典型文献
结合边界约束网络和分水岭分割算法的建筑物提取
文献摘要：
城市作为高密度建筑区域,在较小范围内有大量结构相似的建筑紧密分布.当前从高分辨率图像中准确检测建筑仍然是一个挑战,本文受边缘检测网络启发,提出一种强化边界精度的建筑物提取新方案,根据建筑物及边界特点改进深度网络,结合自下而上分组的分水岭分割提高分类精度和建筑边界的准确度.首先对数据预处理,生成建筑边界和建筑分割线两类辅助标签;改进性能较优的建筑检测框架ICT-Net网络,修改网络结构和损失函数,针对两类辅助标签,强化边界影响,提高网络性能;最后对网络预测结果应用结合分水岭分割和梯度提升回归树的后处理,实现高精度的建筑提取.结果表明,数据预处理、改进深度学习算法可提高建筑检测像素精度IOU(Intersection over Union)约1％.后处理能充分利用网络输出的概率信息,有效优化建筑边界,在网络预测结果的基础上提高建筑实例召回率10.5％.本文方案与原始的ICT-Net网络相比,提高建筑实例召回率22.9％.
文献关键词：
遥感;建筑检测;深度网络;边界损失;分水岭分割;实例分割
中图分类号：
作者姓名：
罗壮;李明;张德朝
作者机构：
太原理工大学数学学院,晋中030600;太原理工大学大数据学院,晋中030600;清华大学地球系统科学系,北京100084
文献出处：
引用格式：
[1]罗壮;李明;张德朝-.结合边界约束网络和分水岭分割算法的建筑物提取)[J].遥感学报,2022(07):1459-1468
A类：
B类：
边界约束,分水岭分割算法,建筑物提取,高密度建筑,小范,结构相似,高分辨率图像,边缘检测,测网,新方案,深度网络,自下而上,分类精度,数据预处理,分割线,建筑检测,检测框架,ICT,Net,损失函数,边界影响,网络性能,结果应用,应用结合,梯度提升回归树,改进深度学习算法,像素,IOU,Intersection,over,Union,充分利用网络,有效优化,优化建筑,召回率,边界损失,实例分割
AB值：
0.393943
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
