面向多源数据地物提取的遥感知识感知与多尺度特征融合网络
遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义.近年来,使用全卷积神经网络(fully convolutional networks,FCN)从高分影像和三维激光雷达(light detec-tion and ranging,LiDAR)数据中提取地物信息因取得了较好效果而受到广泛关注.现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络(knowledge-aware and multi-scale feature fusion network,KMFNet).在网络编码器端融入遥感知识感知模块(knowledge-aware module,KAM),高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞 卷积模块(series-parallel hybrid convolution module,SPHCM),提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果.基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比.实验结果表明,所提方法提取出的地物更为完整,细节更加精确.
高分影像、三维激光雷达、地物提取、全卷积神经网络、遥感知识、多尺度特征
47
P237(摄影测量学与测绘遥感)
国家自然科学基金;国家自然科学基金
2022-11-30(万方平台首次上网日期,不代表论文的发表时间)
共9页
1546-1554