TY -的A2 -拉萨罗,安东尼奥盟——Nahhas栓哈米德盟——Shafri希勒米z . m . AU - Sameen马赫易卜拉欣AU -普拉丹,Biswajeet盟——Mansor Shattri PY - 2018 DA - 2018/08/05 TI -深度学习方法构建检测使用LiDAR-Orthophoto融合SP - 7212307六世建筑- 2018 AB -本文报告基于深度学习的检测方法(DL)使用的融合光探测和测距数据和正投影(激光雷达)。该方法利用基于对象的分析来创建对象,一个特性融合、一个autoencoder-based降维将低级特性转换成压缩特性,和一个卷积神经网络(CNN)将压缩特性转换成高级特性,它被用来分类对象为建筑和背景。该建议的体系结构是优化的网格搜索方法,及其对hyperparameters的敏感性进行了分析和讨论。该模型评估在两个数据集从市区选择不同的建筑类型。autoencoder结果表明,该降维的方法从21特性到10特性可以提高检测精度从86.06%到86.19%在工作区域和测试地区从77.92%降至78.26%。敏感性分析也显示,选择hyperparameter值模型的显著影响检测的准确性。模型的最佳hyperparameters 128过滤器在CNN模型中,Adamax优化器,10单位在CNN完全连接层模型中,一批大小8,0.2的辍学生。这些hyperparameters提高模型的泛化能力的关键。此外,比较实验与支持向量机(SVM)表明,该模型有或没有降维优于支持向量机模型在工作区域。然而,支持向量机模型实现精度测试区域比该模型没有降维。 This study generally shows that the use of an autoencoder in DL models can improve the accuracy of building recognition in fused LiDAR–orthophoto data. SN - 1687-725X UR - https://doi.org/10.1155/2018/7212307 DO - 10.1155/2018/7212307 JF - Journal of Sensors PB - Hindawi KW - ER -