基于特征增强和ELU的神经网络建筑物提取研究
近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用.本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为ELU、"编码器-特征增强-解码器"结构的网络模型FE-Net.实验首先通过比较不同网络层数的U-Net5、U-Net6、U-Net7的建筑物提取效果,找到最佳的基础网络模型U-Net6;其次,基于该模型,加入特征增强结构得到"U-Net6+ReLU+特征增强"的网络模型;最后,考虑到ReLU容易产生神经元死亡,为优化激活函数,将激活函数替换为ELU,从而得到网络模型FE-Net(U-Net6+ELU+特征增强).比较3个网络模型(U-Net6+ReLU、U-Net6+ReLU+特征增强、FE-Net(U-Net6+ELU+特征增强))的建筑物提取结果,表明FE-Net网络模型的建筑物提取效果最好,精度放松Fl值达到97.23％,比"U-Net6+ReLU"和"U-Net6+ReLU+特征增强"2个网络模型分别高出0.36％和0.12％,且与其他具有相同数据集的研究成果比较,具有最高的提取精度,它能较好地提取出多尺度的建筑物,不仅对小尺度建筑物有较好的提取效果,而且能大致、较完整地提取出形状不规则的建筑物,有相对更少的漏检和错检,较准确地实现了端到端的建筑物提取.
高分辨率遥感影像、卷积神经网络、建筑物提取、特征增强、激活函数ELU、FE-Net网络模型、端到端、深度学习
23
TP391.41;TP183;P237
国家重点研发计划;国家自然科学基金;国家自然科学基金;中央级公益性科研院所基本科研业务费专项
2021-05-26（万方平台首次上网日期，不代表论文的发表时间）
共18页
692-709
