利用U型网络的遥感影像建筑物规则化提取

摘要：

针对全卷积神经网络双线性插值及转置卷积算法在高分遥感影像建筑物提取任务中无法准确还原分割对象轮廓的问题,基于Unet网络建立改进的ResNeXt_SPP_Unet全卷积神经网络,并提出改进Douglas Peucker图像后处理算法完成建筑物提取规则化.ResNeXt_SPP_Unet网络重点优化两个方面,一是将Unet中的标准卷积替换为ResNeXt Block,在减少模型运算数量的同时提高网络的分割精度;二是在Encoder末尾阶段引入SPP金字塔池化层,以多尺度特征融合的方式提升对象边缘的分割准确度.经实验对比分析,结果表明在高分遥感影像建筑物提取任务中,改进ResNeXt_SPP_Unet优于Unet等经典分割网络及ResUnet++等前沿分割网络,平均交并比达到了0.8538,平均像素准确率达到了0.9359.最后,将改进的Douglas Peucker算法衔接于ResNeXt_SPP_Unet模型之后,通过增加对建筑物轮廓边缘的旋转及连接等处理操作改进该算法,进一步拟合建筑物真实轮廓,对建筑物的边界进行规则化校正,效果良好.

关键词：建筑物、ResNeXt_Unet、深度学习、GF-2、Douglas Peucker

所属期刊栏目：59

分类号：TP183(自动化基础理论)

资助基金：山西省自然科学基金201901D111052

在线出版日期：2023-04-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：105-116