基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
从高分辨率光学遥感影像中提取地物信息受到广泛关注,道路提取是其中一项重要任务.设计了一种基于残差网络结构的深度学习神经网络模型,并将该模型与FCN网络模型和U-Net网络模型输出结果进行了对比.结果表明,本文方法不仅在F1得分和IOU上均优于其他两个模型,并且在提取的道路平滑度和图像噪声处理方面也具有一定的优势.
推荐文章
基于深度残差学习的自动驾驶道路场景理解
道路场景理解
深度残差学习
编/解码器结构
全卷积网络
残差网络研究综述
残差网络
深度学习
神经网络
捷径连接
梯度消失
梯度爆炸
基于改进的深度残差网络的表情识别研究
深度学习
残差网络
表情识别
迁移学习
支持向量机
基于分组残差结构的轻量级卷积神经网络设计
卷积神经网络
分组
残差
分类性能
轻量
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于残差网络结构的道路语义分割
来源期刊 北京测绘 学科
关键词 高分辨率遥感影像 道路提取 卷积神经网络 残差网络
年,卷(期) 2021,(4) 所属期刊栏目 学术探讨
研究方向 页码范围 445-448
页数 4页 分类号 P237
字数 语种 中文
DOI 10.19580/j.cnki.1007-3000.2021.04.005
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (168)
共引文献  (14)
参考文献  (11)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1973(1)
  • 参考文献(0)
  • 二级参考文献(1)
1976(1)
  • 参考文献(0)
  • 二级参考文献(1)
1984(1)
  • 参考文献(0)
  • 二级参考文献(1)
1988(2)
  • 参考文献(0)
  • 二级参考文献(2)
1993(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(1)
  • 参考文献(0)
  • 二级参考文献(1)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(3)
  • 参考文献(0)
  • 二级参考文献(3)
1999(2)
  • 参考文献(0)
  • 二级参考文献(2)
2000(2)
  • 参考文献(1)
  • 二级参考文献(1)
2001(5)
  • 参考文献(0)
  • 二级参考文献(5)
2002(4)
  • 参考文献(0)
  • 二级参考文献(4)
2003(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(6)
  • 参考文献(0)
  • 二级参考文献(6)
2007(3)
  • 参考文献(0)
  • 二级参考文献(3)
2008(6)
  • 参考文献(0)
  • 二级参考文献(6)
2009(10)
  • 参考文献(0)
  • 二级参考文献(10)
2010(11)
  • 参考文献(0)
  • 二级参考文献(11)
2011(12)
  • 参考文献(0)
  • 二级参考文献(12)
2012(7)
  • 参考文献(0)
  • 二级参考文献(7)
2013(11)
  • 参考文献(1)
  • 二级参考文献(10)
2014(13)
  • 参考文献(0)
  • 二级参考文献(13)
2015(20)
  • 参考文献(2)
  • 二级参考文献(18)
2016(17)
  • 参考文献(0)
  • 二级参考文献(17)
2017(22)
  • 参考文献(3)
  • 二级参考文献(19)
2018(12)
  • 参考文献(3)
  • 二级参考文献(9)
2020(1)
  • 参考文献(1)
  • 二级参考文献(0)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
高分辨率遥感影像
道路提取
卷积神经网络
残差网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
北京测绘
月刊
1007-3000
11-3537/P
大16开
北京市海淀区羊坊店路15号
1987
chi
出版文献量(篇)
3644
总下载数(次)
21
论文1v1指导