- 1、本文档共54页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
摘要
基于非局部注意力机制的遥感图像建筑物提取模型研究与实现
从遥感图像中提取精确建筑物信息,在城市规划、地图绘制、土地利用分析,
国防安全等方面有重要的意义。随着航空航天技术的发展,遥感图像的数据来源不
断丰富,人工提取遥感图像中的建筑物信息将耗费大量的人力资源,无法满足实时
性要求,限制了遥感图像上建筑物信息的使用范围。传统的自动化建筑物提取方法
依赖于人工设计的特征,如颜色,形状,纹理等,但是在遥感图像中,建筑物的形
状、大小、位置、颜色等具有多样性,同时,高分辨率遥感图像中地物背景复杂,
包含许多细节噪音信息,对建筑物提取造成了干扰,因此,基于传统方法的建筑物
提取算法普遍效果不佳。
随着人工智能和深度学习的快速发展,以卷积神经网络为代表的深度学习算法
在机器视觉领域取得了优秀的成果。卷积神经网络可以自动地从图像中提取出分
等级的特征,并用于图像的识别和分割。卷积神经网络在机器视觉领域的成功应用
吸引了诸多研究者将其运用到遥感图像建筑物提取任务,并且已经有了优秀的成
果。然而,现有的基于卷积神经网络的图像语义分割方法使用连续的局部操作来扩
大网络的感受野,无法捕获充足的全局信息,在一定程度上影响了建筑物提取的效
果。
针对以上的问题,本文提出了一个新型的编码器-解码器结构的遥感图像建筑
物提取网络,并使用非局部方法引入全局信息提高模型的提取精度。本文的主要工
作如下:
(1)调研和分析了国内外在该领域的研究现状,阐述了深度学习卷积神经网
络算法的基本原理和训练方法。
(2)提出了一个基于全卷积神经网络的端到端的编码器-解码器结构建筑物提
取模型。本文使用全卷积神经网络提取遥感图像上的特征并进行像素级别的建筑
物提取。为了引入多尺度和全局上下文信息,在模型中引入了空洞卷积空间金字塔
模块和非局部方法模块,增加了模型提取建筑物的精度。
(3)为了验证模型的实际效果,本文在公开的马萨诸塞州建筑物数据集和
I
WHU数据集进行了训练和测试,并与FCN-8s、U-Net、SegNet、Deeplabv3等主
流图像分割模型进行了比较。实验表明,本文提出的建筑物提取算法可以更高效地
完成建筑物提取任务,相比于现有的最优提取算法,F-Score指标在两个数据集上
1
的分别提升了0.26%和1.41%,证明了本文提出的方法的有效性。
(4)探究了不同非局部方法对模型造成的影响,分别将空间非局部模块和通
道非局部模块应用到本文提出的模型,并在马萨诸塞州建筑物数据集上进行了训
练和测试。
关键词:
深度学习,图像分割,建筑物提取,注意力机制,非局部方法
II
Abstract
ResearchandImplementationofRemoteSensingImageryBuilding
ExtractionModelBasedonNon-LocalAttentionMechanism
Extractingbuildingsfromremoteimagesisasignificantandfundamentaltaskfor
variouspracticalapplications,suchasurbanplanning,land-
文档评论(0)