基于双模态高效特征学习的高分辨率遥感图像分割

遥感图像因具有丰富的语义信息和空间信息,增加了语义分割的难度。然而已有提取双模态特征的分割方法采用相同的主干网络,没有考虑互补特征的差异,存在特征提取、特征融合和上采样恢复细节信息不足等问题,无法准确高效的学习高分辨率遥感图像信息。因此,本文提出基于双模态高效特征学习的高分辨率遥感图像分割算法。首先,针对不同模态的遥感图像设计合适的编码器,高效的提取双模态特征,并通过交互加强模块减少不同路径特征之间的差异。其次,提出双模态特征聚合模块和深层特征提取模块进一步融合和提取双模态特征,使网络能够充分学习互补信息。最后,提出多层特征上采样模块,利用语义信息丰富的高层特征对细节信息丰富的低层特征进行加权操作,逐步上采样实现特征高效恢复,提升分割性能。实验结果表明,所提算法在ISPRS Potsdam和Vaihingen数据集上的总体精度分别达到了94.52%、90.45%,能够高效的提取并融合高分辨率遥感图像的双模态特征,提高遥感图像分割的准确率。     

基于增强注意力门控U-Net的建筑物提取研究

针对经典深度学习语义分割网络对建筑物提取存在精度较低、边界模糊和小目标识别困难的问题,本文提出一种增强注意力门控的U型网络(advanced attention gate U-Net,AA＿UNet)用于改善建筑物提取的效果,该网络改进经典U-Net的结构,使用VGG16作为主干特征提取网络、注意力门控模块参与跳跃连接、双线性插值法代替反卷积进行上采样.实验采用武汉大学建筑物数据集(WHU building dataset,WHD)对比提出的网络与部分经典语义分割网络的提取效果,并探究网络改进的各个模块对提取效果的影响.结果显示：该网络对建筑物提取的总精度、交并比、查准率、召回率和F1分数分别为98.78%、89.71%、93.30%、95.89%、94.58%,各项评价指标均优于经典语义分割网络,且改进的各个模块有效提高了提取精度,改善了建筑物轮廓不清晰和小目标建筑物破碎的问题,可用于精准提取高分辨率遥感影像中的建筑物信息,对城市规划、土地利用、生产生活、军事侦察等具有指导意义.     

U型卷积神经网络的ZY-3影像道路提取方法

针对经典全卷积神经网络在池化和上采样过程中造成图像分辨率不断下降以及对各个像素进行分类时忽略了像素之间的关系,导致提取道路比较模糊和平滑的问题。该文提出一种基于U型卷积网络的ZY-3道路提取方法。首先,参考医学图像分割领域表现突出的U-Net模型,采用对称式网络结构将低级细节信息与高级语义信息相结合,提高道路的初提取精度;其次考虑到卷积神经网络对百万量级的参数优化程度相对不足,采用集成学习的方法,通过变更权重获得若干个模型进行融合,进一步提升了道路提取的精度;最后,通过使用形态学开运算完成孔洞的去除等工作。实验结果表明,该文方法的提取结果在不同实验区域中平均准确度达到了95%以上,显著优于基于经典全卷积网络模型、基于纹理与形状特征提取道路的方法。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏，使得点云的语义信息提取十分困难，而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题，本文提出了一种结合自注意力机制的多特征融合点云语义分割网络，使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征，并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验，证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征，可以明显提高点云语义分割的精度，本文方法较PointNet++总体精度提升了4.5%。     

Landsat影像冰川提取的上下文感知语义分割网络法

针对冰川提取存在云阴影、山体阴影、结冰湖泊等同物异谱、同谱异物导致难以有效区分的问题,设计了一种用于冰川提取的上下文感知深度学习语义分割网络。首先引入resnet50作为基准编码网络,以实现冰川特征提取的精度和效率平衡,其次针对现有语义分割网络存在上下文信息学习不足方面,设计了包括空洞卷积组块和最大池化组块的上下文信息提取层,以便更好地提取冰川的上下文信息。选择多景样本数据和验证数据的多源遥感影像进行试验,与现有基于特征指数的冰川提取方法、其他深度学习语义分割网络方法进行定性和定量对比,结果表明本文网络方法在结冰湖面等误提取,阴影的漏提取,以及提取结果完整性等方面,具有较好的效果,验证了本文方法的有效性与稳健性。     

