首页|深度学习支持下的地图图片典型地理目标检测

深度学习支持下的地图图片典型地理目标检测

Detection of typical geographic object in maps based on deep learning

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析.结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级.该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考.

王铮、符校、杜凯旋、刘纪平、车向红

展开 >

浙江省测绘科学技术研究院,浙江杭州311100

中国测绘科学研究院,北京100036

广东省测绘产品质量监督检验中心,广东广州510075

武汉大学资源与环境科学学院,湖北武汉430079

展开 >

地理目标检测 深度学习 卷积神经网络 YOLO网络 RetinaNet网络

国家自然科学基金浙江省自然资源厅科技项目(2022)广东省自然资源厅测绘产品质量监督检验管理系统项目国家重点研发计划

419013792022-52DG-2020-10-05352017YFB050360103

2022

测绘通报
测绘出版社

测绘通报

CSTPCDCSCD北大核心
影响因子：1.027
ISSN：0494-0911
年,卷(期)：2022.(11)
  • 11