检索结果-南通市图书馆

武汉大学学报（信息科学版） 2024年第5期49卷 868-878页

作者：张自强刘涛杜萍杨国林兰州交通大学测绘与地理信息学院甘肃兰州730070 地理国情监测技术应用国家地方联合工程研究中心甘肃兰州730070 甘肃省地理国情监测工程实验室甘肃兰州730070

建筑物群组模式的识别是建筑物综合的重要步骤,高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网... 详细信息

建筑物群组模式的识别是建筑物综合的重要步骤,高效的建筑物群组模式识别方法能有效提升地图自动综合的质量。建筑物群组模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性,已成功地应用于建筑物的模式分析。然而,目前使用图卷积进行建筑物群组多模式识别的相关研究较少,且已有的图卷积大多基于谱域图卷积,对空间局部信息考虑不足。引入空间图卷积模型DGCNN(deep graph convolutional neural network)进行建筑物群组的多模式识别,首先聚类建筑物数据形成群组,并构建建筑物群组的几何模型;然后定义建筑物的特征向量,建立建筑物群组的图结构;最后将图结构输入DGCNN模型训练,得到建筑物群组模式。结果发现,该模型在训练集的精度达到97.60%,测试集的精度达到95%,优于谱域图卷积方法,能有效用于建筑物群组模式分类。

关键词：建筑物群组模式识别空间图卷积模型深度学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

图残差神经网络支持下的建筑物群组模式分类

引用

测绘通报 2022年第1期 1-7页

作者：张自强刘涛杜萍锁旭宏杨国林兰州交通大学测绘与地理信息学院甘肃兰州730070 地理国情监测技术应用国家地方联合工程研究中心甘肃兰州730070 甘肃省地理国情监测工程实验室甘肃兰州730070 中交一航局第二工程有限公司山东青岛266071

建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用。建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种。基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工... 详细信息

建筑物作为城市中的重要地物,分析其群组模式对地图综合、导航定位、市政规划等具有重要作用。建筑物群组模式分析目前主要有基于规则的方法和基于机器学习的方法两种。基于规则的方法和基于传统机器学习分类器的方法均需要大量的人工处理过程。近年来兴起的深度学习特别是图卷积神经网络前期无需人工处理,因此提高了建筑物群组模式分析的自动化程度。传统的图卷积神经网络模型在训练深层网络时易出现退化问题,提取深层特征困难。为解决此问题,本文引入了图残差神经网络模型用于建筑物群组的模式分类。首先使用道路和河流等作为约束条件,利用K-means方法对建筑物进行聚类;然后根据Bertin视觉变量计算对应的建筑物特征指标,在每个建筑物群组中以建筑物质心为节点,连接节点的最小生成树作为边,构建建筑物群组图结构;最后将得到的图结构数据输入图残差神经网络进行训练,得到规则和不规则两种建筑物群组模式。试验结果表明,该模型较好地解决了传统图卷积神经网络模型的退化问题,并取得了更高的精度。

关键词：建筑物群组模式分类 GResNet模型机器学习深度学习

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

图卷积神经网络支持下的建筑物群组模式识别

图卷积神经网络支持下的建筑物群组模式识别

引用

作者：张自强兰州交通大学

学位级别：硕士

建筑物是城市空间中的重要地物,是城市结构和功能最重要的组成部分之一。在地理信息科学领域,建筑物的模式识别是建筑物综合的重要步骤;在城市科学领域,分析建筑物的模式能够为城市规划提供参考。建筑物模式的识别目前主要包括几何方法... 详细信息

