在中国雄安新区的农村道路开采,基于RC-MSFNet网络模型

科学领域:

• 遥感 遥感 遥感 遥感
• 地理信息系统 (GIS) 是一个地理信息系统.
• 计算机视觉 计算机视觉

背景情况:

• 从高分辨率图像中提取农村道路是具有挑战性的,因为狭窄的道路宽度,模糊的边界,以及与周围环境相似的纹理.
• 现有的方法往往导致不完整的提取和农村道路的低精度.
• 雄安新区具有复杂的农村地形,需要改进道路开采技术来规划开发.

研究的目的:

• 开发和评估一个新的深度学习模型,RC-MSFNet,以加强农村道路开采.
• 解决现有模型在准确识别狭窄,延长和边界模糊的农村道路方面的局限性.
• 构建一个专门的农村道路数据集 (XARoads) 用于模型培训和验证.

主要方法:

• 基于U-Net架构的RC-MSFNet模型结合了残余神经网络以减轻消失梯度和连接注意力机制,以改善道路完整性.
• 在瓶中使用了多尺度的融合圆卷积模块,以捕捉各种尺度的特征.
• 该模型在XARoads数据集和DeepGlobe数据集上进行了训练和测试,并与U-Net,FCN,SegNet,DeeplabV3+,R-Net和RC-Net进行了比较.

主要成果:

• 在XARoads数据集上,RC-MSFNet实现了0.8350的精度 (P),0.6523的交叉单位 (IOU) 和0.7489的完整性 (COM).
• 拟议的方法显示了与基准模型相比的显著精度改进,从0.58%到7.85%.
• 该模型在挖掘狭窄,泥和边界模糊的道路方面表现出卓越的性能,省略和虚假挖掘错误减少.

结论:

• RC-MSFNet模型为准确的农村道路开采提供了强大的解决方案,特别是在具有挑战性的环境中.
• 该模型的架构有效地捕捉了道路连接和多尺度特征,从而提高了提取性能.
• 从这种方法中获得的准确的农村道路数据可以支持城市发展和规划计划,例如在雄安新区的计划.