卷积神经网络支持下的低空摄影测量DEM修补.pdf

摘要中的内容介绍了一种利用卷积神经网络进行低空摄影测量DEM（数字高程模型）自动修补的方法。针对低空摄影测量DEM生成过程中通常需要大量人工后处理的问题，该研究结合深度学习算法，提出了一种新的自动化解决方案。具体步骤包括构建卷积神经网络模型来识别需要修补的区域，通过高差能量衰减函数选取最佳关联高程数据集，并采用抗差径向神经网络进行高程曲面拟合以修复目标区域的高程值。 卷积神经网络（CNN）是一种在图像处理和计算机视觉领域广泛应用的深度学习模型，它能够自动学习图像的特征，适用于图像分类和识别任务。在这个场景下，CNN被用来识别低空遥感影像中的DEM缺陷区域，这有助于提高识别的准确性。 深度学习是机器学习的一个分支，它通过多层非线性变换对数据进行建模，能够在大规模数据上自动学习复杂特征。在本文中，深度学习算法被用于识别和修复DEMs，提高了自动化程度。 高差能量衰减函数在确定最佳关联高程数据集时起到关键作用，它可以帮助找到与目标区域最匹配的数据，以更准确地估计缺失的高程信息。 径向基函数网络（RBF网络）是一种常用的神经网络，尤其适合于非线性函数的拟合。在本研究中，抗差RBF网络用于高程曲面拟合，可以有效地修复目标区域的高程值，提供平滑且准确的DEM修复结果。 实验表明，这种方法可以达到与人工后处理相当的精度，并显著提高了DEM修补的自动化程度，减少了人力成本，提升了工作效率。该方法对于提升低空摄影测量在地形分析、地理信息系统和环境监测等领域的应用具有重要意义。 关键词：卷积神经网络、深度学习、卷积层、反向传播、径向神经网络 这篇论文介绍了一个利用深度学习技术，特别是卷积神经网络，来解决低空摄影测量中DEM自动修补问题的方法。通过构建特定的CNN模型，结合高差能量衰减函数和抗差RBF网络，能够有效识别并修复DEMs的不完整或错误部分，提高了整个过程的自动化水平和精度。这种方法对于提高低空摄影测量的效率和准确性具有显著价值。