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

结合DCNN与短距条件随机场的遥感影像道路提取

赫晓慧 陈明扬 李盼乐 田智慧 周广胜

赫晓慧, 陈明扬, 李盼乐, 田智慧, 周广胜. 结合DCNN与短距条件随机场的遥感影像道路提取[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210464
引用本文: 赫晓慧, 陈明扬, 李盼乐, 田智慧, 周广胜. 结合DCNN与短距条件随机场的遥感影像道路提取[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210464
HE Xiaohui, CHEN Mingyang, LI Panle, TIAN Zhihui, ZHOU Guangsheng. Road Extraction from Remote Sensing Image by Integrating DCNN with Short Range Conditional Random Field(SRCRF)[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210464
Citation: HE Xiaohui, CHEN Mingyang, LI Panle, TIAN Zhihui, ZHOU Guangsheng. Road Extraction from Remote Sensing Image by Integrating DCNN with Short Range Conditional Random Field(SRCRF)[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210464

结合DCNN与短距条件随机场的遥感影像道路提取

doi: 10.13203/j.whugis20210464
基金项目: 

第二次青藏高原综合考察研究项目(2019QZKK0106)

详细信息
    作者简介:

    赫晓慧,教授,博士生导师,主要从事人工智能,遥感影像处理及数据挖掘。hexh@zzu.edu.cn

  • 中图分类号: TP75

Road Extraction from Remote Sensing Image by Integrating DCNN with Short Range Conditional Random Field(SRCRF)

Funds: 

The Second Comprehensive Investigation and Research Project on Qinghai-Tibet Plateau.(2019QZKK0106)

