融合注意力机制的建筑物提取方法

被引：11

作者：

刘德祥 ^{[1
]}

张海荣 ^{[1
]}

承达瑜 ^{[2
]}

彭正涛 ^{[1
]}

赵安周 ^{[2
]}

机构：

[1] 中国矿业大学环境与测绘学院

[2] 河北工程大学矿业与测绘工程学院

来源：

遥感信息 | 2021年 / 36卷 / 04期

基金：

国家重点研发计划;

关键词：

建筑物提取; 注意力机制; 双向FPN; 多级残差连接; 多尺度;

D O I：

暂无

中图分类号：

P237 [测绘遥感技术]; TP751 [图像处理方法];

学科分类号：

070404 [天体测量学]; 080201 [机械制造及其自动化];

摘要：

针对高分辨率遥感影像中因细节信息繁多导致的建筑物特征提取困难问题,提出了一种融合注意力机制的建筑物提取方法 RSDANet,进一步从复杂的特征中增强有效特征,抑制非有效特征。该方法采用了Encoder-Decoder结构。在Encoder中,设计了一个多级的残差连接块RSD Block和一个双向的FPN结构用于捕获多尺度特征信息,接着使用注意力机制进一步处理多尺度特征,以全局上下文信息为约束条件抑制或增强特征;在Decoder中,使用Skip-Connection把低层特征逐级融合起来,低层特征含有比较丰富的空间信息,更利于提高分割精度。实验研究表明,该方法取得了较好的提取结果,相比于Deeplabv3+方法,MIoU提高了2.24%。

引用

页码：119 / 124

页数：6

共 11 条

[1]

基于编解码网络的航空影像像素级建筑物提取 [J].

陈凯强 ;

高鑫 ;

闫梦龙 ;

张跃 ;

孙显 .

遥感学报, 2020, 24 (09) :1134-1142

[2]

利用U-net网络的高分遥感影像建筑提取方法 [J].

张浩然 ;

赵江洪 ;

张晓光 .

遥感信息, 2020, 35 (03) :143-150

[3]

基于稀疏约束SegNet的高分辨率遥感影像建筑物提取 [J].

张春森 ;

葛英伟 ;

蒋萧 .

西安科技大学学报, 2020, 40 (03) :441-448

[4]

基于实例分割模型的建筑物自动提取 [J].

瑚敏君 ;

冯德俊 ;

李强 .

测绘通报, 2020, (04) :16-20+62

[5]

利用深度残差网络的遥感影像建筑物提取 [J].

刘亦凡 ;

张秋昭 ;

王光辉 ;

李益斌 .

遥感信息, 2020, 35 (02) :59-64

[6]

基于Deeplabv3+与CRF的遥感影像典型要素提取方法 [J].

王俊强 ;

李建胜 ;

周华春 ;

张旭 .

计算机工程, 2019, 45 (10) :260-265+271

[7]

遥感影像建筑物提取的卷积神经元网络与开源数据集方法 [J].

季顺平 ;

魏世清 .

测绘学报 , 2019, (04) :448-459

[8]

BRRNet: A Fully Convolutional Neural Network for Automatic Building Extraction From High-Resolution Remote Sensing Images [J].

Shao, Zhenfeng ;

Tang, Penghao ;

Wang, Zhongyuan ;

Saleem, Nayyer ;

Yam, Sarath ;

Sommai, Chatpong .

REMOTE SENSING, 2020, 12 (06)

[9]

Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning.[J].Ronald Kemker;Carl Salvaggio;Christopher Kanan.ISPRS Journal of Photogrammetry and Remote Sensing.2018,

[10]

SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [J].

Badrinarayanan, Vijay ;

Kendall, Alex ;

Cipolla, Roberto .

IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2017, 39 (12) :2481-2495

← 1 2 →