Page 138 - 土木工程的测绘技术与应用研究

Research on Surveying and Mapping Technology and Application in Civil Engineering
土木工程的测绘技术与应用研究

同的建模场景中各有优势：表面模型生成方法基于点云和过程化生成网络，主要
应用于视觉场景的建模生成过程；模式匹配生成方法将遥感地图中的不同位置轮
廓信息与数据库中已知的建筑结构相匹配，之后再将拆分的子结构组装起来形成

建模构图；3D-PCG 方法将三维建模中的建筑生成工作抽象为二维地表网络的结
构化运算，其建模能力更强、渲染效果更好。近年来，基于多源数据融合的三维
建模成为主流研究方向，常见的融合建模方法主要结合航空摄影技术或地面近景
摄影技术。

3. 变化检测
遥感图像的变化检测利用卫星拍摄的遥感影像监测地表发生的变化，在定位
变化区域的同时还能识别变化的类型。目前变化检测已经广泛应用于自然灾害评
估、监测违章搭建等领域。传统的变化检测算法包括像素级和对象级的直接比较

法和分类后比较法等。
基于人工智能的遥感图像变化检测方法可以分为基于度量学习的方法和基于
分类的方法。基于度量学习的方法借助深度神经网络产生不同时期遥感影像差值
图，再设定合适的阈值进行分割。基于分类的方法将变化检测看作像素级的分类

问题，如 DeepLabv3 和 DeepLabv3+ 在全卷积网络（fully convolutional network，
FCN）的基础上引入空洞金字塔池化模块增大感受野，并在神经网络末端引入条
件随机场进行优化，提高了分类精度。近期，Fu 等提出了一种 H-BIT 遥感影像
变化检测方法，通过 HRNet 融合高分辨率和高语义信息，整合特征向量与语义

特征输出强化特征，取得了很好的检测效果。
4. 语义分割
遥感图像的语义分割就是为每个像素赋予类别标签，把不同类型的地物、物
品提取出来的过程，广泛应用于城市规划、智能地图、智慧城市等领域。传统的

语义分割方法有 k 均值（k-means）、支持向量机、随机森林、决策树等。基于深
度学习的遥感图像语义分割方法大体可以概括为 3 类：基于全卷积神经网络、基
于编码阶段与解码阶段的网络模型和基于 DeepLab 系列的网络模型。其中效果最
好的是基于 DeepLab 系列的模型，该系列模型创新性地引入条件随机场对语义分

割的结果进行处理，使得图像分割的边缘变得平滑，细节变得突出，输出效果相
较前两种方法有了很大的提升。2022 年，Su 等提出通过深度多特征学习的方法对
高分辨率遥感图像进行语义分割，在 Potsdam 数据集上的准确率达到 91.91%。

126