给大家推荐7篇关于道路提取的计算机专业论文

今天分享的是关于道路提取的7篇计算机毕业论文范文, 如果你的论文涉及到道路提取等主题,本文能够帮助到你

基于深度学习高分辨率遥感图像道路提取研究

这是一篇关于道路提取,高分辨率遥感图像,深度学习,图像分割,自适应特征提取的论文, 主要内容为道路作为基础的地理信息要素之一,在车辆导航、路径规划、智慧城市等方面具有重要的意义。基于传统的道路提取方法需要人工干预提取特征,体现出效率低、精度无法保障等问题,满足不了道路信息的现代化需求。深度学习促进了图像分割邻域的发展,其中卷积神经网络具有强大的特征学习能力,可以自适应提取不同层次的特征信息,有利于图像的分割工作。目前的深度学习分割方法可以实现道路信息自动化、智能化提取,但是在复杂背景下道路提取能力受限。因此本文为了解决上述问题,在现有分割算法上提出了一种新的分割网络-ACS-Unet应用于高分遥感图像道路的提取,在道路结构复杂的场景下取得了较好的效果,本文具体研究内容和结果如下:(1)针对U-Net网络模型在复杂道路背景下提取信息效率低的问题,本文在U-Net的基础上进行改进设计了一种高效率信息提取的ACS-Unet模型。首先在跳跃连接中融合坐标注意力模块加强对通道有用信息的学习,抑制无关信息的响应,同时还引入了道路的位置信息,利于后续的解码块操作;在编码器的底部加入一种可以提取多层特征信息的空间空洞卷积金字塔模块,该模块可以利用不同的扩张率扩大网络的感受范围,获得多尺度的上下文信息,增强模型的细节提取能力;使用空间注意力模块强化解码器的自适应学习能力,增添不同位置信息学习的依赖性,提高模型抗干扰能力。(2)对设计好的ACS-Unet模型进行训练优化。采用迁移学习的方法加载模型预训练权重,使用Diceloss混合损失函数优化分割网络,解决遥感图像中道路与背景正负样本严重不均的问题。同时为了避免梯度异常的问题,采用批归一化操作,优化信息流,提高模型的计算效率。并采用Adam优化算法加快梯度下降,加速模型的收敛。(3)为验证模型在不同场景下道路的提取效果,本文以Quick Bird遥感卫星数据为例,对遥感道路数据集进行研究,首先利用ENVI对遥感数据进行预处理,通过辐射定标、大气校正、正射校正、融合等一系列方法得到高质量的遥感图像,然后通过labelme对数据进行人工标注保存生成json文件,再转化为卷积神经网络可以识别的灰度图,之后使用matlab软件进行随机裁剪,最后通过水平翻转、镜像、色彩变换等方式数据增强,最终得到大小为5400张图像的Quick Bird道路数据集。(4)最后将构建的ACS-Unet语义分割模型应用于高分辨率遥感影像道路信息的提取,分别在Massachusctts数据集、Deep Globe数据集和Quick Bird数集上进行实效分割实验,结果论证了改进模型在Precision、Recall、F1-score、Io U评价指标上优于FCN、U-Net、Seg Net、Dense UNet等分割模型,可以从复杂的遥感影像提取更为完整的路况结构,在不同的道路提取任务上具有较好的实用性。

