基于深度学习的地图线性要素走向判定方法

蒋巍; 张淑霞; 马小燕; 薛青

您当前的位置：

首页 >

文章列表页 >

基于深度学习的地图线性要素走向判定方法

更新时间：2026-02-25

- 基于深度学习的地图线性要素走向判定方法
- Vol. 22, Issue 4, Pages: 26-29(2024)
- 作者机构：
  
  宁夏回族自治区自然资源成果质量检验中心
- 作者简介：
- 基金信息：
- DOI：
  CLC： TP18;P28
- Published：2024
- 稿件说明：
移动端阅览
蒋巍, 张淑霞, 马小燕, et al. 基于深度学习的地图线性要素走向判定方法[J]. 2024, 22(4): 26-29.
DOI：

蒋巍, 张淑霞, 马小燕, et al. 基于深度学习的地图线性要素走向判定方法[J]. 2024, 22(4): 26-29. DOI：

摘要

地图审图作为问题地图发现的手段，目前仍基于人工目视审查，审图人员专业要求高、劳动强度大、审图效率低和审图规则种类缺失的突出问题亟待解决。采用基于深度学习的地图线性要素提取与走向判定方法，提取并审查了宁夏回族自治区行政区划图中宁夏自治区界和清水河的走向，并利用模型评价指标对判定结果做精度评价。其中，准确率（Pixel Accuracy

PA）最小值91.86%出现在宁夏回族自治区界线性要素走向判定，召回率（Recall）最小值85.42%出现在清水河线性要素走向判定。实验结果表明该方法支持可定制的线性要素走向审图规则，为人工目视审图中线性要素走向存在的上述问题提供了准确且高效的解决方法。

Abstract

关键词

Keywords

references

孙涵,刘译善,林昱涵.基于深度学习的显著性目标检测综述[J].数据采集与处理,2023(01).

卢宏涛,罗沐昆.基于深度学习的计算机视觉研究新进展[J].数据采集与处理,2022(02).

王振奇,邵清,张生,杨振,何国春.融合U-Net改进模型与超像素优化的语义分割方法[J].数据采集与处理,2021(06).

郑冰清,刘启汉,赵凡,张小国,王庆.一种融合语义地图与回环检测的视觉SLAM方法[J].中国惯性技术学报,2020(05).

Yin Congcong,Zhang Qiuju,Ren Wenqiang.A New Semantic Edge Aware Network for Object Affordance Detection[J].Journal of Intelligent & Robotic Systems,2021.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于深度特征聚合网络的高分辨率遥感图像语义分割

运用U-Net++模型的遥感影像多尺度云检测

基于Transformer的成都市地物分类技术

基于深度卷积神经网络的遥感图像船只识别

结合局部与全局特征的点云语义分割卷积网络

Related Author

赵斌

王乾

王顺

陈小月

林中杰

周渝

么嘉棋

刘琦

Related Institution

广州市市政工程设计研究总院有限公司

山东黄金集团蓬莱矿业有限公司

上海勘测设计研究院有限公司

成都锦江电子系统工程有限公司

天津师范大学京津冀生态文明发展研究院

AI问答

⁰