深度残差神经网络高分辨率遥感图像建筑物分割

摘要：

针对高分辨率遥感图像建筑物分割问题,提出一种Encoder-Decoder的深度学习框架,建立输入图像到分割结果之间的端对端的分割模型.其中Encoder以残差网络为基础,自动提取建筑物的特征;Decoder采用反卷积实现对特征图的上采样,从而完成对建筑物的分割;同时引入批量规范化处理,降低了神经网络权重训练过程中的梯度竞争,从而减小了神经网络的训练难度.实验表明:提出的建筑物分割算法能有效提取建筑物的块状特征和边缘信息,降低复杂道路等干扰的影响,提升建筑物的分割精准度,算法对邻近复杂道路的建筑物、规律性建筑物、单体复杂建筑物等3种典型建筑物的分割精度分别为:0.837、0.892和0.630;F值分别为:0.851、0.879和0.730.同时,多分辨率条件下的分割实验结果表明,该算法对于一定范围内的多分辨率遥感图像具有较好的泛化能力.

关键词：高分辨率遥感图像、建筑物分割、深度学习、残差神经网络、批量规范化

所属期刊栏目：34

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金项目61503017、61703287、61573129;航空科学基金项目2016ZC51022

在线出版日期：2019-10-14（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：736-747