100 积分
50
评分
4.7 积分- 详情
- 2021-04-27
- 简介
pdf
- 2.8MB
- 页数 9P
- 阅读 77
- 下载 38
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30km2、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。
对不起，您暂无在线预览权限，如需浏览请
立即登录热门商品
相关推荐
基于U型卷积神经网络的航空影像建筑物检测 2.8MB
基于卷积神经网络的航空影像城市建筑物分割 3.4MB
基于神经网络模型的建筑物变形预测 369KB
基于卷积神经网络的空心村高分影像建筑物检测方法 879KB
基于LVQ神经网络的建筑物提取 325KB
基于轮廓小波变换的航空影像建筑物识别 1.4MB
基于模型的航空影像矩形建筑物半自动建模 285KB
基于深度置信网络与数学形态学融合的遥感影像建筑物变化检测 2.5MB
灰色神经网络模型在建筑物变形预报中的应用 656KB
应用人工神经网络预测建筑物空调负荷 412KB