山顶是必不可少的地形特征点,广泛应用于军事和非军事领域,如生物多样性评估( 1),滑坡风险分析( 2),冰川和冰雪覆盖( 3分析)峰会。该地区峰会从海平面地区最大仰角。峰会通常位于一个复杂而巨大的地形系统,具有复杂结构和功能差异( 4]。检测过程自动化峰会将大大推动和丰富我们的地理空间知识;因此,它是有价值的研究在山顶的自动检测的有效方法。

在文献中,主要有两种方法,流heuristic-based方法和数据驱动方法,已被广泛地讨论峰会检测。heuristic-based方法的共同点是,他们依赖于特征选择的算法设计和地形识别规则,依赖于参数由用户配置。在之前的工作中( 5],模糊集理论应用于地形分析,计算模糊成员的每个数字高程模型(DEM)像素了六种不同的形态学课程,通过了,坑,飞机,脊,通道,和峰值,通过多尺度的评价。在另一项研究[ 6)、多尺度和multisemantic方法,结合地形属性和周围的环境来计算每个网格的会员价值在山峰会,提出了检测在山顶。作者认为山是一个模糊的实体的各种属性,如地形起伏、平均坡度、相对高度。在另一个工作( 7),一个精确的峰会上提出了基于形态分析的检测方法来检测峰会,峰会中,作者得出结论,应该位于nonflat区域,应该最高点的8个相邻网格。此外,作者进一步说明,不同的峰会应该分开一定水平和垂直距离。因此,一个3×3滑动窗口是应用于民主党在当地找到最高点,并视之为一种峰会的候选人。然后,邻居之间的相对距离的候选人分析更准确地定位峰会。虽然上面的方法可以解决错误的检测和失踪检测问题山峰会检测任务,大多数这些方法需要手动功能,设计能力是有限的,因此,他们表示。此外,它是重要的和繁琐的手动选择参数尤其是涉及多个参数。

随着遥感技术的迅速发展,高分辨率DEM数据变得容易,它的特点是复杂的背景,不同的功能结构,和丰富的细节。方便的高分辨率DEM数据提供了令人难以置信的机会学习峰会从数据驱动的角度检测。报告的数据驱动的方法可以分为两类:机器学习方法和深度学习(DL)方法。最近的调查应用DL的遥感等领域可以发现场景分类( 8),对象检测( 9, 10)、土地利用和土地覆盖分析( 11]。在之前的工作中( 12),446年记录的山体滑坡和landslide-related调节因素,存储,通过遥感和地理信息系统技术进行了分析。然后,Ningdu县的滑坡敏感性预测使用监督机器学习模型(支持向量机和卡方自动交互检测模型)和非监督机器学习模型(基于k - means和Kohonen模型)11日调节因素。在另一项研究[ 13),三种机器学习模型,提高了回归树(BRT),分类和回归树(CART),和随机森林(RF),春天比较产生地下水潜在的地图。

最近,DL已广泛应用于各种计算机视觉应用程序,可以自动从数据样本进行特征选择。卷积神经网络(cnn)已经成功地用于执行目标检测和图像识别 14- - - - - - 16],cnn包含一系列的数学运算,如卷积、池、阈值,自动从低层次语义学习目标特性。由于其能力强的空间相关性和更先进的机制特征提取,cnn,以及DL技术,是地理学的热点话题。在之前的工作中( 17],DL方法被开发来检测地形特性,包括陨石坑,更快的地区相结合CNN与ZF-net架构(R-CNN)模型,认识一些常见的情况下,如多个分离,但非常接近火山口和非常小的陨石坑。在另一项研究[ 18),一份DL自动地形特征识别的方法,提出了遥感图像,它扩展了Faster-RCNN架构与cnn和采用整体学习检测9个不同类型的地形特征。托雷斯et al。 19)提出了一个基于DL峰会自动识别方法。该方法认为峰会识别任务是一个分类问题,和传统方法相比表现良好。然而,滑动窗口使网络只关注本地功能,而忽略了峰会的整体形状和空间结构。适当选择网络结构,DL方法提供灵活的选择,来更好地解决各种场景的地形特征识别。然而,DL在地形特征识别方法的研究仍处于起步阶段,并进一步探索是需要发现自己的潜能。

