基于卷积神经网络的鞍部和山顶要素识别技术

论文摘要

DEM中的鞍部、山顶是自然地貌中重要的控制要素点,它们的准确提取与自动标注对地学分析、地图制图、地理信息应用具有重要理论价值和现实意义。针对鞍部和山顶的空间形态、延展结构及要素间的点群约束关系,以卷积神经网络及其延伸网络为基础,研究它们的“格网级特征”到“要素级特征”的深度学习机理,设计可挖掘地形要素点全局特征的深度网络模型,改善人工选择特征可能存在的要素点漏提和误提问题。重点开展了以下两个方面的工作:（1）从鞍部点的地学定义出发,将深度学习与数字地形分析技术相结合,利用改进的卷积神经网络自动提取DEM数据中鞍部的浅层和深层语义特征,并进行特征融合,经过Softmax分类层得到候选鞍部点的概率分布,再通过MLP多层感知器网络对候选鞍部点的坐标进行修正,标识出最终的鞍部点位置。在此思路下构建了鞍部点深度学习网络,借助ImageNet数据集对Lenet-5网络模型进行预训练,利用自建数据集进行网络训练、鞍部点识别测试,验证了改进CNN网络模型的有效性。（2）以山顶区域在DEM数据中的空间结构、形态特征为基础,借助Faster R-CNN的共享卷积层挖掘DEM中隐含的山顶属性特征,利用RPN候选区域生成网络提取山顶候选区域,通过“端-端”的模式识别方式获取山顶区域的大致位置,再结合分类和位置回归网络定位山顶点的准确坐标,构建了Faster R-CNN联合RPN的山顶区域识别方法。利用ImageNet数据集初始化网络模型,在自建数据集上完成了网络训练、山顶区域识别测试,检验了所构建深度网络模型的有效性。

论文目录

• 摘要
• abstract
• 1 绪论
•   1.1 课题背景及意义
•   1.2 国内外技术现状
•     1.2.1 点状地形要素提取技术
•     1.2.2 图像目标检测与识别技术
•   1.3 工作内容与论文结构
• 2 相关理论概述
•   2.1 DEM数据组织形式
•   2.2 鞍部点和山顶的形态特征
•   2.3 基于深度网络的目标识别特征分析
•   2.4 深度网络模型及组成结构
• 3 基于CNN网络的鞍部点识别方法
•   3.1 鞍部点的空间结构特征分析
•   3.2 卷积神经网络设计
•     3.2.1 鞍部点识别的卷积神经网络设计
•     3.2.2 基于特征域和模型域的改进网络设计
•   3.3 基于CNN网络的鞍部点识别方法
•     3.3.1 数据预处理
•     3.3.2 鞍部点识别方法
•     3.3.3 网络训练
•   3.4 实验与分析
•     3.4.1 实验环境及数据集
•     3.4.2 实验及分析
• 4 基于Faster R-CNN的山顶区域识别方法
•   4.1 山顶形态特征分析
•   4.2 基于Faster R-CNN的山顶区域识别方法
•     4.2.1 山顶区域识别方法
•     4.2.2 网络训练
•   4.3 实验与分析
• 5 总结与展望
• 参考文献
• 研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 张晶晶

导师: 孔月萍

关键词: 鞍部点,山顶区域,卷积神经网络,多层感知器

来源: 西安建筑科技大学

年度: 2019

分类: 基础科学,信息科技

专业: 自然地理学和测绘学,自动化技术

单位: 西安建筑科技大学

分类号: TP183;P217

DOI: 10.27393/d.cnki.gxazu.2019.001240

总页数: 76

文件大小: 6357K

下载量: 30