留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较

杜佳威 武芳 行瑞星 李彩霞 李靖涵

杜佳威, 武芳, 行瑞星, 李彩霞, 李靖涵. 几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200143
引用本文: 杜佳威, 武芳, 行瑞星, 李彩霞, 李靖涵. 几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200143
DU Jiawei, WU Fang, XING Ruixing, LI Caixia, LI Jinghan. Trial and comparative study of some encoder-decoder based deep learning models for the automated generalization of buildings[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200143
Citation: DU Jiawei, WU Fang, XING Ruixing, LI Caixia, LI Jinghan. Trial and comparative study of some encoder-decoder based deep learning models for the automated generalization of buildings[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200143

几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较

doi: 10.13203/j.whugis20200143
基金项目: 

“973”项目(613317);国家自然科学基金资助项目(41471386,41801396)

详细信息
    作者简介:

    杜佳威,博士生。研究方向为自动制图综合与空间数据智能处理。E-mail:whdxdjw@126.com

  • 中图分类号: P283.7

Trial and comparative study of some encoder-decoder based deep learning models for the automated generalization of buildings

Funds: 

The National Basic Research Program of China (613317)

  • 摘要: 深度学习技术促使诸多领域研究取得突破性进展,基于深度神经网络的地图综合研究备受期待。本文将建筑物综合过程抽象解释为编解码过程,系统地研究基于编解码结构的深度神经网络在建筑物综合中的应用:首先,利用空间划分与矢量-栅格数据转换相结合的方式构建样本和样本集;然后,利用样本集训练、测试基于编解码结构的深度神经网络实现建筑物综合学习泛化的效果评估;最后,搭建五种代表性的基于编解码结构的深度神经网络,分析比较各模型在建筑物综合中的应用效果。实验结果表明:基于编解码结构的深度神经网络能够从建筑物综合样本中学习或推理出部分建筑物综合知识和综合操作,且实验测试的五种模型中Pix2Pix更适用于建筑物综合的学习模拟。
  • [1] Alexander K. Trust me, I'm a cartographer:post-truth and the problem of acritical cartography[J]. The Cartographic Journal. 2017, 54(03):193-195.
    [2] Lee J, Jang H, Yang J, et al. Machine learning classification of buildings for map generalization[J]. ISPRS International Journal of Geo-Information, 2017, 6(10). 309-324.
    [3] Zhou Q, Li Z. A comparative study of various supervised learning approaches to selective omission in a road network[J]. The Cartographic Journal, 2017, 54(03):254-264.
    [4] Zhang L, Deng H, Chen D, et al. A spatial cognition-based urban building clustering approach and Its applications[J]. International Journal of Geographical Information Science, 2013, 27(04):721-740.
    [5] Allouche M K, Moulin B. Amalgamation in cartographic generalization using Kohonen's feature nets[J]. International Journal of Geographical Information Science, 2005,19(8-9):899-914.
    [6] Wilson I D, Ware M. Reducing graphic conflict in scale reduced maps using genetic algorithm[A]. ICA Map Generalization, 2003.
    [7] Kang Y, Gao S, Roth R E. Transferring multiscale map styles using generative adversarial networks[J]. International Journal of Cartography, 2019, 5(2-3):115-141.
    [8] Touya G, Zhang X, Lokhat I. Is deep learning the new agent for map generalization[J]. International Journal of Cartography,2019, 5(2-3):142-157.
    [9] Sester M, Feng Y, Thiemann F. Building generalization using deep learning[A]. International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences[C]. 2018, XLII-4:565-572.
    [10] Feng Y, Thiemann F, Sester M. Learning cartographic building generalization with deep convolutional neural networks[J]. ISPRS International Journal of Geo-Information. 2019, 8(6):258-278.
    [11] Ronneberger O, Fischer P, Brox T. Unet:convolutional networks for biomedical image segmentation[C]. Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015). Springer, Berlin, Heidelberg, 2015, 9351:234-241.
    [12] Zhou Z, Siddiquee M M R, Tajbakhsh N, et al. UNet++:redesigning skip connections to exploit multiscale features in image segmentation[J]. IEEE Transactions on Medical Imaging, 2020, 39(6):1856-1867.
    [13] Isola P, Zhu J, Zhou T, et al. Image-to-image translation with conditional adversarial networks[C]. Proceedings of the IEEE conference on computer vision and pattern recognition. USA, Honolulu, HI, 2017:1125-1134.
    [14] Goodfellow I, Bengio Y, Courville A. Deep learning[M]. Massachusetts:MIT Press, 2016.
  • [1] 高晓蓉, 闫浩文, 禄小敏, 王中辉.  利用“计算区”进行建筑物短边结构识别和渐进式化简 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200698
    [2] 刘效江, 王浩, 宁晓刚, 余凡, 王成港, 郝铭辉.  引入路网和建筑物信息的DMSP/OLS数据去饱和方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180246
    [3] 叶敏, 王斌, 王思远, 刘长征, 李艳霞, 岑炜.  多特征分量结合的WorldView-3影像建筑容积率分类提取 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180241
    [4] 刘远刚, 郭庆胜, 孙雅庚, 杨乃, 郑春燕.  地图自动综合中Beams移位算法的实现与改进 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140343
    [5] 梁栋, 王红平, 刘修国, 沈永林.  基于平面基元组的建筑物场景点云自动配准方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140682
    [6] 刘远刚, 郭庆胜, 孙雅庚, 林青, 郑春燕.  地图目标群间骨架线提取的算法研究 . 武汉大学学报 ● 信息科学版,
    [7] 成晓强, 艾廷华, 杨敏.  一种决策驱动的地图综合服务语义增强方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20120208
    [8] 黄敏儿, 杜志强, 朱庆, 张叶廷, 胡翰.  利用像素高度图的三维建筑物屋顶和立面提取方法 . 武汉大学学报 ● 信息科学版,
    [9] 徐文学, 杨必胜, 董震, 彭向阳, 麦晓明, 王珂, 高文武.  标记点过程用于点云建筑物提取 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20130044
    [10] 黄晓东, 刘修国, 陈启浩, 陈奇.  一种综合多特征的全极化SAR建筑物分割模型 . 武汉大学学报 ● 信息科学版,
    [11] 马劲松, 沈婕, 徐寿成.  利用Douglas-Peucker并行算法在多核处理器上实时综合地图线要素 . 武汉大学学报 ● 信息科学版,
    [12] 陈文瀚, 龙毅, 沈婕, 李雯静.  利用约束D-TIN进行建筑物多边形凹部结构识别与渐进式化简 . 武汉大学学报 ● 信息科学版,
    [13] 刘鹏程, 艾廷华, 胡晋山, 成晓强.  基于原型模板形状匹配的建筑多边形化简 . 武汉大学学报 ● 信息科学版,
    [14] 陈军, 胡云岗, 赵仁亮, 李志林.  道路数据缩编更新的自动综合方法研究 . 武汉大学学报 ● 信息科学版,
    [15] 蔡永香, 郭庆胜.  基于Kohonen网络的点群综合研究 . 武汉大学学报 ● 信息科学版,
    [16] 艾廷华, 郭宝辰, 黄亚峰.  1∶5万地图数据库的计算机综合缩编 . 武汉大学学报 ● 信息科学版,
    [17] 冯文灏, 侯文广, 张纯连.  一种获取大比例尺建筑物立面影像的方法 . 武汉大学学报 ● 信息科学版,
    [18] 郭海涛, 徐青, 张保明.  多重约束下的建筑物阴影提取 . 武汉大学学报 ● 信息科学版,
    [19] 艾廷华, 郭仁忠.  支持地图综合的面状目标约束Delaunay三角网剖分 . 武汉大学学报 ● 信息科学版,
    [20] 郭庆胜.  线状要素图形综合的渐进方法研究 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  27
  • HTML全文浏览量:  4
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-02

