基于多模型融合的遥感房屋提取

摘要：

针对深度学习在遥感影像的房屋提取过程中,存在房屋边缘提取不完整,轮廓存在粘连、未闭合等问题,提出了一种UNet+ResNet-UNet+HDC-UNet多模型融合的方法,并在UNet的基础上进行改进,保留了UNet的主体网络结构,替换Backbone为ResNet和HDC,构建了ResNet-UNet 以及HDC-UNet两个模型.分别选用UNet、ResNet-UNet 以及HDC-UNet 3 个模型对房屋进行特征提取.根据模型在验证集上的评估准确率对模型进行加权融合,得到UNet+ResNet-UNet+HDC-UNet融合模型.最终使用融合模型完成对遥感影像房屋的提取.结果显示,在多场景高分辨率的自建遥感房屋数据集上,UNet+ResNet-UNet+HDC-UNet融合模型分割结果良好,边缘提取完整,而且在精确度、召回率、F1-score 3 个指标上分别达到 94.8%、82.5%、88.6%,均优于单个网络的提取精度.

关键词：遥感影像、房屋提取、ResNet-UNet、HDC-UNet、多模型融合

所属期刊栏目：46

分类号：P237(摄影测量学与测绘遥感)

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：81-84