基于实例分割模型的建筑物自动提取

被引：24

作者：

瑚敏君 ^{[1
]}

冯德俊 ^{[1
]}

李强 ^{[2
]}

机构：

[1] 西南交通大学地球科学与环境工程学院

[2] 四川省地质工程勘察院集团有限公司

来源：

测绘通报 | 2020年 / 04期

基金：

国家重点研发计划;

关键词：

卷积神经网络; 实例分割; Mask R-CNN; 建筑物; 特征提取;

D O I：

暂无

中图分类号：

TP751 [图像处理方法]; TP183 [人工神经网络与计算];

学科分类号：

080201 [机械制造及其自动化]; 140502 [人工智能];

摘要：

传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理,难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型,由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题,本文对实例分割模型Mask R-CNN进行改进,提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先,在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作,以降低上采样造成的混叠效应;然后,在原有掩膜预测结构的基础上增加一个分支,改善掩膜预测的效果;最后,将改进后的网络在建筑物数据集上进行训练。结果表明,本文方法能够准确独立预测每个建筑物顶部,没有目标粘连情况,且mAP值较Mask R-CNN有所提高,能够有效实现遥感影像建筑物精细化提取。

引用

页码：16 / 20+62 +62

页数：6

共 11 条

[1]

基于全卷积神经网络的建筑物屋顶自动提取 [J].

刘文涛 ;

李世华 ;

覃驭楚 .

地球信息科学学报, 2018, (11) :1562-1570

[2]

基于Faster R-CNN深度网络的遥感影像目标识别方法研究 [J].

王金传 ;

谭喜成 ;

王召海 ;

钟燕飞 ;

董华萍 ;

周松涛 ;

成布怡 .

地球信息科学学报, 2018, (10) :1500-1508

[3]

基于卷积网络的遥感图像建筑物提取技术研究附视频 [J].

付发 ;

未建英 ;

张丽娜 .

软件工程, 2018, (06) :4-7

[4]

高分辨率遥感影像的建筑物自动提取 [J].

安文 ;

杨俊峰 ;

赵羲 ;

史玉龙 .

测绘科学, 2014, 39 (11) :80-84

[5]

Automated parameterisation for multi-scale image segmentation on multiple layers.[J].L. Drăguţ;O. Csillik;C. Eisank;D. Tiede.ISPRS Journal of Photogrammetry and Remote Sensing.2014, 100

[6]

Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery [J].

Myint, Soe W. ;

Gober, Patricia ;

Brazel, Anthony ;

Grossman-Clarke, Susanne ;

Weng, Qihao .

REMOTE SENSING OF ENVIRONMENT, 2011, 115 (05) :1145-1161

[7]

Classification of the wildland–urban interface: A comparison of pixel- and object-based classifications using high-resolution aerial photography.[J].Casey Cleve;Maggi Kelly;Faith R. Kearns;Max Moritz.Computers; Environment and Urban Systems.2007, 4

[8]

A fast learning algorithm for deep belief nets [J].