由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on d...由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on deep metric network,BEDMN)。该方法使用相似性正则化计算像素样本在深度特征空间的相似性,使得同类样本特征相近、异类样本特征相远,增加深度特征的辨别性。为验证该方法的精度,选取两个区域进行实验,在城市实验区和农村实验区的建筑物提取查全率/查准率分别为88.01%/89.30%、95.13%/94.15%。结果表明,该方法可以有效提升深度网络的辨别能力,提高建筑物的提取精度。展开更多
文摘由于建筑物在形状、屋顶材质、层高、背景等方面存在多样性,传统基于深度卷积神经网络的建筑物提取算法对一些具有差异性的建筑无法正确提取。针对这一问题,提出基于深度度量网络的建筑物精细化提取方法(building extraction based on deep metric network,BEDMN)。该方法使用相似性正则化计算像素样本在深度特征空间的相似性,使得同类样本特征相近、异类样本特征相远,增加深度特征的辨别性。为验证该方法的精度,选取两个区域进行实验,在城市实验区和农村实验区的建筑物提取查全率/查准率分别为88.01%/89.30%、95.13%/94.15%。结果表明,该方法可以有效提升深度网络的辨别能力,提高建筑物的提取精度。
