面向高分影像建筑物提取的多层次特征融合网络
建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义.现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet).首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取.并与当前主流的UNet、PSPNet(pyramid scene parsing network)、多路径特征融合网络(multi attending path neural network,MAPNet)和 MDNNet(multiscale-feature fusion deep neural networks with dilated convolution)方法进行对比,使用亚米级的武汉大学航空影像数据集、卫星数据集Ⅱ(东亚)与Inria航空影像数据集作为实验数据进行测试,结果发现,所提方法提取出的建筑物更为完整,边界更加精确.
高分影像、建筑物提取、深度学习、多尺度特征、遥感
47
P237(摄影测量学与测绘遥感)
国家自然科学基金42171302
2022-10-20(万方平台首次上网日期,不代表论文的发表时间)
共9页
1236-1244