深度网络在基于对象的图像分析中的可用性
神经与进化计算
2016-09-23 v1 计算机视觉与模式识别
摘要
如同之前的计算机视觉，遥感也因卷积神经网络（Convolution Neural Networks）的引入而发生了根本改变。航空图像中的土地利用、目标检测和场景理解越来越依赖深度学习来实现新的最先进结果。诸如全卷积网络（Fully Convolutional Networks，Long et al., 2015）等近期架构甚至可以为语义制图生成像素级标注。在本工作中，我们展示了如何使用此类深度网络来检测、分割和分类来自ISPRS Potsdam数据集的航空图像中不同种类的轮式车辆。这使我们能够处理由视觉上相似的类别组成的复杂数据集上的目标检测与分类，并证明这种子类建模方法的相关性。特别地，我们想表明深度学习同样适用于地球观测数据的面向对象分析。首先，我们在ISPRS Potsdam数据集上训练一个FCN变体，并展示学习到的语义图如何用于提取车辆的精确分割，从而使我们研究城市中车辆的分布。其次，我们训练一个CNN在VEDAI（Razakarivony and Jurie, 2016）数据集上执行车辆分类，并将其知识迁移以对Potsdam数据集上候选分割车辆进行分类。
引用
@article{arxiv.1609.06845,
title = {On the usability of deep networks for object-based image analysis},
author = {Nicolas Audebert and Bertrand Le Saux and Sébastien Lefèvre},
journal= {arXiv preprint arXiv:1609.06845},
year = {2016}
}
备注
in International Conference on Geographic Object-Based Image Analysis (GEOBIA), Sep 2016, Enschede, Netherlands