在本文中,我们专注于如何应用DL模型峰会上实现高精度检测没有手动设计特性。山峰会识别方法提出了基于速度R-CNN框架更有效检测山峰会。该方法借鉴的思想残余卷积( 20.金字塔)和功能网络(红外系统)( 21山峰会)自动提取特征和直接输出峰会的位置在一个端到端的方式设置参数。

本文的主要贡献可以概括如下:(1)我们形式化峰会检测作为一个图像处理任务训练DL模型DEM数据的边界坐标和定位峰会。(2)我们提出了一个先进的方法对于识别峰会从DEM数据,它使用剩余结构提高卷积层和合并功能不同的水平。(3)我们创建了一个新的峰会检测数据集,包括它的位置和边界,建立该模型。(4)计算实验表明,该方法可以跑赢基准,尤其是检测小山顶上和pseudosummits。

根据空间、规模、特点和控制区域,山上峰会可以分为几种类型。每种类型的峰会有独特的地质属性不容易表示在一个模型。快R-CNN对目标检测是最具代表性的美国有线电视新闻网。该地区建议网络(RPN)提出了高效和准确的地区建议的一代。可以使用一个很深的网络来提高整体对象检测精度通过共享卷积特性与下游检测网络。然而,更快R-CNN的一些局限性,如贫困特征提取能力和效率低下的特点利用机制,导致小小姐峰会的倾向。因此,红外系统的层次结构是应用于该方法的集成特性不同尺度来更准确地定位和识别峰会。整体提高更快R-CNN示意图如图所示 1。

如图 1,改进更快R-CNN由四个部分组成部分:特征提取器,一个红外系统,一个项,峰会分类器。民主党是美联储特征提取器缩小其规模和增加渠道的数量堆放序列卷积层。器的输出特性是一系列的特征图谱,从不同的角度代表峰会从数据。接下来,这些特征图发送到红外系统生成几个融合特征图谱包含峰会的语义信息和位置信息。最后,RPN生成峰会通过熔融特性的位置地图。融合功能的同时,部分地图发送到峰会分类器来确定它是一个峰会。

神经网络的性能与网络层的深度增加。然而,神经网络模型与多层受到问题培训,包括梯度消失和梯度爆炸。ResNet模型有效地解决了这些问题,通过引入深残余框架。在这项工作中,我们评估ResNet-50和resnet - 101的性能架构。resnet - 101只取得了0.1%的准确率提高,而计算成本显著增加。这是因为民主党相对较小的峰会及其特性可能不再被确定在这些更深层次的网络水平。我们选择ResNet-50特征提取器的改进速度R-CNN框架来平衡精度和计算复杂度。

快R-CNN只使用RPN执行地区建议操作在过去卷积层,而语义信息显示小目标的高级功能非常有限。不容易获得更全面的信息来预测峰会的位置。图 2显示了ResNet-50提取的特征图谱。我们可以看到浅特性识别边缘通过比较相邻像素的亮度,而更深层次的功能可以找到一组特定的轮廓和拐角检测整个峰会的一部分,最后识别图像中的峰会。然而,随着网络的层数增加,特征图的语义信息变得越来越突出,和位置信息逐渐模糊。找到所有可能的summit-like地区为随后的推断,红外系统结构融合语义和山的位置信息峰会这样的功能在每个规模有富有的语义信息。改进的结构如图 3。

我们结合特性从金字塔水平4 (P4), 3 (P3)和2 (P2)生成地图最好的特性。峰会以来太小,它不能被保留在这个级别,第五卷积的输出层(C5)排除建议检测。随后,特征图谱P2、P3和P4作为输入项的使用。基于位置的RPN的回归层,生成一个地区意见箱山上峰会确定可能的位置,和分类层的RPN峰会确定的概率存在区域在盒子里。R-CNN更快,三锚箱不同尺度和纵横比手工预定义根据帕斯卡VOC数据集。这些锚箱用作参考边界盒算法首次预测目标的位置。应该注意的是,如果我们使用默认的锚箱,边界框的收敛速度回归训练过程中减缓R-CNN更快。此外,一旦出现错误项,峰会分类器很难纠正,因为他们之间共享一些功能。因此,考虑到SUMMIT-DEM峰会地区的大小的数据集, k——聚类( 22)是用来调整锚箱的大小提出了网络。表 1显示的锚箱信息提出了和之前的方法。

