基于多任务学习的高分辨率遥感影像建筑实例分割
针对基于深度神经网络的高分辨率遥感影像建筑物提取算法中将建筑物提取视为二分类问题(即将遥感影像中的像素点划分为建筑物与非建筑两类)而无法区分建筑物个体的局限性,将基于 Xception module 改进的 U-Net 深度神经网络方法与多任务学习方法相结合进行建筑物实例分割,在获取建筑物二分类结果的同时,区分不同建筑物个体,并选择 Inria 航空影像数据集对该方法进行验证.结果表明,在高分辨率遥感影像的建筑物二分类提取方面,基于 Xception module 改进的 U-Net 方法明显优于 U-Net 方法,提取精度升高 1.4%;结合多任务学习的深度神经网络方法不仅能够实现建筑物的实例分割,而且可将二分类建筑物的提取精度提升约 0.5%.
多任务学习、建筑物提取、深度神经网络、实例分割
55
国家重点研发计划2017YFB0503905
2019-12-18(万方平台首次上网日期,不代表论文的发表时间)
共11页
1067-1077