几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较

doi: 10.13203/j.whugis20200143
    基金项目:

    “973”项目(613317);国家自然科学基金资助项目(41471386,41801396)

    作者简介:

    杜佳威,博士生。研究方向为自动制图综合与空间数据智能处理。E-mail:whdxdjw@126.com

  • 中图分类号: P283.7

摘要: 深度学习技术促使诸多领域研究取得突破性进展,基于深度神经网络的地图综合研究备受期待。本文将建筑物综合过程抽象解释为编解码过程,系统地研究基于编解码结构的深度神经网络在建筑物综合中的应用:首先,利用空间划分与矢量-栅格数据转换相结合的方式构建样本和样本集;然后,利用样本集训练、测试基于编解码结构的深度神经网络实现建筑物综合学习泛化的效果评估;最后,搭建五种代表性的基于编解码结构的深度神经网络,分析比较各模型在建筑物综合中的应用效果。实验结果表明:基于编解码结构的深度神经网络能够从建筑物综合样本中学习或推理出部分建筑物综合知识和综合操作,且实验测试的五种模型中Pix2Pix更适用于建筑物综合的学习模拟。

English Abstract

杜佳威, 武芳, 行瑞星, 李彩霞, 李靖涵. 几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200143
引用本文: 杜佳威, 武芳, 行瑞星, 李彩霞, 李靖涵. 几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200143
DU Jiawei, WU Fang, XING Ruixing, LI Caixia, LI Jinghan. Trial and comparative study of some encoder-decoder based deep learning models for the automated generalization of buildings[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200143
Citation: DU Jiawei, WU Fang, XING Ruixing, LI Caixia, LI Jinghan. Trial and comparative study of some encoder-decoder based deep learning models for the automated generalization of buildings[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200143
参考文献 (14)

目录

    /

    返回文章
    返回