一座山峰会R-CNN基于改进识别方法更快

文摘

在山顶地形特征点是至关重要的,这对于理解至关重要地貌过程及其对环境和生态系统的影响。峰会传统检测方法操作手工制作的特性提取数字高程模型(DEM)数据和应用参数检测算法来定位在山顶。然而,这些方法可能不再有效的达到理想的识别结果在小型峰会和遭受缺乏客观标准的问题。因此,要解决这些问题,我们提出一种改进的快速region-convolutional神经网络(R-CNN)从DEM数据准确地探测到山顶。基于R-CNN更快,改进网络采用一块残留的卷积来取代传统的部分并添加一个特性金字塔网络红外系统)与相邻层融合的特性,更好的解决山峰会检测任务。剩余卷积是用来捕捉视觉和物理形态特征之间的相关性。红外系统是利用集成的位置和语义信息提取的特征图谱有效区域代表山峰会。实验结果表明,该网络能达到最高的查全率和查准率没有手动设计峰会特性和准确地识别小峰会。

1。介绍

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。

2。方法

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。

3所示。实验数据

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 ,和相应的灰色的范围 。然后,对任何高度,对应的灰度值可以通过方程计算(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。

4所示。实验和讨论

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。

4.1。评价指标和参数的选择

精度,还记得,F1分数,平均精度(美联社)选择评价的性能改进R-CNN更快。这些指标定义如下: 在哪里 , ,和表示真阳性、假阳性和假阴性率,分别。让P精度和R被召回,平衡P和R。此外,美联社总结的形状精度和召回阈值曲线,避免问题是绝对难以评估的影响模型,并定义为11的平均精度在一组等距的召回的水平 。

每个方法执行不同的参数,参数的值采样空间,和所有得到的参数组合进行了测试。传统方法,LPC的民主党和两个参数作为输入。两个参数如下:(1)的最低高度,一个点必须被视为一个候选人峰会。对于这个参数,我们测试值从400米到6000米100米的步长,因为这两个值是最低和最高海拔的评价下的领土。(2)中的局部极大值的最小距离。我们测试值从900到30米的步长15米。这产生了3363的配置。每个配置的算法独立运行一次,总共3363分。深度学习模型只有一个参数:概率阈值来确定一个点是一个峰会。我们测试了一个值的范围从0.01到1的步骤0.01中,产生100配置。 The DL algorithm only ran once, choosing different thresholds to obtain different precision and recall.

4.2。烧蚀实验

我们分析了每个模块的贡献的方法,即ResNet-50特性融合,大小锚箱的整体性能。实验结果给出了表2。

通过比较结果R-CNN快,更换ResNet-50美联社带来的性能改进,利润率为1.98%。这意味着ResNet-50取代VGG16峰会作为特征提取器,可以更好的代表特征。锚箱的规模和比例调整改进2,然后美联社增加到92.97%。通过比较改进3和R-CNN更快,增加红外系统和调整锚箱在美联社带来的性能改进,利润率为2.82%。这验证了我们的红外系统和锚箱调整策略的有效性。最后,该方法(表6行2美联社)进行了测试,其达到94.49%。三种改进的有效性,包括更换ResNet-50,红外系统,调整锚箱,一直。

SUMMIT-DEM数据集的特征图如图所示5。输入图像、检测结果和特性的最后两层快R-CNN和改进R-CNN图所示5。在第三列,过滤器可以学习峰会地点气泡的形式。正如所料,改进更快R-CNN有更多的信息在其处理区分虚假峰会和找到小峰会,因为它保存完整的通过红外系统位置和语义特征。此外,改进的快R-CNN可以利用一个位置的“上下文”。在第4列,改进更快R-CNN保存不同位置之间的相关性由相邻的点,也就是说,网络更加关注周围的山脉,这影响了计算的峰会地点,最终,准确性。

4.3。传统的评估和DL方法

我们将该方法与不同的方法,包括更快R-CNN (FR), YOLOv3, SSD, LPC的SUMMIT-DEM数据集。

图6不同方法的检测结果显示了峰会。如图所示,该模型是最接近地面真理在各种峰会类别,包括未成年人、submajor,专业。更重要的是,该模型可以很好地识别pseudosummits并找到小峰会,证明的有效性提出了改进R-CNN更快。

