基于负样本多通道优化SSD网络的钢铁厂提取

• 作者: 卢凯旋 昝露洋 李国清 李柏鹏 陈正超 高建威
• 来源期刊: 中国科学院大学学报
• 学科: 工学
• 关键词: 深度学习 GF-1遥感影像 钢铁厂提取 京津冀地区 maxout模块 目标检测
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 电子科学
• 页码范围: 352-359
• 页数: 8页
• 分类号: TP751
• 字数: 4855字
• 语种: 中文
• DOI: 10.7523/j.issn.2095-6134.2020.03.008

摘要

准确提取钢铁厂对去产能监测和环境保护具有重要意义.传统的人工目视解译方法效率低、成本高,无法满足开展大区域钢铁厂监测的需求.以深度学习目标检测网络SSD为基础,构建面向遥感影像钢铁厂提取的深度学习目标检测网络,提出maxout模块,将负样本通路优化为多分支结构,突出难分负样本特征并提升网络对无用特征的抵制效果.利用国产GF-1数据对京津冀地区的钢铁厂进行快速自动提取实验.与人工解译的钢铁厂点位数据的对比表明,该目标检测方法的提取精度达到80％以上.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈正超	中国科学院遥感与数字地球研究所	32	527	13.0	22.0
2	李国清		21	105	5.0	10.0
3	高建威	中国科学院遥感与数字地球研究所	3	8	1.0	2.0
4	卢凯旋	中国科学院遥感与数字地球研究所	2	0	0.0	0.0
8	昝露洋	中国科学院遥感与数字地球研究所	2	0	0.0	0.0
12	李柏鹏	中国科学院遥感与数字地球研究所	1	0	0.0	0.0