论文部分内容阅读
遥感图像中的房屋检测是目标检测领域的一个重要分支。其在城市规划、变化检测及GIS信息构建等方面发挥着至关重要的作用，日渐成为学术界和工业界的研究热点之一。然而，遥感图像的房屋具有许多复杂的特性，如多变的尺度、复杂的背景及多样的拓扑形状等。一般的目标检测算法难以直接应用于遥感图像的房屋检测任务中。因此，目前遥感图像中的房屋检测仍是一项亟需解决的挑战性课题。 传统的房屋检测算法主要基于人工构造的特征，如形状特征、边缘特征及阴影特征等。这类算法仅能提取房屋目标的浅层特征，不能充分地表达其高层语义信息，准确率低，鲁棒性差。目前，由于深度神经网络被广泛地应用到目标检测任务中，如AlexNet、YOLO及FCN等。房屋检测算法的主流趋势也逐渐倾向于使用深度神经网络。这类算法能利用高度的非线性映射及大数据训练，提取出房屋目标的深层特征，较好地克服了传统算法的缺陷。然而，由于深度神经网络在遥感图像的房屋检测任务中方兴未艾，许多基于深度神经网络的房屋检测算法在准确率、鲁棒性及实时性等方面还存在较大的提升空间。因此，如何结合深度神经网络和遥感图像中的房屋检测的特点来设计一个性能良好的房屋检测框架是一个需要深入研究的问题。其有着十分重要的理论研究价值和潜在的实际应用前景。 为此，本文提出基于深度神经网络的多源遥感图像房屋检测算法。本文重点研究如何结合深度神经网络及遥感图像中的房屋检测的特点，设计一个准确率高、鲁棒性强、实时性好的房屋检测框架。本文的主要工作及贡献总结如下: 提出了一种基于深度反卷积神经网络的多源遥感图像房屋检测算法。该算法主要由三部分组成。首先，将2016年IEEE数据融合竞赛提供的多源遥感图像数据进行预处理。基于公开地图项目，制作了一个高质量的温哥华房屋数据集。接着，分别在温哥华房屋数据集的两个谱段组合(RGB和NRG)上训练两个深度反卷积神经网络。最后，融合两个网络输出的得分图，得到最后的房屋检测结果。大量的实验表明，该算法能够准确并且有效地提取遥感图像中的房屋目标。 提出了一种基于多任务神经网络级联的遥感图像房屋检测算法。该算法的一个优点是能够对遥感图像中的房屋目标进行实例区分。该算法的框架由三个部分组成，即实例区分网络、掩膜估计网络和多边形生成器。前两个网络组成一个级联的结构，共享卷积层的特征，能够进行端到端训练。多边形生成器根据掩膜估计网络的输出，生成表示房屋实例的多边形。在2016年SpaceNet竞赛数据集上的大量实验表明，该算法能够取得良好的房屋检测性能。