表3报告召回、精密、F1得分和美联社的方法与其他方法相比。改进的速度R-CNN取得优秀的成果在所有评价指标。SSD法最糟糕的性能,因为它浅特征的提取能力有限和分级预测机制,使预测的特征图谱的利用率很低。特别是,比较快R-CNN(第3列)和改进的快R-CNN(第2列),召回改进的利润率为6.45%,这意味着更多的峰会被发现。这些结果清楚地说明R-CNN优越性能和鲁棒性的提高得更快。

precision-recall曲线如图所示7。改进的公关曲线R-CNN更快,所代表的蓝线,一贯优于其他方法。与DL方法相比,heuristic-based方法,所代表的直接紫线,对参数的变化更敏感。点精度= 0.5和回忆= 0.5,小参数的变化会导致非常不同的结果在精度和召回。这些结果令人信服地说明了模型的有效性。

5。结论

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。

数据可用性

处理过的数据用于支持本研究的发现没有提供,因为数据也形成一个正在进行的研究的一部分。

的利益冲突

没有任何潜在的利益冲突在我们的纸上。

确认

这项工作是支持的基础信息工程国家重点实验室(批准号SKLGIE2018-Z-4-1)、陕西省自然科学基金(批准号2019 jm - 183),中国国家重点研发项目(批准号2019 yfd1100901)。