一种基于差异注意力的广西耕地“非粮化”提取研究

针对当前耕地“非粮化”监测任务重、传统自动提取方法应用于耕地“非粮化”业务难度大的问题，该文以广西壮族自治区为研究区域，研究深度学习遥感变化检测应用于耕地“非粮化”变化自动提取的可行性，提出基于余弦相似度的差异注意力模块以增强变化内容的特征表示，面向业务应用权衡不同分类阈值下召回率与精确率的优劣。经实验验证，该文模型的召回率、精确率分别约为78%与73%;相较基线方法，该文差异注意力模块可提升约3%的精度；在业务应用中，选择适当的模型分类阈值能够以仅25%的额外核查工作换取1.41%的召回率提升。实验结果表明了深度学习遥感变化检测用于耕地“非粮化”自动提取业务的可行性，为大范围耕地“非粮化”监测的业务应用提供了参考。     

一种结合数字表面模型的建筑物提取方法

以数字表面模型(DSM)影像为辅助,提出了一种结合基于对象和基于知识的建筑物提取方法。首先利用DSM辅助多尺度分割,有助于分割完整的建筑区域;然后利用3种规则进行建筑物提取;最后利用国际摄影测量与遥感学会(ISPRS)标准数据集影像进行实验验证。结果表明,该方法可有效提取建筑物,得到高精度的提取结果,错提率与漏提率分别为6.26%与7.43%。     

无人机遥感影像中农村房屋信息快速提取

针对无人机遥感技术应用中信息提取自动化、智能化不足的问题,提出了一种基于面向对象分割的农村房屋信息提取方法。该方法首先利用双边滤波器滤掉影像中的噪声,然后利用移动均值算法分割影像,最后根据分割后房屋对象的特征建立提取规则,对房屋信息进行提取。实验结果表明,该方法可有效提取无人机遥感影像中的农村房屋信息,平均提取精度约为92%。     

顾及形态特征约束的大范围道路中心线提取算法

针对规则格网分块提取大范围路网(地级城市及以上)中心线算法在分块边界处极容易出现结构严重变形等问题，该文提出了一种顾及形态特征约束的大范围道路中心线分块提取算法。首先，基于道路面数据获取道路边线数据，计算其曲率，探测边线中的平直部分；然后，以边线中的平直部分作为分块基础，建立“转盘法”将大范围道路分割为多个小范围道路；最后，以分割的小范围道路作为处理单元，基于德洛内(Delaunay)三角网分区域进行中心线提取，并在分割边界处进行中心线拟合，完成大范围路网中心线提取，提高了中心线提取的准度和精度。以江苏省某市地理国情普查道路数据进行实验，结果表明，该文方法所提中心线形态均自然、光滑，且效率较规则分块方法提高2.5倍。     

一种新的窗户特征提取方法研究

在建筑物立面重建中,窗户提取、结构识别是学者们研究的热点。针对建筑物特征提取的应用需求,文中提出一种基于局部搜索算法——爬山法的窗户信息提取方法,介绍研究中采用的一些原理、方法,从而可以准确有效地从激光扫描数据中提取出建筑物的窗户信息。利用本方案对地面激光扫描系统获取的建筑物实验数据进行具体的处理,并给出可视化表达结果。     

结合注意力与双分支的高光谱树种分类研究

针对浅层机器学习方法在高光谱树种分类中存在的特征提取困难、泛化能力不足等问题,该文提出了一种基于注意力机制的双分支空谱联合网络,该网络由光谱分支和空间分支组成,在各分支中加入注意力机制对特征进行细化,以提取出更关键特征实现高精度树种分类。实验结果表明,该文提出的网络在3个数据集中均获得了89%以上的分类精度。利用高光谱影像和双分支注意力网络可以实现树种的高精度分类,在森林资源调查和监测中具有较大的潜力。     

