声明
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 传统高分辨率遥感影像建筑物提取算法研究现状
1.2.2 基于卷积神经网络的建筑物提取算法研究现状
1.3 论文的主要内容和章节安排
第2章 高分遥感影像建筑物提取网络研究基础及分析
2.1 遥感影像建筑物提取网络模型组成及相关理论
2.1.1 卷积神经网络结构
2.1.2 损失函数
2.1.3 优化算法
2.1.4 感受野
2.2 常用建筑物提取语义分割网络模型
2.2.1 FCN网络
2.2.2 U-Net网络
2.2.3 Deeplab v2网络
2.2.4 Densenet网络
2.3 高分遥感影像建筑物提取网络算法分析
2.4 评价指标
2.6 本章小结
第3章 密集型特征融合建筑物提取网络结构研究
3.1 遥感影像数据集预处理
3.2 密集连接型多尺寸特征融合网络构建
3.2.1 特征提取模块
3.2.2 横向连接模块
3.2.3 多尺寸特征融合模块
3.4 实验设计
3.4.1 实验环境和超参数设置
3.4.2 DenseASPP模块实验设计
3.4.3 多尺寸特征融合模块实验设计
3.5 实验结果分析
3.5.1 DenseASPP位置实验分析
3.5.2 DenseASPP空洞率设置实验分析
3.5.3 多尺寸特征融合模块实验分析
3.5.4 网络模型精度对比
3.5.5 网络模型复杂度对比
3.6 本章小结
第4章 密集型特征融合建筑物提取网络损失函数研究
4.1 引言
4.2 数据集特征分析
4.3 损失函数原理分析
4.3.1 Dice loss损失函数
4.3.2 Jaccard loss损失函数
4.3.3 Focal loss损失函数
4.4 损失函数选用实验
4.5 结合边缘距离约束的Focal loss损失函数研究
4.5.1 边缘提取算法
4.5.2 欧氏距离理论分析
4.5.3 基于预测图和标签图边缘距离的损失函数
4.6 实验结果分析
4.6.1实验环境和超参数设置
4.6.2不同损失函数精度对比
4.6.3 网络模型效果对比
4.7 本章小结
第5章 高分遥感影像建筑物提取仿真系统
5.1 高分遥感影像建筑物提取系统介绍
5.2 高分遥感影像建筑物提取系统使用
5.3 本章小结
总结与展望
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果
西南交通大学;