建筑物是城市空间中的重要地物,是城市结构和功能最重要的组成部分之一。在地理信息科学领域,建筑物的模式识别是建筑物综合的重要步骤;在城市科学领域,分析建筑物的模式能够为城市规划提供参考。建筑物模式的识别目前主要包括几何方法和传统的机器学习方法两种,存在规则定义复杂、特征工程庞大等缺点。图卷积神经网络方法克服了传统方法的局限性,已成功地应用于建筑物的模式分析。然而,目前用于建筑物模式分析的图卷积神经网络模型比较单一,大多基于谱域方法,且层数较少,存在计算复杂、计算效率低的问题,且基于图卷积模型的建筑物群组多模式识别研究较少。针对以上问题,本文利用不同的图卷积神经网络模型分类建筑物群组模式,旨在探索图卷积神经网络分析建筑物群组模式的更多可能性,为地图自动综合提供新的思路。本文的研究内容主要包括:(1)基于谱域模型的建筑物群组模式识别:目前识别建筑物群组模式的图卷积神经网络大多基于浅层的谱域模型,层数一般不超过五层,无法提取深层信息。因此将现有卷积神经网络领域的深度化策略扩展到图卷积神经网络领域,引入残差连接,提出了图残差神经网络模型来分类建筑物群组的模式,并通过实验比较图残差神经网络模型和经典的图卷积神经网络模型。此外,由于图卷积神经网络模型在不同图结构上的泛化能力较弱,且对于不同的邻域,无法指定各自的权重,模型的训练效率有所降低。因此在图残差神经网络模型上加入了注意力机制,用于建筑物群组模式的分类。实验结果表明,残差学习能够提高网络的表征能力,能较好地解决网络的退化问题;而注意力机制提高了模型提取特征的能力,进一步增强了模型的性能。(2)基于空域模型的建筑物群组模式识别:针对于建筑物群组模式的多分类问题,将建筑物群组模式分为线型、格网型和不规则型三种,使用不同的图卷积神经网络模型识别建筑物群组的多模式。由于谱域图卷积神经网络模型有计算复杂、计算效率低的问题,因此将空间图卷积神经网络模型应用于建筑物群组模式的分类中。实验结果表明,空域模型相比谱域模型具有更好的性能,能够进一步提高建筑物群组模式分类的精度,且训练时间大幅度减少。

关键词：建筑物群组模式识别图卷积神经网络地图综合深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

线型分布建筑物群的识别和典型化方法研究

线型分布建筑物群的识别和典型化方法研究

引用

作者：王正阳长安大学

学位级别：硕士

地图是表达和传递地理信息的重要载体,已由传统纸质发展为数字地图的形式。自动制图综合一直是地图学领域研究的重要内容之一,并且也是瓶颈问题之一。作为制图综合的重要算子,典型化便是用较少的元素代替原始元素,同时保留其空间分布特... 详细信息

地图是表达和传递地理信息的重要载体,已由传统纸质发展为数字地图的形式。自动制图综合一直是地图学领域研究的重要内容之一,并且也是瓶颈问题之一。作为制图综合的重要算子,典型化便是用较少的元素代替原始元素,同时保留其空间分布特征。现实生活中的建筑物群具有形态各异的分布特征,而线型分布的建筑物群是最常见和最基础的分布类型,如何对线型分布的建筑物群组进行识别和典型化是制图综合中关注的重点之一。线型分布模式有众多类型,本文针对广泛线型分布的建筑物群,研究其具有更加普适性和通用性的识别方法,并针对广泛线型分布调整典型化策略,以解决建筑物制图综合中的空间冲突和信息冗余等问题。本文主要的研究内容如下:(1)研究基于局部异常因子(Local Outlier Factor,LOF)的线型分布建筑物群组识别方法。线型分布有多种类型,针对既有建筑物群线型分布模式识别方法通用性不强的问题,本文提出新的识别策略。对线型分布建筑群组分类前,计算邻近距离并构建邻近图,基于尺寸、形状和方向三个层面选取特征因子与邻近距离构建空间关系向量,沿空间邻近图利用局部异常因子算法对建筑物群组进行“粗聚类”,再根据建筑物群组的趋势方向增量分布情况对不同类型的线型分布进行“细划分”;根据“粗聚类”和“细划分”结果将线型分布建筑物群组分为强线型分布和弱线型分布两种。实验结果表明,本文提出的方法可以有效识别广泛线型分布的建筑物群组,其结果可以作为典型化操作的基础。(2)在分析建筑物群广泛线型分布特点的基础上改进典型化策略。在确定建筑物群组典型化约束条件的基础上,将典型化操作分解为“消融”、“重构”和“移位”的过程。首先判断线型分布建筑物群组是否需要典型化操作,其次对需要进行典型化操作的建筑物群组进行符号化,确定典型化后需要保留的建筑物数量,并拆分复杂线型分布模式分别进行典型化。根据典型化算子对建筑物群进行典型化,典型化后对建筑物进行冲突检测与消除。实验表明,本文改进的方法可以在缩减群组内建筑物数量的同时,维持线型分布建筑物群的整体空间分布特征,最终达到了对线型分布建筑物群组的典型化要求。

关键词：建筑物群组线型分布模式识别典型化局部异常因子

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：