基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

编号 zgly0001710919

文献类型 期刊论文

文献题名 基于DeepLabv3+语义分割模型的GF-2影像城市绿地提取

作者 刘文雅  岳安志  季珏  师卫华  邓孺孺  梁业恒  熊龙海 

作者单位 中山大学地理科学与规划学院  空天地海一体化大数据应用技术国家工程实验室  中国科学院空天信息创新研究院  中国住房和城乡建设部城乡规划管理中心  广东省城市化与地理环境空间模拟重点实验室  广东省水环境遥感监测工程技术研究中心 

母体文献 国土资源遥感 

年卷期 2020年02期

年份 2020 

分类号 TP751  TP18 

关键词 城市绿地  DeepLab  深度学习  语义分割  GF-2 

文摘内容 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Deep Labv3+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 forest,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。