DV3+HED+：基于深度卷积神经网络的利用甚高分辨率卫星影像监测铁路工程临时用地与环境敏感区框架
计算机视觉与模式识别
2019-08-30 v1
摘要
当前的 VHR（甚高分辨率）卫星影像能够详细监测地表，并可捕捉铁路施工的正在进行的工作。本文提出一种集成框架，应用于利用 QuickBird、GF-2 和 Google Earth 甚高分辨率卫星影像监测中国铁路施工。我们还构建了一种新颖的基于 DCNNs（深度卷积神经网络）的语义分割网络，利用甚高分辨率卫星影像在整个铁路施工项目中标注临时用地（如取弃土场、营地、梁场）和 ESAs（环境敏感区，如居民房屋）。此外，我们采用 HED 边缘检测子网络细化边界细节，并使用注意力交叉熵损失函数解决样本类别不平衡问题。我们的语义分割网络在 572 张 VHR 真彩影像上训练，并在 2015–2017 年瑞昌—九江铁路沿线的 15 张 QuickBird 真彩影像上测试。实验结果表明，与现有最优方法相比，我们的方法有明显改进，总体精度超过 80%。
引用
@article{arxiv.1908.11080,
title = {DV3+HED+: A DCNNs-based Framework to Monitor Temporary Works and ESAs in Railway Construction Project Using VHR Satellite Images},
author = {Rui Guo and Ronghua Liu and Na Li and Wei Liu},
journal= {arXiv preprint arXiv:1908.11080},
year = {2019}
}
备注
15 pages