基于深度学习的遥感图像道路分割研究

这是一篇关于遥感图像,道路提取,卷积神经网络,深度学习的论文, 主要内容为自第一颗遥感卫星成功发射后,世界各国便纷纷投身于遥感技术研究工作中。现如今,遥感数据来源丰富,所能获取的图像质量和分辨率也不断提升,这些海量的高分辨率遥感图像为地物信息的提取提供了有力的数据支撑。道路设施在全社会交通网络中起着“结点”的作用,基于遥感图像的道路提取研究应用广泛,例如:城市规划,自动驾驶,道路导航,应急指挥等领域。高分辨率遥感图像中富含丰富的地物特征,传统道路提取方法已经很难做到准确地提取道路。当前,基于深度学习的卷积神经网络得到了迅速的发展,并且在图像分割领域取得了不错的成果,为高分辨率遥感图像道路提取研究带来新的思路。然而,仍存在着以下问题:缺乏国内高分辨率遥感图像道路信息提取数据集;纯卷积提取道路时,存在纹理细节丢失、漏判、误判的问题;在高分辨率遥感图中,存在道路区域与非道路区域类别样本差异明显的情况。鉴于此,本文工作内容如下:(1)针对传统方法自动化程度低、难以全面提取道路信息的问题。将目前在图像分割中利用卷积神经网络的道路提取算法U-Net、U-Net++、LinkNet、D-LinkNet、CE-Net进行了对比研究。根据对比实验以及遥感图像道路分割研究的特点,选择了结构简单、性能稳定的U-Net作为论文基准模型。(2)针对国内高分辨率遥感图像道路信息提取数据集的缺乏。采用高分二号卫星获取的遥感图像道路信息,通过ENVI软件进行预处理操作,将预处理后的遥感图像尺寸裁剪为512×512的小图,筛选出含有道路的遥感图像1509张,并通过Labelme软件标注道路拓扑,生成道路标签图,与CHN6-CUG数据集汇总后共6200张,构建了国内高分辨率遥感卫星道路提取数据集,对比数据集是DeepGlobe数据集,共同用于改进算法的训练。(3)为解决样本道路与非道路区域类别的不均衡情况和分割道路时存在的漏判、误判等问题。提出一种以U-Net作为baseline进行相关改进的道路分割模型RSD-UNet,使用ImageNet数据集进行迁移学习的ResNet-34网络和SMU激活函数作为特征提取模块,避免了梯度爆炸、加强了对道路细节特征的提取;将改进的金字塔池化模块作为上下文提取器,扩大感受野并获得融合局部特征与全局特征的丰富道路信息;在上采样级联部分使用双重注意力机制,增加网络对于频域通道与空间特征信息的关注度;采用Dice损失函数和BCE损失函数联合优化,达到加快网络模型收敛的目的。(4)在国内高分辨率遥感卫星道路提取数据集和DeepGlobe数据集上训练100次,改进后的RSD-UNet在两个数据集中的F1score和MIoU分别达到了83.69%、83.66%和74.68%、78.56%。并与 U-Net、U-Net++、LinkNet、D-LinkNet、CE-Net进行实验对比,RSD-UNet 的指标均高于其他经典遥感图像道路分割算法。在国内高分辨率遥感数据集的消融实验结果显示,对比基准网络UNet,指标IoU和F1分数提高了 4.4%和3.07%,验证了 RSD-UNet具有优异的分割性能,能够较好的完成高分辨率遥感图像道路分割任务。