引用

1. c . Korner w . Jetz j . Paulsen d·佩恩k . Rudmann-Maurer和e . m . Spehn”全球库存山脉bio-geographical应用程序”,高山植物,卷127,不。1、1 - 15,2017页。视图:出版商的网站|谷歌学术搜索
2. c·德容和t·巴斯”,挑战下的高山滑雪胜地水文气候变化和人类的压力,”诉讼的ESA地表水储存和径流:建模、现场数据和遥感2008年9月,德国卡尔斯鲁厄。视图:谷歌学术搜索
3. r . Fedorov a Camerada、p . Fraternali和m . Tagliasacchi”估计,ESA诉讼,2008年积雪从公开的图像,”IEEE多媒体,18卷,不。6,1187 - 1200年,2016页。视图:出版商的网站|谷歌学术搜索
4. 山田,“山排序:山分类根据它们的形态测量学的方法,”地球表面的过程和地貌,24卷,不。7,653 - 660年,1999页。视图:出版商的网站|谷歌学术搜索
5. p·费舍尔和j .木头,“山是什么?或者是英国人,去了一个布尔地理但意识到这是模糊概念,“地理位置,卷83,不。3、247 - 256年,1998页。视图:谷歌学术搜索
6. y邓和j·p·威尔逊,“多人规模和多人标准模糊实体映射的山峰,“国际地理信息科学杂志》上,22卷,不。2、205 - 218年,2008页。视图:出版商的网站|谷歌学术搜索
7. t . Podobnikar山'peaks决心支持与形状分析,“Geographia装备5卷,第119 - 111页,2010年。视图:谷歌学术搜索
8. r·皮雷斯•德利马和k . Marfurt“卷积神经网络遥感场景分类:转移学习分析,“遥感,12卷,不。1,p。86年,2020。视图:出版商的网站|谷歌学术搜索
9. k .傅z, y, g .徐k . Zhang和x的太阳,“Rotation-aware和多尺度卷积神经网络在遥感图像目标检测,”ISPRS《摄影测量与遥感卷,161年,第308 - 294页,2020年。视图:出版商的网站|谷歌学术搜索
10. 黄z . b .隋,j .温家宝et al。”一个智能船图像/视频检测和分类方法改进退卷积神经网络,”复杂性卷,2020篇文章ID 1520872, 11页,2020年。视图:出版商的网站|谷歌学术搜索
11. 张x l .汉、l .汉和l .朱”如何土地覆盖分类和基于深度学习方法在高分辨率遥感图像目标检测执行吗?”遥感,12卷,不。3,p。417年,2020年。视图:出版商的网站|谷歌学术搜索
12. z z, Du, f . Zhang et al .,“滑坡敏感性预测基于遥感影像和GIS:监督和非监督机器学习模型,比较”遥感,12卷,不。3,p。502年,2020年。视图:出版商的网站|谷歌学术搜索
13. s . a . Naghibi h·r·Pourghasemi b·迪克森,“可视化地下水潜力可映射使用提高了回归树、分类和回归树,和随机森林在伊朗机器学习模型[J],”环境监测和评估,卷188,不。1,1-27,2016页。视图:出版商的网站|谷歌学术搜索
14. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
15. j . j .顾z . Wang Kuen et al .,“最近卷积神经网络的进步,”模式识别卷,77年,第377 - 354页,2018年。视图:出版商的网站|谷歌学术搜索
16. h .唱l ., s . Chen等人“基于多尺度的图像识别池深卷积神经网络,”复杂性文章ID 618031卷,2020年,13页,2020。视图:出版商的网站|谷歌学术搜索
17. w·李,周b, c . y .许et al .,“认识地形特点在地面使用深度学习模型:一个例子与火山口检测”学报第一车间对人工智能和深度学习地理知识发现页33-36洛杉矶地区,CA,美国,2017年。视图:谷歌学术搜索
18. w·李和彭译葶。许”,从遥感图像自动地形特征识别:深度学习的方法,”国际地理信息科学杂志》上,34卷,不。4、637 - 660年,2020页。视图:出版商的网站|谷歌学术搜索
19. r·n·托雷斯p . Fraternali f·米拉尼et al .,“深学习模式识别在山顶的数字高程模型数据,”学报2018年IEEE第一个人工智能和知识工程国际会议(科)IEEE,页212 - 217年,拉古纳山,CA,美国,2018年9月。视图:出版商的网站|谷歌学术搜索
20. k . x张,他任美国et al .,“深残余学习图像识别,”《IEEE计算机视觉与模式识别会议拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
21. 林t y, p .美元,r . Girshick et al .,“特性为目标检测金字塔网络,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页2117 - 2125年,美国,2017年7月,你好。视图:谷歌学术搜索
22. j . MacQueen“一些分类方法和多变量分析观察,”《第五伯克利研讨会上数理统计和概率,1卷,不。14日,页。281 - 297年,洛杉矶,美国,1967年6月。视图:谷歌学术搜索
23. m . Everingham l . Van干傻事,c·k·威廉姆斯,j·韦恩,和a . Zisserman“帕斯卡的视觉对象类(VOC)的挑战,”国际计算机视觉杂志》上,卷88,不。2、303 - 338年,2010页。视图:出版商的网站|谷歌学术搜索
24. T.-Y。林,m . Maire s Belongie et al .,“微软可可:常见的上下文中的对象,”电脑Vision-ECCV 2014,页740 - 755,布拉格,捷克共和国,2014年5月。视图:出版商的网站|谷歌学术搜索
25. t . g . Farr和m . Kobrick”航天飞机雷达地形测绘任务产生大量的数据,”美国地球物理联盟Eos,交易,卷81,不。48岁,583 - 585年,2000页。视图:出版商的网站|谷歌学术搜索
26. 任,k .他r . Girshick et al .,“快R-CNN:对与地区建议网络实时目标检测,”2015年,http://arxiv.org/abs/1506.01497。视图:谷歌学术搜索
27. j . Redmon和a·哈蒂”Yolov3:增量改进”,2018年,http://arxiv.org/abs/1804.02767。视图:谷歌学术搜索
28. d . w . Liu Anguelov, d . Erhan et al .,“SSD:单身multiBox探测器拍摄,”欧洲计算机Vision-ECCV 2016,页21-37,阿姆斯特丹,荷兰,2016年10月。视图:出版商的网站|谷歌学术搜索
29. j .木”地貌数字高程模型的描述,”莱斯特大学,莱斯特,英国,1996年,论文。视图:谷歌学术搜索
30. j .木”第14章geomorphometry LandSerf。”土壤科学的发展33卷,第349 - 333页,2009年。视图:出版商的网站|谷歌学术搜索
31. h . Hu j .顾z . Zhang et al .,“关系网络为对象检测,”《IEEE计算机视觉与模式识别会议,页3588 - 3597,盐湖城犹他,美国,2018年6月。视图:谷歌学术搜索
32. a Tarvainen和h . Valpola”,意味着教师更好的榜样:weight-averaged一致性目标改善semi-supervised深度学习的结果,”2017年,http://arxiv.org/abs/1703.01780。视图:谷歌学术搜索

版权

版权©2021 Yueping香港et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。