基于自适应结构深度信念网络的卫星图像道路网自动提取
计算机视觉与模式识别
2021-10-26 v1 神经与进化计算
摘要
在我们的研究中，作为突出深度学习模型之一，开发了受限玻尔兹曼机（RBM）与深度信念网络（DBN）的自适应结构学习方法。RBM 中的神经元生成-湮灭及 DBN 中的层生成算法可在学习中为给定输入构建最优网络结构。本文将我们的模型应用于称为 RoadTracer 的道路网系统自动识别方法。RoadTracer 可从航拍照片数据生成地面道路图。在迭代搜索算法中，训练 CNN 以高检测能力发现道路间网络图连通性。然而，该系统不仅训练阶段且推理阶段计算时间长，可能难以实现高精度。为提升精度与计算时间，我们将自适应 DBN 替代 CNN 部署于 RoadTracer。所开发模型性能在日本郊区卫星图像上评估。实验结果表明，相较传统 CNN，我们的自适应 DBN 在检测精度与推理时间上均具优势。
引用
@article{arxiv.2110.12684,
title = {Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network},
author = {Shin Kamada and Takumi Ichimura},
journal= {arXiv preprint arXiv:2110.12684},
year = {2021}
}
备注
7 pages, 9 figures, 2021 Joint 10th International Conference on Informatics, Electronics & Vision (ICIEV) and 2021 5th International Conference on Imaging, Vision & Pattern Recognition (icIVPR)