焦利伟，张 敏，麻连伟，秦建辉

(1.河南省煤田地质局物探测量队，河南 郑州 450009；2.河南省地质物探工程技术研究中心，河南 郑州 450009；3.河南理工大学 工商管理学院，河南 焦作 454003)

随着计算机技术的快速发展，计算机的计算能力有了很大的提升。此外,借助于大数据的兴起、遥感影像分辨率的提升，多种大规模的数据集也相继出现,这些都为深度学习的成熟提供了土壤。传统的信息提取方法对影像信息的利用不足，多是基于影像的底层特征如光谱特征、纹理特征、几何特征等[1-2]，特征选择相对单一，容易存在“同物异谱、异物同谱”现象。学者NEVATIA 等[3]利用建筑物的直线和角点等几何特征进行建筑物的提取；于书媛等[4]以高分一号影像为数据源，采用面向对象的 CART 决策树算法进行建筑物提取，相较于传统的决策树方法，精度有了一定提高；秦梦宇等[5]利用决策树的J48算法进行高分影像的建筑物提取，首先利用多尺度分割选取最优分割尺度，获得影像对象，然后利用特征空间优选工具得到最优特征子集，最后与传统的信息提取方法进行对比；林雨准等[6]提出了一种综合影像的光谱、形状、空间、纹理多特征融合的方法进行高分影像建筑物分级提取，首先利用建筑物指数和形状特征提取完整的矩形建筑物目标，在此基础上利用光照方向和阴影特征对已选建筑物进行筛选，然后建立概率模型进行建筑物提取。这些传统的方法虽然能够提取出建筑物信息，但提取的精度不高。……