面具R-CNN用于UAV遥感图像中的建筑检测的应用
Heliyon
|October 14, 2024
概括
本研究介绍了一种面罩区域-卷积神经网络 (Mask R-CNN) 方法,用于从空中图像中准确地提取建筑特征. 该方法增强了复杂的城市环境中的3D建模,实现了高分类精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 传统的方法在建筑特征提取和3D建模中难以达到较低的准确性,特别是在复杂的背景中.
- 从航空图像中自动检测和特征提取对于城市规划和建筑设计至关重要.
研究的目的:
- 开发一种先进的方法,使用深度学习和空中图像精确地提取建筑特征.
- 克服现有技术在处理复杂的城市环境中的局限性.
主要方法:
- 使用面具区域卷积神经网络 (面具R-CNN) 进行自动检测和特征提取.
- 从注释空中图像创建了城市建筑特征的数据集.
- 雇佣了Mask R-CNN来生成适应性功能,以增强建筑提取能力.
主要成果:
- 基于Mask R-CNN的方法实现了大约95%的分类准确度.
- 与卷积神经网络 (CNN),基于区域的卷积神经网络 (R-CNN),快速的R-CNN,更快的R-CNN和生成对抗网络 (GAN) 相比,表现出更好的性能.
- 在特征提取中展示了强大的稳定性和概括能力.
结论:
- 拟议的Mask R-CNN方法显著提高了建筑特征提取精度和从空中图像中的细节.
- 为建筑设计和城市规划应用提供了有价值的见解和新方法.
- 为复杂的城市环境中自动化建筑分析提供了强大的解决方案.
