论文部分内容阅读
针对高分辨率遥感影像道路提取过程中，深度学习方法较传统提取方法虽可有效地提高地物提取的精度，但需要大量样本训练，消耗较多计算资源，且大量高质量训练样本难以获得等问题，该文提出了一种将支持向量机（SVM）与卷积神经网络（CNN）结合的适用于小样本的道路提取混合模型，该模型能够在小样本训练时保证道路提取的精度。采用数据增强、正则化等方法优化训练策略，丰富小样本道路特征库，设计结合SVM的深度卷积神经网络结构来提取道路在影像中的高维特征，降低模型计算量，减少计算时间。以谷歌高分辨率遥感影像作为实验数据，用不同训练样本量来训练模型并验证道路提取的精度；同时，将该文提出的方法与逻辑回归（LR）模型、光谱结合SVM模型以及VGG16深度学习模型进行了道路提取效果的对比分析。结果表明：该文倡导模型方法在小样本情况下可以提取较高精度道路；与其他3种方法比较，该文方法能够快速构建与训练模型，在满足精度要求的同时，极大地提高了高分辨率遥感影像道路提取的效率，为道路数据的快速更新与变化检测提供了新的技术支持。