融合全局和局部特征的建筑物形状智能分类方法

P208; 深度学习方法支持下的建筑物形状认知成为地图制图等领域研究的热点,利用深度学习的特征挖掘能力,可以提取形状的嵌入表示,支撑制图综合、空间查询等应用场景.本文以建筑物数据为例,构建了一种融合全局特征和图节点特征的建筑物形状分类的图谱卷积神经网络模型.首先,在建筑物加权图基础上分别以建筑物4个宏观形状特征、边界顶点的多阶局部和区域结构特征生成形状的融合描述;然后,利用图谱卷积神经网络提取多层次形状信息,通过融合不同层的图表示结果生成特征编码用于形状分类.试验结果表明,相较对比方法,本文方法能够更有效地区分不同建筑物的形状类别,且生成的特征编码具有良好的形状区分度....

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 9; pp. 1842 - 1852
Main Authors 张付兵, 孙群, 马京振, 孙士杰, 温伯威
Format Journal Article
LanguageChinese
Published 智慧中原地理信息技术河南省协同创新中心,河南郑州 450052 16.10.2024
时空感知与智能处理自然资源部重点实验室,河南郑州 450052
信息工程大学地理空间信息学院,河南郑州 450052%信息工程大学地理空间信息学院,河南郑州 450052
61540部队,陕西西安 710054
智慧地球重点实验室,北京 100029%信息工程大学地理空间信息学院,河南郑州 450052
Subjects
building shape classification
建筑物形状分类
特征融合
图分类
feature fusion
graph classifi-cation
shape cognition
graph convolutional neural network
图卷积神经网络
形状认知
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2024.20240040

Cover

More Information
Summary:P208; 深度学习方法支持下的建筑物形状认知成为地图制图等领域研究的热点,利用深度学习的特征挖掘能力,可以提取形状的嵌入表示,支撑制图综合、空间查询等应用场景.本文以建筑物数据为例,构建了一种融合全局特征和图节点特征的建筑物形状分类的图谱卷积神经网络模型.首先,在建筑物加权图基础上分别以建筑物4个宏观形状特征、边界顶点的多阶局部和区域结构特征生成形状的融合描述;然后,利用图谱卷积神经网络提取多层次形状信息,通过融合不同层的图表示结果生成特征编码用于形状分类.试验结果表明,相较对比方法,本文方法能够更有效地区分不同建筑物的形状类别,且生成的特征编码具有良好的形状区分度.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20240040