面向高分辨率遥感影像大范围道路提取的深度学习方法研究  

Deep Learning Method for Large-Scale Road Extraction from High Resolution Remote Sensing Imagery

作　　者：卢晓燕 LU Xiaoyan(State Key Laboratory of Information Engineering in Surveying,Mapping and Remote Sensing,Wuhan university,Wuhan 430079,China)

机构地区：[1]武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079

出　　处：《武汉大学学报（信息科学版）》2023年第5期821-821,共1页Geomatics and Information Science of Wuhan University

摘　　要：高分辨率遥感影像具有空间信息丰富、获取技术成熟、影像分辨率高、覆盖范围广等优势,已成为道路提取的主要数据来源。面对海量遥感数据,目前使用最为广泛的是基于深度学习的方法,深度学习的出现使自学习特征成为现实,开启了数据驱动的“表示学习”范式,避免了传统方法依赖于专家知识设计特征,自动化程度低,人工干预大的问题。深度学习方法依赖于海量数据来训练模型,而高分辨率遥感影像空间分辨率高,影像信息高度细节化,会给道路识别带来很多干扰。例如:(1)高分辨率遥感影像上道路提取面临道路面分割、中心线提取和边界探测3个典型任务,目前深度学习方法未能有效实现3个任务的统一表达;(2)复杂高分辨率遥感影像上的建筑物、树木等其他地物会给道路带来遮挡、阴影等干扰,造成道路识别结果不连续;(3)在大范围道路提取应用时,由于不同地区影像数据分布差异大,深度学习模型的泛化能力十分有限,导致模型输出结果中存在严重的道路缺失现象。

关 键 词：高分辨率遥感影像 道路提取 深度学习 中心线提取 影像分辨率 影像信息 边界探测 道路识别 

分 类 号：P237[天文地球—摄影测量与遥感]