编辑推荐：
本研究针对传统建筑形状识别方法复杂度高、准确率低的问题，提出改进的ZFNet模型。通过移除第五层卷积、添加批量归一化层、调整激活函数和卷积核尺寸，在保持轻量架构的同时显著提升性能，验证集准确率达98.53%，优于14种对比模型，尤其在特征保留方面表现优异。
摘要
维护在不同级别的地图概括中的建筑物形状对于保持空间准确性和可读性至关重要。差异化的地图概括算法可以实现更高的形状保持性能，而这些算法需要精确的建筑物形状识别的有力支持。基于模板匹配的传统建筑物形状识别方法通常存在复杂性高、准确性低和泛化能力差的问题。同时，现有的基于卷积神经网络（CNN）的方法缺乏针对建筑物特征优化的网络结构，导致分类性能有限。为了解决这些挑战，本研究提出了一种改进的基于ZFNet的分类方法，该方法专门为单通道建筑物图像设计，这类图像通常具有规则的几何形状和简单的特征表示。为了降低复杂性并避免过拟合，该模型通过移除原始ZFNet的第五个卷积层来简化其结构。在每个卷积层之后添加了批量归一化层，优化了核大小，并调整了激活函数以提高性能。实验结果表明，改进后的ZFNet在验证集上的准确率达到98.53%，优于14个对比CNN模型。消融实验证明了所提出的结构改进对ZFNet的有效性。此外，除了T形和L形之外，它在大多数形状类别上均表现出更高的F1分数，同时保持了更轻量级的架构和更低的计算成本。与两种变体的图卷积神经网络（GCN）相比，所提出的方法也展示了更好的模型性能，为解决建筑物合成中的关键挑战（如特征保持）提供了坚实的基础。
