建筑物形状特征分析表达与自适应化简方法

建筑物化简是地图制图领域关注的热点问题之一。集成不同算法构建形状特征自适应的化简模型是应对建筑物多样化形态的有效策略，但当前相关研究主要从局部结构模式或化简结果评价展开，缺乏对形状结构的整体分析视角和深层次认知。本文提出一种深度学习支持下的形状自适应建筑物化简方法。首先，利用图卷积自编码网络对建筑物形状进行深度认知，提取隐含在边界节点分布中的形状特征并进行编码表达；然后，通过监督学习方法建立形状编码与化简算法之间的映射关系，从而实现依据输入建筑物的形状特征选择适宜化简算法的自适应机制。试验表明，本文方法的化简结果在位置、方向、面积和形状保持指标上总体优于单一算法，具备较好的理论与应用价值。...

Celý popis

Podrobná bibliografie

Vydáno v:	Ce hui xue bao Ročník 51; číslo 2; s. 269 - 278
Hlavní autoři:	晏雄锋, 袁拓, 杨敏, 孔博, 刘鹏程
Médium:	Journal Article
Jazyk:	čínština angličtina
Vydáno:	Beijing Surveying and Mapping Press 01.02.2022 同济大学测绘与地理信息学院,上海200092%武汉大学资源与环境科学学院,湖北武汉430079%华中师范大学城市与环境科学学院,湖北武汉430079
Témata:	Algorithms Cartography Deep learning Machine learning Position measurement Simplification Structural analysis Supervised learning 建筑物化简;形状表达;自适应化简;图卷积编码器
ISSN:	1001-1595, 1001-1595
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!