基于PRCUnet的高分遥感影像建筑物提取

被引：25

作者：

徐佳伟 ^{[1
]}

刘伟 ^{[2
]}

单浩宇 ^{[1
]}

史嘉诚 ^{[1
]}

李二珠 ^{[1
]}

张连蓬 ^{[1
]}

李行 ^{[1
]}

机构：

[1] 江苏师范大学地理测绘与城乡规划学院

[2] 中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室

来源：

地球信息科学学报 | 2021年 / 23卷 / 10期

关键词：

深度卷积神经网络; 高分辨率遥感影像; 建筑物提取; Unet; 池化金字塔; 残差路径; 卷积块注意力机制; 建筑物轮廓优化;

D O I：

暂无

中图分类号：

P237 [测绘遥感技术];

学科分类号：

070404 [天体测量学];

摘要：

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为:(1)基于Unet网络结构,利用金字塔池化模块(Pyramid Pooling Module, PPM)的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;(2)基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。

引用

页码：1838 / 1849

页数：12

共 10 条

[1]

高分遥感影像建筑物轮廓的逐级优化方法 [J].