基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

基金项目:
国家科技重大专项项目"高分辨率对地观测重大专项"

中央高校基本科研业务费专项资金"裸土区浅层地下水埋深遥感反演研究"

国家重点研发计划项目"城镇生态资源高分遥感与地面协同监测关键技术研究"

广东省省级科技计划项目"珠江三角洲大气污染高分遥感监测及预警"

国家科技重大专项项目"GF-6卫星宽视场影像林地/非林地类型快速识别"

详细信息

刊出日期: 2020-06-15

Urban green space extraction from GF-2 remote sensing image based on DeepLabv3+semantic segmentation model

Publish Date: 15 June 2020

摘要: 高效准确地提取城市绿地对国土规划建设意义重大,将深度学习语义分割算法应用于遥感图像分类是近年研究的新探索.提出一种基于DeepLabv3+深度学习语义分割网络的GF-2遥感影像城市绿地自动化提取架构,通过网络的多孔空间金字塔池化(atrous spatial pyramid pooling,ASPP)等模块,提取高层特征,并依托架构完成数据集创建,模型训练,城市绿地提取以及精度评估.研究表明,本文架构分类的总体精度达到91.02%,F值为0.86,优于最大似然法(maximum likelihood,ML)、支持向量机(support vector machine,SVM)和随机森林法(random for-est,RF)3种传统方法及另外4种语义分割网络(PspNet,SegNet,U-Net和DeepLabv2),可以准确提取城市绿地,排除农田像元干扰;此外,对另一地区的提取试验也证实了本架构具有一定的迁移能力.所提出的GF-2遥感影像城市绿地自动化提取架构,可实现更精确、效率更高的城市绿地提取,为城市规划管理提供参考.
- 城市绿地 /
- DeepLab /
- 深度学习 /
- 语义分割 /
- GF-2

中国自然资源航空物探遥感中心	主办
地质出版社	出版