卷积神经网络在高层建筑中进行图像识别的应用

3.0 闻远设计 2024-03-06 119 4 130.43KB 4 页免费

侵权投诉

卷积神经网络在高层建筑中进行图像识别的应

用

　摘要：利用卫星图像对高层建筑进行分类和定位，相比市售数据具有成本更节省、更新更及

时的优势，在无线网络规划的环境调查工作中具有重要的意义。本文通过不同方法在高层建筑

识别上进行对比测试，发现在高层建筑的识别上，使用 VGG16 网络具有最好的召回率。在算

法和预训练网络的挑选上，需要根据数据集的特点进行仔细甄别。FasterR-CNN 配以 VGG16

骨干网络是效果相对较好的一种方法。不同算法架构和预训练网络在不同的数据集上表现相差

较大。

　关键词：无线网络规划; 图像识别; 高层建筑; 卫星图像; 卷积神经网络;

Research on fast identification method of high-rise building

LI Chun-ming LI Gang MA Ning JIANG Zi-yuan

China Mobile Group Design Institute Co., Ltd. China Mobile Group Guangdong Co., Ltd.

　 Abstract：Using satellite images to classify and locate high-rise buildings has the advantages of

saving and updating more timely. Compared with outsourcing data, it is of great significance in the

environmental survey of wireless network planning. In this paper,by comparing different methods in

the identification of highrise buildings, it is found that VGG16 network has the best recall rate in the

identification of high-rise buildings. In the selection of algorithm and pre training network, we need to

carefully screen according to the characteristics of our own data set. Faster-CNN with VGG16

backbone network is a relatively good method. The performance of different algorithmic architectures

and pre training networks varies greatly in different data sets.

