基于图顶点深度聚类的建筑物合并方法

P283; 建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段.基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性.针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用 自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并.试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征.合并过程具有一定灵活性,合并结果能较好满足地图可...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 4; pp. 736 - 749
Main Authors 陈占龙, 鲁谢春, 徐永洋
Format Journal Article
LanguageChinese
Published 中国地质大学(武汉)计算机学院,湖北武汉 430078 13.05.2024
国家地理信息系统工程技术研究中心,湖北武汉 430078
中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074
国家地理信息系统工程技术研究中心,湖北武汉 430078%中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430078
Subjects
自监督学习
cartographic generalization
地图综合
图神经网络
self-supervised learning
建筑物合并
building aggregation
graph neural network
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2024.20230316

Cover

More Information
Summary:P283; 建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段.基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性.针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用 自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并.试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征.合并过程具有一定灵活性,合并结果能较好满足地图可视化要求.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20230316