  • 摘要: 深度卷积神经网络(Deep Convolutional Neural Network,DCNN)在高分辨率遥感图像(High-Resolution Remote Sensing images,HRSIs)自动道路提取领域被广泛应用,但现有方法难以对预测结果中像素间的上下文关系建模。针对此问题,已有研究利用全连接条件随机场(Fully Connected Crf ,FullCrf)结合上下文信息对语义分割结果进行二次优化,但无法有效改善道路结构不连续问题。为改善道路结构的完整性,本研究提出一种结合DCNN的短距条件随机场模型(Short Range Conditional Random Filed,SRCRF),SRCRF利用DCNN强大的特征提取能力并控制FullCrf的推理范围缓解过渡平滑现象,解决提道路取结果中的结构不连续、不完整问题。实验结果表明,在Zimbawe-Roads数据集与Cheng-Roads数据集中SRCRF的F1值相比DCNN分别上升大约4.01%与3.73%,相比FullCrf分别上升大约3.25%和2.28%。
  • [1] Abdollahi A, Pradhan B, Shukla N, et al.Deep Learning Approaches Applied to Remote Sensing Datasets for Road Extraction:A State-of-the-Art Review[J].Remote Sensing, 2020, 12(9):1444
    [2] Soulard C E, Acevedo W, Stehman S V.Removing Rural Roads from the National Land Cover Database to Create Improved Urban Maps for the United States, 1992 to 2011[J].Photogrammetric Engineering&Remote Sensing, 2018, 84(2):101-109
    [3] Li D M, Deng L B, Cai Z M, et al.Notice of Retraction:Intelligent Transportation System in Macao Based on Deep Self-Coding Learning[J].IEEE Transactions on Industrial Informatics, 2018, 14(7):3253-3260
    [4] Vargas-Muñoz J E, Lobry S, Falcão A X, et al.Correcting Rural Building Annotations in OpenStreetMap Using Convolutional Neural Networks[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 147:283-293
    [5] Xu Y Y, Xie Z, Wu L, et al.Multilane Roads Extracted from the OpenStreetMap Urban Road Network Using Random Forests[J].Transactions in GIS, 2019, 23(2):224-240
    [6] Bruzzone L, Persello C.A Novel Context-Sensitive Semisupervised SVM Classifier Robust to Mislabeled Training Samples[J].IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(7):2142-2154
    [7] Shelhamer E, Long J, Darrell T.Fully Convolutional Networks for Semantic Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4):640-651
    [8] Badrinarayanan V, Kendall A, Cipolla R.SegNet:A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12):2481-2495
    [9] Abderrahim N Y Q, Abderrahim S, Rida A.Road Segmentation using U-Net architecture[C]//2020 IEEE International conference of Moroccan Geomatics (Morgeo).Casablanca, Morocco.:1-4
    [10] Ronneberger O, Fischer P, Brox T.U-Net:Convolutional Networks for Biomedical Image Segmentation[M]//Lecture Notes in Computer Science.Cham:Springer International Publishing, 2015:234-241
    [11] Cheng G L, Wang Y, Xu S B, et al.Automatic Road Detection and Centerline Extraction via Cascaded End-to-End Convolutional Neural Network[J].IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(6):3322-3337
    [12] Zhang Z X, Liu Q J, Wang Y H.Road Extraction by Deep Residual U-Net[J].IEEE Geoscience and Remote Sensing Letters, 2018, 15(5):749-753
    [13] He K M, Zhang X Y, Ren S Q, et al.Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas, NV, USA.:770-778
    [14] He H, Yang D F, Wang S C, et al.Road Extraction by Using Atrous Spatial Pyramid Pooling Integrated Encoder-Decoder Network and Structural Similarity Loss[J].Remote Sensing, 2019, 11(9):1015
    [15] Chen L C, Papandreou G, Schroff F, et al.Rethinking Atrous Convolution for Semantic Image Segmentation[EB/OL].2017:arXiv:1706.05587.https://arxiv.org/abs/1706.05587
    [16] Zhao H S, Shi J P, Qi X J, et al.Pyramid scene parsing network[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu, HI, USA.:6230-6239
    [17] Rao Y B, Liu W, Pu J S, et al.Roads detection of aerial image with FCN-CRF model[C]//2018 IEEE Visual Communications and Image Processing.Taichung, China.:1-4
    [18] Krähenbühl P, Koltun V.Efficient Inference in Fully Connected CRFS with Gaussian Edge Potentials[EB/OL].2012:arXiv:1210.5644.https://arxiv.org/abs/1210.5644
    [19] Alam F I, Zhou J, Liew A W C, et al.Conditional Random Field and Deep Feature Learning for Hyperspectral Image Classification[J].IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(3):1612-1628
    [20] Alam F I, Zhou J, Liew A W C, et al.CRF learning with CNN features for hyperspectral image segmentation[C]//2016 IEEE International Geoscience and Remote Sensing Symposium.Beijing, China.:6890-6893
    [21] Teichmann M, Cipolla R.Convolutional CRFS for Semantic Segmentation[J].ArXiv Preprint ArXiv:180504777, 2018
    [22] Li Q Y, Shi Y L, Huang X, et al.Building Footprint Generation by Integrating Convolution Neural Network with Feature Pairwise Conditional Random Field (FPCRF)[J].IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(11):7502-7519
    [23] Li S Z.Markov random field modeling in image analysis[M].3rd ed.London:Springer, 2009
    [24] Adams A, Baek J, Davis M A.Fast High-Dimensional Filtering Using the Permutohedral Lattice[J].Computer Graphics Forum, 2010, 29(2):753-762
  • [1] 赵之若, 王少宇, 王心宇, 钟燕飞.  一种改进的火星车多光谱影像深度新颖目标探测方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20220119
    [2] 郭从洲, 李可, 李贺, 童晓冲, 王习文.  遥感图像质量等级分类的深度卷积神经网络方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200292
    [3] 李彦胜, 张永军.  耦合知识图谱和深度学习的新一代遥感影像解译范式 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20210652
    [4] 李鹏程, 白文浩.  基于Transformer结构的遥感影像敏感目标自动隐藏方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20220219
    [5] 杨军, 于茜子.  结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200305
    [6] 邵振峰, 孙悦鸣, 席江波, 李岩.  智能优化学习的高空间分辨率遥感影像语义分割 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200640
    [7] 陈行, 罗斌.  利用动态上采样滤波深度网络进行多角度遥感影像超分辨率重建 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200651
    [8] 季顺平, 罗冲, 刘瑾.  基于深度学习的立体影像密集匹配方法综述 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200620
    [9] 柴华彬, 严超, 邹友峰, 陈正超.  利用PSP Net实现湖北省遥感影像土地覆盖分类 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190296
    [10] 陆川伟, 孙群, 赵云鹏, 孙士杰, 马京振, 程绵绵, 李元復.  一种基于条件生成式对抗网络的道路提取方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20190159
    [11] 蒋腾平, 杨必胜, 周雨舟, 朱润松, 胡宗田, 董震.  道路点云场景双层卷积语义分割 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20200081
    [12] 邵振峰, 张源, 黄昕, 朱秀丽, 吴亮, 万波.  基于多源高分辨率遥感影像的2 m不透水面一张图提取 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180196
    [13] 邬伦, 刘磊, 李浩然, 高勇.  基于条件随机场的中文地名识别方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20141009
    [14] 赵金奇, 杨杰, 李平湘, 邓少平, 李小娟, 路嘉铭.  改进剖面匹配和EKF对SAR影像道路半自动提取 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150200
    [15] 陈光, 眭海刚, 涂继辉, 宋志娜.  基于P-N学习的高分遥感影像道路半自动提取方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140999
    [16] 余洁, 余峰, 张晶, 刘振宇.  结合区域生长与道路基元的高分辨率遥感影像道路提取 . 武汉大学学报 ● 信息科学版,
    [17] 余长慧, 易尧华.  利用MRF方法的高分辨率影像道路提取 . 武汉大学学报 ● 信息科学版,
    [18] 吴小波, 杨辽, 沈金祥, 王杰.  利用空间连续性进行高分辨率遥感影像道路提取 . 武汉大学学报 ● 信息科学版,
    [19] 余长慧, 孟令奎, 秦昆.  基于标点随机过程的遥感影像道路提取 . 武汉大学学报 ● 信息科学版,
    [20] 刘少创, 林宗坚.  航空遥感影像中道路的半自动提取 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  74
  • HTML全文浏览量:  7
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-06-24
  • 网络出版日期:  2022-08-10