基于深度学习的高分辨率遥感影像道路自动提取研究

这是一篇关于深度学习,道路提取,高分辨率遥感影像的论文, 主要内容为人工智能技术与基因工程和纳米技术一起被认为是二十一世纪的三大尖端技术,对社会的进步和经济发展有着不可估量的作用。深度学习技术作为近年来人工智能技术发展最快也是最有希望技术,在近几年其研究和应用已经达到了井喷的状态,并在许多领域取得了非常好的应用效果。特别是在语音识别和影像识别领域深度学习已经取得了突破性进展,其识别准确率甚至已经超越大部分人类的识别准确率。然而在高分辨率遥感影像道路自动提取方面的相关技术研究虽然已经有大约三十年的历史,并且在这期间有许许多多的道路提取方法被提出,但是由于高分辨率遥感影像复杂的地物环境,目前道路的提取精度和完整性都不尽人意。而基于有着超强学习表达能力的深度学习方法在遥感影像道路识别提取中的相关研究还才刚刚开始。深度学习技术有望使高分辨率遥感影像道路自动提取技术也取得突破性进展。本文应用深度学习的方法对高分辨率遥感影像道路自动提取进行建模,具体研究工作如下:(1)研究和改进了基于全卷积深度学习网络结构自动提取高分辨率遥感影像中的道路的模型。该模型具有对遥感影像进行端到端的道路提取能力,且对输入影像的大小没有限制,不需要人工设计提取特征,也不会像现有深度学习模型需要利用滑动窗口的形式将深度学习与道路提取相结合。该模型在本文试验数据全监督训练后的道路提取平均准确度为86%。(2)研究提出了深度学习道路提取模型小样本训练方法。目前深度学习算法对训练数据库数据量要求太高,往往是几十万以上的级别的数据量才能使深度学习模型有较好的性能表现。为此,本文对训练数据库对深度学习模型性能的影响做了较深入的研究,并提出了小样本训练方法。应用小样本训练方法,本文通过57对原始训练数据对(1)中的道路提取模型重新进行训练后,模型的平均准确度从86%提升到96%,使原始训练样本数量极大减少的同时,模型的性能相比于原有大量训练样本训练后的模型性能不仅没有下降反而还大大提高了。(3)研究了深度学习弱/无监督的学习方法,这些方法包括自编码学习、相似度映射学习、生成对抗学习、循环学习、循环生成对抗学习、噪声学习、对应关系学习等深度学习弱/无监督道路提取算法模型,其目的是为了充分利用大量的无标记的数据进行学习。其中本文提出的基于相似度映射关系的深度学习模型的提取准确度最高,道路平均准确度达到了88%。该方法的提取精度甚至超过了(1)中的全监督训练方法,值得后续继续研究。

基于深度学习的高分辨率遥感影像道路自动提取研究

基于深度学习的高精度遥感图像道路识别与提取的研究

这是一篇关于遥感,道路提取,去云,生成对抗网络,卷积神经网络,注意力机制的论文, 主要内容为道路信息作为重要的地理信息之一,已被广泛应用于军事、地图、交通、导航等诸多领域。随着运载火箭、卫星等相关技术的成熟,高精度遥感图像中的道路信息识别和提取已经受到广泛关注与研究。然而,遥感图像中极易出现云、雾等干扰信息,出现图像畸变、地表特征丢失等问题,对道路提取的准确率造成极大影响。同时,现有的道路提取算法获取的道路信息存在着细节丢失、边缘模糊、路网连续性差的问题。因此,本文针对复杂环境下高精度遥感图像的道路识别与提取算法进行深入研究,主要工作内容如下:(1)针对遥感图像的云雾遮挡问题,提出一种基于生成对抗网络的遥感图像去云算法(Generative Adversarial Networks Based on Convolutional Block Attention Module,CBAM-GAN)。该算法模仿人类视觉注意力机制,识别并且聚焦有云遥感图像中的重要特征信息,从而对重要的信息特征进行增强以及对云层信息进行恢复,以生成质量更好的无云图像。在开源RICE数据集上与三种不同的去云算法进行对比实验,结果表明本文提出的CBAM-GAN在峰值信噪比和结构相似度上均取得了最佳性能。证明了CBAM-GAN在遥感去云任务上的有效性,且拥有良好的背景恢复能力、颜色还原能力以及细节保留及还原能力。(2)针对道路提取算法在复杂场景下提取的道路信息存在道路完整性低、边缘平直度不佳和路网连通性差的问题,提出一种基于门控卷积和注意力机制的遥感图像道路提取算法(Link Net Based on Attention Mechanism,Gated Decoding Block and Dilated Convolution,AGD-Link Net),该模型集成了注意力机制、门控卷积解码器模块和空洞卷积。主要由三大部分组成。首先,使用Stem模块作为模型的初始卷积层,减少卷积阶段的信息损失;其次,在网络中心部分使用了采用并行结构的空洞卷积块以及位置注意力模块,扩大了网络的感受野,提高了空间域和通道域信息特征的提取能力;最后使用门控卷积解码器来增强对道路边缘的响应能力。在开源Deep Globe数据集上与三种不同的道路提取算法相比,AGDLink Net将道路识别的像素精度、平均交并比以及F1-Score指数提高了1.41%-11.52%,0.0077-0.1473、0.0057-0.1292,并且在农村、城市、郊区等多种场景下具有一定的有效性和可行性。