在无线网络规划及预规划中，大中城市的密集城区场景是重点也是难点。原因是密集城区中的

高层建筑较多，对无线信号传播产生严重的遮挡，造成的阴影区域也较大。高密建筑之间的区

域无线环境复杂，使得基站选址、设计、建设、网络维护以及网络质量等方面都面临很大的挑

战。在无线网络规划调查分析过程中，准确定位区域中的高层建筑成为一项重要的工作。市售

带有高度信息的三维电子地图价格昂贵且存在有数据不准确的问题，数据更新不及时会对高层

建筑漏标和漏记，为后续的无线网络规划工作造成规划不准和调整工作量大的影响。

如果可以利用卫星遥感图像对建筑高度进行分类，同时利用卫星图像自带的位置信息，就可以

快速获得高层建筑的位置信息，在无线网络规划中可以节省大量的财力，并带来时间和成本上

的优势。

在卫星图像中的高层建筑存在着形状多样、颜色材质各不相同，高度和大小差别极大的特点，

为机器学习分类带来一定的难度。本文旨在通过机器学习的方法，快速实现某一区域内的高层

建筑的识别和定位，为无线网络规划提供准确的环境信息。

本文的主要研究和成果如下。

(1 ）机器学习与无线网络规划相结合。

(2 ）建立已标注的卫星图像数据集。

(3）基于 Faster R-CNN 搭建卷积神经网络，经训练出来的模型在测试集上有 98%的分类准确

率，并且具有较强的泛化能力。

(4）对比多种算法架构及预训练网络的效果，证实不同的算法架构和预训练网络在不同的数据

集上表现相差较大。

　　 1　数据集情况

数据集使用谷歌卫星地图下载的 RGB 图像，使用相同的 18 级精度，并切割成 256×256 dpi 的

图片，这样每张图片代表的实际地面距离可以认为是一样的。

使用目标检测标注工具 LabelImg 完成2 979 张图片的矩形标注，使用图片标注工具 Labelme 完

成1 000 张图片的多边形标注。标注分为背景、高层建筑和低层建筑 3类。高层建筑为目测超

过20 层或60 m 以上的建筑，低层建筑为目测低于9层或24 m 的建筑，这样的分类具有较明显

的差别，人工标注时不容易出错。

　　 2　高层建筑的快速识别方法

2.1 卷积神经网络及发展

对于图像中的高层建筑目标检测，传统机器学习方法的流程包括区域选择、特征提取和分类器

分类。

传统目标检测的缺点如下。

(1 ）基于滑动窗口的区域选择策略使用穷举策略，没有针对性，时间复杂度高，窗口冗余。

(2）手工设计的特征对于设计者的要求很高，并且对于形态多样性、光照变化多样性和背景多

样性没有很好的鲁棒性。

文献[1]中，2012 年图像识别数据库（ImageNet）大规模视觉识别挑战赛(ILSVRC)上，使用卷

积神经网络(CNN)将ILSVRC 分类任务的Top-5 error 降低到了 15.3%，而使用传统方法的第2

名Top-5 error 高达26.2% 。此后，卷积神经网络占据了图像分类任务的绝对统治地位。

文献[2]中的算法思想又被称之为利用深度学习进行目标检测（R-CNN），是物体检测领域曾

经获得最先进技术的经典文献。R-CNN 算法相对传统流程有很大改进。特征提取方面采用了

卷积神经网络的算法，卷积神经网络使用卷积的方法不断地进行特征提取和压缩，比传统方法

提取的特征更加显着和高效。在区域选择策略上，它使用候选区域的概念，预先找出图中目标

可能出现的位置，利用图像中的纹理、边缘和颜色等信息，可以保证在选取较少窗口(几千甚

至几百）的情况下，保持较高的召回率。

文献[3]中，巧妙地把候选边框回归放进了神经网络内部，与区域分类合并成为了一个多任务模

型。实际实验证明，这两个任务能够共享卷积特征，并相互促进，从而在保证准确率的同时,提

升处理速度。2015 年微软的团队设计了提取候选区域的网络 RPN，代替了费时的选择性搜索

过程，使得检测速度大幅提高。

文献[4]提出了Mask R-CNN 算法，Mask R-CNN 是继承于Faster R-CNN 算法(2016)的，它在

Faster R-CNN 上面增加了一个Mask 预测分支，实现了语义分割，并且改良了感兴趣区域池化

(RoI Pooling)，提出了感兴趣区域对齐(RoI Align) ，显着提升了精度。

文献[5]中的 RetinaNet 算法提出 Focal loss 可在单阶段目标检测网络中成功使用，并最终能以更

快的速率实现与双阶段目标检测网络近似或更优的效果。

2.2 预训练神经网络

“ ”本文着重于快速地实现高层建筑的目标检测,从而实现整体解决方案。预训练网就是一个保存

好的网络，之前已在大型数据集上训练(通常是大规模图像分类任务)。如果训练的原始数据集

足够大且足够通用（如ImageNet 数据集），那么预训练网络学到的特征空间层次结构可以有

效的作为视觉世界的通用模型，因此这些特征可用于不同的计算机视觉问题。

在大多数情况下，面对某一领域的某一特定问题，一般应用者都不可能找到足够充分的训练数

据，这是业内一个普遍存在的事实。但是得益于迁移学习技术的帮助，从其它数据源训练得到

的模型，经过一定的修改和完善，就可以在类似的领域得到复用，这一点大大缓解了数据源不

足引起的问题。迁移学习已经逐渐成为了资源不足（数据或者运算力的不足）的 AI 项目的首

选技术。

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

免费 4人已下载

立即下载

标签： #高层建筑 #图像识别 #建筑

摘要：

卷积神经网络在高层建筑中进行图像识别的应用　摘要：利用卫星图像对高层建筑进行分类和定位，相比市售数据具有成本更节省、更新更及时的优势，在无线网络规划的环境调查工作中具有重要的意义。本文通过不同方法在高层建筑识别上进行对比测试，发现在高层建筑的识别上，使用VGG16网络具有最好的召回率。在算法和预训练网络的挑选上，需要根据数据集的特点进行仔细甄别。FasterR-CNN配以VGG16骨干网络是效果相对较好的一种方法。不同算法架构和预训练网络在不同的数据集上表现相差较大。　关键词：无线网络规划;图像识别;高层建筑;卫星图像;卷积神经网络;Researchonfastidentificationme...

展开>> 收起<<

卷积神经网络在高层建筑中进行图像识别的应用.docx

共4页,预览2页

还剩页未读，继续阅读

卷积神经网络在高层建筑中进行图像识别的应用

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: