第５２卷第６期测绘学报Vol．５２,No．６２０２３年６月ActaGeodaeticaetCartographicaSinicaJune,２０２３引文格式:王继成．基于深度卷积神经网络的高分遥感影像高速铁路沿线建筑物信息提取[J]．测绘学报,２０２３,５２(６):１０４１．DOI:１０．１１９４７/j．AGCS．２０２３．２０２１０６３３．WANGJicheng．ExtractionofbuildingsalonghighＧspeedrailwayfromhighresolutionremotesensingimagesbasedonconvolutionalneuralnetwork[J]．ActaGeodaeticaetCartographicaSinica,２０２３,５２(６):１０４１．DOI:１０．１１９４７/j．AGCS．２０２３．２０２１０６３３．基于深度卷积神经网络的高分遥感影像高速铁路沿线建筑物信息提取王继成１,２１．四川师范大学西南土地资源评价与监测教育部重点实验室,四川成都６１００６８;２．西南交通大学地球科学与环境工程学院,四川成都６１１７５６ExtractionofbuildingsalonghighＧspeedrailwayfromhighresolutionremotesensingimagesbasedonconvolutionalneuralnetworkWANGJicheng１,２１．KeyLaboratoryofMinistryofEducationonLandResourcesEvaluationandMonitoringinSouthwestChina,SichuanNormalUniversity,Chengdu６１００６８,China;２．FacultyofGeosciencesandEnvironmentalEngineering,SouthwestJiaotongUniversity,Chengdu６１１７５６,China高铁沿线两侧的建筑物及其附带的人类生产活动可能造成轨道异物入侵、路基沉降等问题,是影响高铁运营安全的潜在因素.对高速铁路两侧建筑物进行定期监测,及时发现隐患并处理,有助于提高高速铁路运营的安全性.目前以人工定期排查为主的方式不能满足我国日益庞大的高速铁路网络需求.高分辨率遥感影像具有高时效性、综合性和经济性等优点,围绕其发展的自动信息提取技术也日益成熟,为沿线建筑物监测提供了技术手段.利用高分影像监测建筑物的前提是提取影像上的建筑物信息.虽然建筑物在影像上具有明显的特征,但是其形状、大小及纹理等复杂多变,并且高分影像又难以提供足够的光谱信息,传统的建筑物提取算法很难广泛适用.近几年,以卷积神经网络(convolutionalneuralnetworks,CNN)为代表的深度学习在计算机视觉领域取得了突破性的进展,具有解决高铁沿线建筑物提取的潜在能力.CNN需要大量的样本数据进行训练,其中场景级标注样本获取容易而提取精度较低;像素级样本获取成本高,但可用于高精度建筑物信息提取.论文围绕高速铁路沿线建筑物特点,以卷积神经网络模型为...
