基于卷积神经网络的建筑物提取研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 符号缩写说明 | 第12-15页 |
| 1 绪论 | 第15-20页 |
| 1.1 课题背景意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 论文结构 | 第19页 |
| 1.4 小结 | 第19-20页 |
| 2 卷积神经网络模型 | 第20-38页 |
| 2.1 卷积神经网络的概述 | 第20-21页 |
| 2.2 经典的卷积神经网络模型 | 第21-24页 |
| 2.3 基于卷积神经网络的目标检测常见方法 | 第24-31页 |
| 2.3.1 One-stage的目标检测常见方法 | 第24-28页 |
| 2.3.2 Two-stage的目标检测常见方法 | 第28-31页 |
| 2.4 基于卷积神经网络的图像分割常见方法 | 第31-34页 |
| 2.4.1 语义分割的常见方法 | 第31-33页 |
| 2.4.2 实例分割的常见方法 | 第33-34页 |
| 2.5 数据集 | 第34-36页 |
| 2.6 评价指标 | 第36-37页 |
| 2.7 小结 | 第37-38页 |
| 3 基于卷积神经网络的建筑物提取算法研究 | 第38-54页 |
| 3.1 基于传统算法的建筑物提取 | 第38页 |
| 3.2 基于卷积神经网络的建筑物提取 | 第38-42页 |
| 3.2.1 基于语义分割的建筑物提取 | 第38-40页 |
| 3.2.2 基于实例分割的建筑物提取 | 第40-42页 |
| 3.3 基于改进UNet的建筑物提取 | 第42-46页 |
| 3.3.1 调整UNet模型适应性 | 第43页 |
| 3.3.2 改进UNet模型构架 | 第43-46页 |
| 3.3.3 避免过拟合 | 第46页 |
| 3.3.4 边界分割效果提升 | 第46页 |
| 3.4 基于改进MS RCNN的建筑物提取 | 第46-50页 |
| 3.4.1 改进的特征提取网络 | 第46-47页 |
| 3.4.2 改进的FPN网络 | 第47-49页 |
| 3.4.3 区域推荐网络 | 第49-50页 |
| 3.4.4 边界分割效果提升 | 第50页 |
| 3.4.5 损失函数 | 第50页 |
| 3.5 图像的后处理模块 | 第50-52页 |
| 3.5.1 传统的图像后处理方法 | 第51页 |
| 3.5.2 CRF的图像后处理方法 | 第51-52页 |
| 3.6 小结 | 第52-54页 |
| 4 实验结果与分析 | 第54-66页 |
| 4.1 改进UNet的建筑物提取实验 | 第54-58页 |
| 4.1.1 实验环境和数据集的预处理 | 第54-55页 |
| 4.1.2 模型的搭建与训练 | 第55-56页 |
| 4.1.3 Predict图像的后处理 | 第56页 |
| 4.1.4 实验结果 | 第56-58页 |
| 4.1.5 实验分析 | 第58页 |
| 4.2 改进 MS RCNN 的建筑物提取实验 | 第58-62页 |
| 4.2.1 实验环境和数据集的预处理 | 第58页 |
| 4.2.2 模型的搭建与训练 | 第58-59页 |
| 4.2.3 图像后处理 | 第59-61页 |
| 4.2.4 实验分析 | 第61-62页 |
| 4.3 实验结果与分析 | 第62-64页 |
| 4.4 与其他方法的对比与分析 | 第64-65页 |
| 4.5 小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 主要研究工作与总结 | 第66页 |
| 5.2 未来展望 | 第66-68页 |
| 参考文献 | 第68-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间研究成果 | 第77页 |
