摘要
建筑物边缘提取对智慧城市建设具有重要的研究意义,采用人工标注建筑物边缘的方法需要消耗大量的人力物力。目前,利用深度学习的方法已经能提取建筑物大致轮廓,但其需要大量的人工标注的精确样本进行训练。因此,文章构建了3个边缘检测数据集并复现了2个经典边缘检测网络RCF和BDCN进行交叉训练测试实验,评估边缘检测模型的可迁移性,为研究构建普适性更强的边缘检测网络提供思路。
The edge extraction of buildings has important research significance for the construction of smart cities.The method of artificially marked the edge of the building requires a lot of manpower and material resources.At present,the method of deep learning has been able to extract the rough outline of the building,but it requires a large number of precise samples of artificially labeled for training.Therefore,this article builds three edge detection data sets and reproduces two classic edge detection network RCF and BDCN for cross-training test experiments,to evaluate the migration of the edge detection model and build a more universal edge detection network for the study.
作者
苏杭
刘佳蕙
Su Hang;Liu Jiahui(Jiangsu Normal University,Xuzhou 221116,China)
出处
《无线互联科技》
2023年第6期106-110,共5页
Wireless Internet Technology
基金
江苏省研究生科研与实践创新计划项目,项目名称:基于深度学习的高分辨率遥感图像边缘提取研究,项目编号:2021XKT0095
江苏省研究生科研与实践创新计划项目,项目名称:电力设施环境AI遥感监测研究,项目编号:KYCX21_2627。
关键词
深度学习
边缘检测
迁移学习
deep learning
edge detection
transfer learning
