10.3969/j.issn.1009-8518.2023.03.013
融合残差和卷积注意力机制的U-Net网络高分影像道路提取
针对在高分辨率遥感影像中因道路特征模糊或"同谱异物"现象影响,出现局部道路提取缺失和提取错误的问题,提出一种融合残差和卷积注意力机制的U-Net网络高分影像道路提取方法.首先,以U-Net网络为基础,加入改进的残差模块缓解网络训练过程中易出现的网络性能退化问题;然后,嵌入卷积注意力机制模块加强对道路细节特征的深度表征能力;最后通过几何变换对数据集进行合理扩充,增强网络泛化能力.在公开数据集马塞诸塞州数据集(Massachusetts Roads Dataset)和DeepGlobe道路数据集上对模型进行测试,实验结果表明:文章提出的方法在两个数据集上整体精度分别达到97.02%和 98.26%,相比其他模型具有更好的提取效果,对道路特征的深度表征性更强,抗干扰性较好,有效改善了道路提取中出现的错提、漏提现象,显著提高了道路提取的精度和完整性.
道路提取、残差模块、卷积注意力机制、高分辨率遥感影像
44
P237(摄影测量学与测绘遥感)
国家自然科学基金;中国科学院战略性先导科技专项;贵州大学培育项目
2023-06-28(万方平台首次上网日期,不代表论文的发表时间)
共14页
119-132