CN116403109B 一种基于改进神经网络的建筑物识别与提取方法及系统 （上海健康医学院）

号networkusingobject一种基于改进神经网络的建筑物识别与提本申请公开了一种基于改进神经网络的建行预处理，得到预处理后图像数据；构建请提出的轻量级高性能骨干网络在传统的大幅地减少了模型的参数计算量，降低内存占2网络在传统的DenseNet基础上融入了ConvNeXt2）利用了两个ASPP模块将图像特征进行所述DenseNeXt网络的4个阶段块的堆叠的比例设置为1:1:3:1，每个阶段具体的层数的深度可分离卷积，另一个为3x3大小卷积核的对所述裁剪后图像数据集进行数据增强，并对数据增强将所述标注后图像数据集进行训练集、验证集和测试集划分，将所述测试集输入至所述改进后模型，并比较输出结果与真实分类结利用Douglas_Peucker模型对所述边界图像进行多边形化，得到所述建筑物轮廓提取3所述图像预处理模块用于采集建筑物原始图像，对所述建筑物原始图像进行预处理，所述模型构建模块用于构建DeepLabV3+模型，并对所述DeepL所述模型训练模块用于基于所述预处理后图像数据，训练所述改进后所述识别提取模块用于采集待识别建筑物图像，基于所述预测模型，网络在传统的DenseNet基础上融入了ConvNeXt2）利用了两个ASPP模块将图像特征进行所述DenseNeXt网络的4个阶段块的堆叠的比例设置为1:1:3:1，每个阶段具体的层数的深度可分离卷积，另一个为3x3大小卷积核的4别等各种计算机视觉任务中取得了引人注目的成就，逐渐被用于解决遥感影像的建筑物、[0013]对所述裁剪后图像数据集进行数据增强，并对数据增强后的图像数据集进行筛5[0014]基于ArcGISPro对所述筛选后图像数据集进行特征标注，得到标注后图像数据[0021]将所述验证集输入至所述改进后模型，用于最小化所述改进后模型的过拟合情[0022]将所述测试集输入至所述改进后模型，并比较输出结果[0025]利用Douglas_Peucker模型对所述边界图像进行多边形化，得到所述建筑物轮廓[0031]所述模型构建模块用于构建DeepLabV3+模型，并对所述DeepLabV3+模型进行改[0038](1)本申请提出的轻量级高性能骨干网络在传统的DenseNet基础上，融入了[0039](2)本申请利用两个ASPP模块将图像特征进行融合，从而获得更多高级的语义信6[0049]S1.采集建筑物原始练的过程中出现因特征提取不足导致的过拟合问题，对裁剪后图像数据集进行数据增强，7[0056]DeepLabV3+网络是目前最为优秀的语义分割模型之一，其在VOC数据集上取得优[0057]在本实施例中，为了提高网络分割性能，改善以上不足，如图2所示，在传统DeeplabV3+网络结构上做了以下改进：(1)针对传统DeepLabV3+模型特征提取的XceptionDeepLabV3+中的Xception网络。提出的DenseNeXt网络在传统的DenseNet基础上，融入了后图像；基于微调算法调整粗调后图像中线的方向和节点位置，得到边界图像；利用8练的过程中出现因特征提取不足导致的过拟合问题，对裁剪后图像数据集进行数据增强，9[0078]DeepLabV3+网络是目前最为优秀的语义分割模型之一，其在VOC数据集上取得优构上做了以下改进：(1)针对传统DeepLabV3+模型特征提取的Xception网络参数量大的问题，提出了一种轻量级的高性能骨干网络，命名为DenseNeXt，替换传统DeepLabV3+中的提升DeepLabV3+模型对于高级语义特征的提取能力，在DenseNeXt网络对输入图像进行特后图像；基于微调算法调整粗调后图