FPN与Mask R-CNN多任务融合的建筑物边界提取

摘要：

针对目前主流深度学习网络对建筑物边界提取时,存在的边界不准确和内部空洞等问题,该文提出 了将语义分割网络-全卷积神经网络(FPN)和实例分割网络-掩膜区域卷积神经网络(Mask R-CNN)进行有机结合的多任务深度学习框架.该方法旨在实现建筑物的语义分割任务和实例分割任务,首先,使用深度残差网络(ResNet50)和全卷积FPN组成的骨干网络(backbone)进行多层次、多尺度的特征提取.然后,将网络分解为两个任务,一个基于FPN的反卷积语义分割任务,另一个则为利用区域候选网络(RPN)的实例分割任务;进一步分析两种结果的特点,通过规则合并两个任务的提取结果.最后,通过建筑物的面积和周长面积比对结果进行后处理,筛选最终的建筑物并进行边界规则化.结果表明,该文方法可以有效利用不同深度学习任务的优势,其精度优于单独使用FPN和Mask R-CNN网络.

关键词：高分辨率遥感影像、建筑物边界提取、多任务、语义分割、实例分割、深度学习

所属期刊栏目：48

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金;国家自然科学基金;广东省基础与应用基础区域联合基金青年基金项目

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：151-160,180