科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对现有方法对高分辨率遥感图像的道路信息提取精度有限的问题，论文选用PyTorch作为深度学习框架，在卷积神经网络（CNN）的基础上选用U-Net模型进行改进，使用ResNet50残差模块替换原模型的卷积部分，增加模型感受野并解决梯度弥散问题，从而增加网络深度来提取目标的深层特征。实验部分使用南京玄武湖附近道路数据集作为马萨诸塞州道路数据集的补充，对比了不同道路场景下改进模型的提取效果，并利用准确率和召回率结合提取结果评价改进模型的性能，总结其适用的场景。实验结果显示，论文改进模型在马萨诸塞州道路数据集上的不同场景中的提取效果较好，而在分辨率更高的南京玄武湖附近道路数据集中的车辆或遮挡物较多路段，道路提取结果出现不连续现象。基于马萨诸塞州道路数据集，改进模型提取结果准确率约为0.8，召回率约为0.75。其中，相较于早期的U-Net网络结构，准确率提高48.14%，召回率提高19.04%；相较于近年有学者提出的改进TGCA-Net网络结构准确率提高19.40%，召回率持平。
- 出版日期2023
- 单位南京林业大学
