TY -的A2 -香港,sang hoon AU -李,Dae捷安公司AU - Shin,年轻的Ha盟——李,Dong-Cheon PY - 2020 DA - 2020/09/12 TI -土地覆盖分类用SegNet斜率,方面,和多向阴影救济图像来自数字表面模型SP - 8825509六世- 2020 AB -大多数对象检测,识别,并利用光学成象进行分类。由于可见光谱从物体表面反射光的范围有限，图像无法完全代表真实世界。在这方面，来自其他数据源的物理和几何信息将弥补光学图像的局限性，并为深度学习模型的训练带来协同效应。在本文中，我们提出了基于卷积神经网络(CNN)的SegNet模型，利用三维地理空间数据，包括红外(IR)正射影像、数字表面模型(DSM)和派生信息进行地形特征分类。坡度、坡向和阴影地形图像(SRIs)来自DSM，并用作DL模型的训练数据。实验使用了由德国摄影测量、遥感和地理信息学会(DGPF)通过国际摄影测量和遥感学会(ISPRS)提供的Vaihingen和Potsdam数据集进行。数据集包括红外正射影像、DSM数据、机载激光雷达数据和标签数据。利用3D数据和派生信息来训练DL模型的动机是真实世界的物体是3D特征。实验结果表明，所提出的利用和整合各种信息特征数据的方法可以提高DL的语义分割性能。 In particular, the accuracy of building classification is higher compared with other natural objects because derived information could provide geometric characteristics. Intersection-of-union (IoU) of the buildings for the test data and the new unseen data with combining all derived data were 84.90% and 52.45%, respectively. SN - 1687-725X UR - https://doi.org/10.1155/2020/8825509 DO - 10.1155/2020/8825509 JF - Journal of Sensors PB - Hindawi KW - ER -