[an error occurred while processing this directive] |
世界地质 2022, 41(2) 342-348 DOI:
ISSN: 1004-5589 CN: 22-1111/P |
|
|
|
|
本期目录 |
下期目录 |
过刊浏览 |
高级检索
[打印本页]
[关闭] |
|
基础地质 |
|
基于 U-net模型的遥感影像建筑物提取 |
|
|
孙尚彪1 ,张海明1 ,熊灵华1 ,张雨涵1 ,钟林汕1 ,王民水1 ,王明常1,2 |
|
|
1吉林大学 地球探测科学与技术学院,长春 130026;
2自然资源部 城市国土资源监测与仿真重点实验室,广东 深圳 518000 |
|
|
摘要:
使用基于全卷积神经网络的 U-net模型提取遥感影像中的建筑物,采用公开的 Massachusetts建筑物数据集进行模型的训练,并通过迁移学习的思想对网络的权重进行微调,以便快速高效地训练模型,从而输出更高的精度。实验结果显示,U-net模型在准确度、召回率和 F1值三项精度指标中分别达到 0.95852、0.88109和 0.82123,与传统方法进行对比,建筑物的轮廓更加完整,准确度提高25%以上,召回率和 F1值均提高 2倍以上,适用于提取场景中的建筑物区域。 |
|
|
关键词:
建筑物提取
U-net
神经网络
深度学习
|
|
|
Building extraction of remote sensing images based on U-net mode |
|
|
SUNShangbiao1 ,ZHANGHaiming1 ,XIONGLinghua1 ,ZHANGYuhan1 , ZHONGLinshan1 ,WANGMinshui1 ,WANGMingchang1,2 |
|
|
1CollegeofGeoexplorationScienceandTechnology,JilinUniversity,Changchun130026,China;
2KeyLaboratoryofUrbanLandResourcesMonitoringandSimulation,MNR,Shenzhen518000,Guangdong,China |
|
|
Abstract:
TheUnetmodelbasedonthefullyconvolutionalneuralnetworkisappliedtotheextractionof buildingswithinremotesensingimages.AdoptingthepublicMassachusettsbuildingdatasettotrainthemodel,the weightsarefinetunedthroughtheideaoftransferlearninginordertomakethenetworkmodeltraininggetfaster andhigheroutputaccuracy.TheexperimentalresultsshowthattheUnetmodelachieves095852,088109and 082123inthethreeaccuracyindicatorsofaccuracy,recallandF1score,respectively.Comparedwiththetraditionalmethods,theoutlineofthebuildingismorecomplete,andtheaccuracyisimprovedbymorethan25%.The recallrateandF1scorearebothincreasedbymorethan2times,indicatingthismodelissuitableforextractingthe buildingareainthescene. |
|
|
Keywords:
buildingextraction
Unet
neuralnetwork
deeplearning
|
|
|
收稿日期 修回日期 网络版发布日期 |
|
|
DOI: |
|
|
基金项目:
|
|
|
通讯作者: |
|
|
作者简介: |
|
作者Email: |
|
|
参考文献: |
|
本刊中的类似文章 |
1.程一,李桐林,张镕哲,周帅. 基于深度学习的重力梯度事后误差补偿方法[J]. 世界地质, 2021,40(3): 671-679 |
2.洪一鸣,王璞珺,李瑞磊,边伟华,黄布宙,郑健.基于常规测井数据的火山岩岩性神经网络识别:以松南长岭断陷为例[J]. 世界地质, 2021,40(2): 408-418 |
3.苏刚,秦胜伍,乔双双,扈秀宇,陈阳,车文超. 基于Stacking 集成学习的泥石流易发性评价:
以四川省雅江县为例 [J]. 世界地质, 2021,40(1): 175-184 |
4.雷廷,贾军元,田福金,马青山,康建国,于子望. 基于BP 神经网络预测岩石导热系数[J]. 世界地质, 2021,40(1): 131-139 |
5.刘子维, 张旭晴, 王明常, 杨国东, 王思琪.改进卷积神经网络模型在遥感图像场景分类中的应用[J]. 世界地质, 2020,39(4): 953-959 |
6.李金峰, 刘云鹤.不同结构深度神经网络的时间域航空电磁数据成像性能分析[J]. 世界地质, 2020,39(1): 159-166 |
7.邓浩, 张延军, 单坤, 倪金, 岳高凡.基于神经网络的大连东北海岸带碎石土地基强夯加固研究[J]. 世界地质, 2020,39(1): 121-126 |
8.于海洋, 陈圣波, 杨北萍, 安秦.基于遗传算法优化BP神经网络的玉米遥感估产方法[J]. 世界地质, 2020,39(1): 208-214 |
9.刘飞, 秦胜伍, 乔双双, 窦强, 扈秀宇.基于神经网络模型的斜坡地质灾害易发性评价:以吉林永吉为例[J]. 世界地质, 2019,38(4): 1166-1176 |
10.王红菲, 江玉龙, 陆哲昆, 王祝文.辽河东部凹陷火成岩测井岩性识别方法与应用[J]. 世界地质, 2016,35(2): 510-525 |
11.杨晓辉, 王祝文, 王文华, 郑武, 周大鹏.BP 神经网络算法在火成岩泥质含量计算中的应用[J]. 世界地质, 2015,34(4): 1120-1124 |
12.庄华, 潘保芝, 张丽华.BP 神经网络模型在朝长地区扶杨油层压裂产能预测中的应用[J]. 世界地质, 2012,31(4): 785-790 |
13.吕琳, 王明君, 范继璋.BP 模型在南海神狐海域天然气水合物储量参数预测中的应用[J]. 世界地质, 2011,30(1): 80-84 |
|
Copyright by 世界地质 |