深度学习是更有效的比传统的方法由于其学习能力的高层从数据和抽象特性。因此,大量的数据是必要的。尽管许多大型数据库,如挥发性有机化合物( 23和可可 24),可用于目标检测,很少公开数据集地形元素检测是基于光学图像。

我们使用DEM数据标志着由NASA ( 25)构建样本数据集的峰会,SUMMIT-DEM命名。民主党避免光照和观察角度的影响实验结果,但它缺乏很多细节峰会代表地区,如形态、取向和对比。我们渲染DEM数据为不同的模式通过不同的可视化技术使网络代表山峰会区域特性更好。

首先,不同的高程值被分配到不同的灰色尺度上实现三维地形表达在一个二维平面上通过色调差异。高程值的范围 H 最小值 , H 马克斯 ,和相应的灰色范围 G 最小值 , G 马克斯 。然后,对任何高度,对应的灰度值 G 我 可以通过方程计算( 1)。之后,灰度值归一化在0和1之间,可以减少输入数据中噪声的一部分而不改变元素之间的相对高程。转换后的图像如图 4(一)。然后,生成的轮廓线是一个串行的海拔间隔民主党,能科学地反映主要的地貌形式和变化如地面高程、山的身体,斜坡,斜坡形状,和山地罢工,如图 4 (b)。最后,为了满足网络的输入,两种数据叠加形成了示例如图 4 (c)。图 4 (d)显示了一个示例的峰会后注释。

通过这种方式,我们让SUMMIT-DEM采样数据集,包括共有1000张图片和3345个样本地区山的峰会。数据集分为训练、验证和测试集的比例7:2:1。 (1) G 我 = G 最小值 + G 马克斯 − G 最小值 H 马克斯 − H 最小值 × H 我 − H 最小值 。

进行了两个实验来评估的优点改进R-CNN更快。烧蚀实验首次进行三个改进模块(特征提取器、红外系统和锚箱大小)找到每个模块的贡献。然后,不同heuristic-based和DL方法,包括更快R-CNN [ 26],YOLOv3 [ 27],SSD [ 28(LPC) [], Landserf峰值分类 29日, 30.),比较R-CNN快来验证改进的效果。方法的选择考虑他们的相关性和异质性以及源代码或工具的可用性支持它们的执行。

摘要小说DL方法,提出了改进R-CNN更快,峰会检测没有手动设计峰会特性。在提高更快R-CNN ResNet-50作为峰会的特征提取器来获取更好的特性,和红外系统的层次结构应用于集成各种尺度的特性。受益于这两个模块,改善跨多个层次进行有效的信息沟通,减少信息损失的RPN锚箱代期间,导致检测结果更精确的峰会。在实验研究中,SUMMIT-DEM数据集被用来研究的性能改进R-CNN更快。实验在不同的受欢迎的DL和heuristic-based方法,证明了改进的有效性和鲁棒性R-CNN更快。

我们未来的工作将采取几个方向:(1)地形要素往往是共生的,如两个鞍时峰会和脊峰会之间的联系;因此,完善模型运用其他元素和一些方法 31日)处理一组对象同时通过外表特征和拓扑结构之间的相互作用,这可能让他们关系的建模。(2)Multi-information融合也是一个问题值得关注。民主党避免照明和视角的影响实验结果,但它失去了许多详细的功能,如颜色、纹理和对比。我们将尝试使用我们的方法在未来实验遥感图像,找到一个方法来结合DEM和遥感影像特征识别地形要素。(3)由于传统制图的性质,通常只包含著名的山脉形态、历史、和文化方面的原因,一个数据集可能忽略许多地方summit-like特色。因此,一些输出分为假阳性的可能的确是真的下积极完成地面实况。我们将应用semisupervised学习( 32)提高峰会数据集的质量,特别是结合标记和未标记数据来改变网络的学习行为。