageDetectionofRuralBuildingsBasedOnDeep LearningAlgorithm CHEN Wen．kang CIFAR10是针对 l0类别的数据库CIFAR一10进行分类， 1 引言 AlexNet在 ImageNet图像分类上取得 了巨大的成功。 过去，高分辨率的遥感影像往往只针对于经济发 GoogLeNet和VGG是 2014年 ImageNet大规模视觉识 展较快的城市地区，而农村地区则少有数据 。随着遥 别竞赛冠亚军，识别能力非常强，但是网络结构复杂， 感技术的快速发展，高分辨率遥感影像数据急剧增 训练和测试所花费的时间非常多。 加，为农村区域的遥感影像 目标解译提供了可能 。 本文针对高分辨率建筑物遥感影像检测，根据 在遥感影像中，建筑物表现为具有一定面积、长 Caffe提供的深度学习框架对卷积神经网络进行研 度和宽度的面状地物，传统的方法采用区域生长算 究。通过比较精度选择更加适合针对建筑物的遥感影 法，如基于最小二乘B样条 曲线的识别方法、基于边 像检测模型，并对模型进行改进 以达到快速准确检测 缘跟踪的方法以及边缘检测等 。这些方法主要是 建筑物的 目的。 基于像元的操作，准确度难 以达到应用的要求。为了 2 实验方法 更好地利用高分辨率遥感影像的丰富信息，实现高分 辨率遥感影像的信息提取，面向对象的影像分析方法 2．1卷积神经网络 应运而生，它所处理的信息不再是低层次的像素，而 本文提出的基于 CNN 的识别系统是一种有监督 是经过多尺度分割之后的目标对象 。在运用面 向对 学习的识别方法，它包含有特征提取和分类器设计两 象检测方法中有利用影像对象的光谱、纹理、形状与 个部分。对于识别问题，由于其拍摄光照、视角、背 背景信息识别 ，也有通过机器学习的方法学习特征 景等因素的多变性，我们需要提取的特征具有很好的 构建分类器检测 目标 。受 自然条件和人为因素的影 表征能力，CNN包含有的三种结构特性恰好能满足旋 响，用于 目标检测方法所依赖的特征表达往往是通过 转、尺度和多类型形变的场景需求，这三种构架分别 人工设计的，很难完整表达事物真是特征 。因此我