结合DCNN与短距条件随机场的遥感影像道路提取

doi: 10.13203/j.whugis20210464
    基金项目:

    第二次青藏高原综合考察研究项目(2019QZKK0106)

    作者简介:

    赫晓慧,教授,博士生导师,主要从事人工智能,遥感影像处理及数据挖掘。hexh@zzu.edu.cn

  • 中图分类号: TP75

摘要: 深度卷积神经网络(Deep Convolutional Neural Network,DCNN)在高分辨率遥感图像(High-Resolution Remote Sensing images,HRSIs)自动道路提取领域被广泛应用,但现有方法难以对预测结果中像素间的上下文关系建模。针对此问题,已有研究利用全连接条件随机场(Fully Connected Crf ,FullCrf)结合上下文信息对语义分割结果进行二次优化,但无法有效改善道路结构不连续问题。为改善道路结构的完整性,本研究提出一种结合DCNN的短距条件随机场模型(Short Range Conditional Random Filed,SRCRF),SRCRF利用DCNN强大的特征提取能力并控制FullCrf的推理范围缓解过渡平滑现象,解决提道路取结果中的结构不连续、不完整问题。实验结果表明,在Zimbawe-Roads数据集与Cheng-Roads数据集中SRCRF的F1值相比DCNN分别上升大约4.01%与3.73%,相比FullCrf分别上升大约3.25%和2.28%。

English Abstract

赫晓慧, 陈明扬, 李盼乐, 田智慧, 周广胜. 结合DCNN与短距条件随机场的遥感影像道路提取[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210464
引用本文: 赫晓慧, 陈明扬, 李盼乐, 田智慧, 周广胜. 结合DCNN与短距条件随机场的遥感影像道路提取[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20210464
HE Xiaohui, CHEN Mingyang, LI Panle, TIAN Zhihui, ZHOU Guangsheng. Road Extraction from Remote Sensing Image by Integrating DCNN with Short Range Conditional Random Field(SRCRF)[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210464
Citation: HE Xiaohui, CHEN Mingyang, LI Panle, TIAN Zhihui, ZHOU Guangsheng. Road Extraction from Remote Sensing Image by Integrating DCNN with Short Range Conditional Random Field(SRCRF)[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20210464
参考文献 (24)

目录

    /

    返回文章
    返回