公路及其典型附属物遥感提取模型
文献类型：学位论文
| 作者 | 曾祥强 |
| 答辩日期 | 2024-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 王勇 |
| 关键词 | 公路及其典型附属物 深度学习 遥感提取模型 单模态单任务 多模态多任务 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 公路及其裂缝、坑槽、标线和建筑物等典型附属物，已经成为遥感大数据中活跃的地理要素。利用深度学习遥感提取模型进行公路及其典型附属物提取是当前智慧公路、智能管养等重要的研究课题之一。然而，由于高效快速信息提取目的与多模态多任务遥感大数据挖掘需求之间的矛盾日益突出，现有基于深度学习的遥感提取模型存在着“轻”而不“精”的现象，也无法处理多种来源的遥感数据和实现多种提取任务，难以直接地应用在实际的生产环节中。基于此，本研究围绕基于深度学习的遥感提取模型，开展了公路及其典型附属物的语义高效迁移与空间感知机制、多模态特征融合方案和多任务共享知识学习策略研究，可为遥感提取模型的实时性应用和多模态多任务处理需求提供可行的研究思路和机理支持。本文研究结果和结论如下： （1）针对语义逐层衰减效应和多尺度空间细节问题，构建了语义迁移和空间感知网络（LetaNet）的轻量高效单模态单任务公路及其附属物遥感提取模型。该模型通过深层特征语义关联迁移（SAT）策略，使得公路及其典型附属物的语义信息在编码器和解码器中充分流动，缓解逐级解码方案的语义衰减效应，提高了网络的语义信息表征能力。同时，LetaNet构建了多尺度空间信息感知（MSA）单元，消除背景噪声信息的干扰，提升对不同尺度公路及其附属物的空间分布关系感知能力。本研究在自主构建的公路及其典型附属物数据集以及开源基准的Potsdam和UAVid数据集上，与先进的轻量化单模态单任务遥感提取模型对比分析。实验结果表明，LetaNet不仅实现了公路及其典型附属物语义信息的高效迁移，而且兼顾了不同尺度要素的空间细节，在福建高速公路、裂缝、破损、坑槽和京津新城建筑物数据集上分别取得了83.44%、49.77%、63.01%、60.93%和86.89%的IOU，表现出良好的提取精度。此外，讨论分析证明了LetaNet具备良好语义迁移和空间感知能力，在大尺度遥感影像信息提取的实践应用中也表明LetaNet能够快速地提取公路和建筑物附属物信息。 （2）在研究内容（1）轻量遥感提取模型的基础上，针对多模态特征信息融合不充分和多任务共享知识交互不完全等问题，本研究进一步发展了一种多模态多任务网络（LMMNet）遥感提取模型。该模型通过层级式的多模态特征融合机制和交互式的多任务共享知识学习策略，实现多种模态特征在不同层次的远距离高效融合，促使多种任务在不同维度交互学习潜在的共享知识，提高模型的公路及其典型附属物提取性能。层级式的多模态交互融合机制将对应层级的多模态特征进行语义信息融合，分别保留不同模态数据的有益特征，并在语义信息流中充分传播，提升网络的语义信息学习能力。同时，交互式的多任务共享知识学习策略从空间和通道维度学习潜在的共享知识，引导多任务分支网络的特征学习性能。本研究在自主构建的FJER和CZBD无人机遥感数据集与开源基准的IEEE和Postdam数据集上，与先进的多模态多任务遥感提取模型对比分析。实验结果表明，LMMNet在四个数据集上公路面提取和建筑物面提取任务中取得了90%以上的F1分数，在公路中心线和高度预测任务上达到了54.21%的F1分数和91%以上的 3指标，高效地实现了光学影像、数字表面模型、合成孔径雷达等多种模态特征融合，快速地完成了公路面、公路中心线、建筑物面和高度信息等多种任务，具备良好的多模态数据融合性能和多任务共享知识学习能力。 |
| 语种 | 中文 |
| 页码 | 110 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/208095]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 曾祥强. 公路及其典型附属物遥感提取模型[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。