多深度神经网络集成的道路提取

作者：张新长,江鑫

摘要：高分辨率遥感图像道路提取是遥感信息分析领域中的一项重要工作。尽管深度学习的高分辨率遥感影像道路提取方法已经获得了先进的性能,但大多数深度学习网络具有严重的数据依赖性,缺少一种普遍适用的网络模型。针对以上问题,分别探讨了深度神经网络的宽度及结构对高分辨率遥感图像道路提取的影响。选取3种经典的端到端网络模型(SegNet、U-Net和FRRN)进行试验,针对每种网络结构依次设置3×3、5×5、7×7的卷积核。最后,剖析卷积核的尺度对道路提取的影响,提出了一种多深度学习网络集成的道路提取方法。结果表明,对于SegNet、FRRN、U-Net网络,3×3的卷积核普遍获得了较好的道路提取结果,SegNet方法能够较好地平衡道路提取的完整性和正确性。

发文机构：广州大学地理科学与遥感学院 中山大学地理科学与规划学院

关键词：高分辨率遥感影像道路提取深度学习集成学习多尺度high-resolution imageryroad extractiondeep learningensemble learningmulti-scale

分类号： TP79[自动化与计算机技术—检测技术与自动化装置]