基于全卷积神经网络的高分辨率航空影像建筑物提取方法研究

随着高分辨率航空影像空间分辨率的提高,地物纹理信息变得更加丰富和复杂,使得从高分辨影像中提取建筑物信息面临巨大挑战。因此采用一种基于全卷积神经网络的高分辨率航空影像中建筑物提取方法,实现端到端的建筑物位置等信息提取。整个模型框架以SegNet模型为基础,在上采样阶段结合SegNet模型中的存储最大池化索引和U-Net模型中的跳跃连接,有效地将低层次和高层次的特征图融合,进行更好的建筑物边界定位。在原有框架的基础上,采用迁移学习思想利用构建的训练样本库对权重进行微调,使网络能够输出稳健的适用于建筑物区域识别的高层次视觉特征。实验采用国际摄影测量与遥感学会公开数据集验证采用方法的有效性和稳健性。实验结果表明,此方法能够有效地提取场景中的建筑物区域。而且,与其他方法相比,该方法在召回率上平均优于2.33%,在精确率上平均优于5.33%,在准确率上优于7.22%。

一种层次化的车载激光点云中杆状地物提取方法研究

杆状地物识别对于机器人导航、自主驾驶、道路基础设施管理与维护以及详细的三维地图生成至关重要。然而,车载激光雷达点云具有场景复杂、目标丰富、密度不均匀、遮挡和噪声等特点,使得对杆状物体的精确解释一直是一项研究热点。因此,提出一种层次化的车载激光点云数据中杆状地物提取方法。根据杆状地物局部线性的特性,利用圆柱模型粗定位杆状地物的位置。同时,采用顾及拓扑关系的垂直区域增长法识别和提取独立完整的杆状地物。为了验证方法的有效性和稳健性,利用Paris-Lille-3D公开数据集进行实验。实验结果表明,提出的方法可以稳健地提取道路廊道两侧的杆状地物。