改进霍夫变换的枢纽立交桥检测方法

针对传统遥感系统对特定建筑物提取难的问题,该文提出了一种高空摄影系统下基于改进霍夫变换的城市枢纽立交桥检测方法。该方法首先对图像进行预处理和分割,对分割后图像进行形态学处理提取直线和曲线道路,弥补了单一提取直线道路的不足;然后对提取后的道路进行基于改进霍夫变换的近似圆形立交桥匝道的识别;最后依据圆形完整度门限判断可识别的圆形匝道个数,并根据识别数目来判定是否存在立交桥。经过实验比较分析,该方法对于国内外常规的立交桥系统识别效果都较好。     

面向对象的卫星影像积雪信息提取

针对传统基于像元的积雪提取方法的不足,该文以HJ-1B/CCD、IRS遥感影像作为数据源,通过分析HJ-1B影像上的地物特征,提出了先对影像特征合并后进行多尺度分割的积雪提取方法。多尺度分割时,首先将影像分割成多边形对象,然后建立起积雪提取的规则集,进而对积雪信息进行提取。为了验证提取精度,该文对比分析了NDSI方法和本文方法提取积雪的结果,并利用目视解译积雪提取结果定量地进行了精度评价。结果表明:采用本文方法提取积雪具有较高的可靠性和准确性。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

一种基于图卷积的车载视频对象语义分割方法

针对图像语义分割网络(SegNet)在对车载视频分割过程中，因局部特征的丢失造成语义分割精度不高的问题，该文提出一种具有权重系数和图卷积网络的视频分割深度卷积网络(WG-ViSeg)。该网络对SegNet进行改进，在高级特征提取过程中加入图卷积结构，通过扩大节点的感受野减少局部特征的丢失。该网络又利用SE注意力机制改变特征图谱的权重系数进一步提高网络编码能力。对Camvid数据增强验证后结果表明，在满足车载视频对象的快速响应范围内，WG-ViSeg能够很地改善分割过程中出现的碎片化状况，较好地分割出相邻目标对象，对车载视频的整体分割精度达到89.7%,较现有的最优网络提升了5%,尤其对自动驾驶较为重要的车辆、行人等类别的语义分割精度提升了17%。     

结合样本自动选择与规则性约束的窗户提取方法

针对窗户内部结构性与分布规则性等特点,提出了一种结合样本自动选择和分布规则性约束的窗户提取方法。首先,利用模板匹配对选取的单个窗户样本进行拓展,自动选择一定数量的正负样本;其次,利用自动选择的样本对JointBoost分类器进行训练,并对建筑物立面影像进行窗户提取;最后,建立包含窗户走向线、倾向线、兴趣点和相似度4个要素的窗户分布规则性模型,并利用规则性模型约束对提取结果进行优化,得到最终窗户提取结果。在复杂背景、复杂窗户结构及存在透视变形的建筑物影像窗户提取实验中,该方法均有较好的检测率与正确率。     

基于点云分割的激光里程计算法

针对激光里程计算法中存在的信息冗余和离散点干扰问题，本文提出了一种基于点云分割的激光里程计算法.该方法根据机械式激光雷达的水平旋转扫描特点，对点云数据进行扫描线分割并赋予标签，提取物体的边缘点作为线特征、表面点作为面特征.相较于传统的特征提取方法，本文算法能够有效提取具有较少标志性的特征点，同时剔除离散点.该算法在降低计算量的同时提升了定位的精确性和鲁棒性，对于机器人导航任务有着很好的应用前景，并通过计算机仿真验证了该算法的性能，并取得了较好的实验效果.     

基于实例分割模型的建筑物自动提取

传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理，难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型，由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题，本文对实例分割模型Mask R-CNN进行改进，提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先，在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作，以降低上采样造成的混叠效应；然后，在原有掩膜预测结构的基础上增加一个分支，改善掩膜预测的效果；最后，将改进后的网络在建筑物数据集上进行训练。结果表明，本文方法能够准确独立预测每个建筑物顶部，没有目标粘连情况，且mAP值较Mask R-CNN有所提高，能够有效实现遥感影像建筑物精细化提取。     

生成对抗网络框架下的极化SAR图像语义分割

针对DeepLabv3+语义分割网络难以获取极化合成孔径雷达(PolSAR)图像数据分布的问题，该文提出了一种生成对抗网络(GAN)框架下的语义分割方法。其中，GAN的生成器为轻量级复数DeepLabv3+,它能充分提取PolSAR数据的幅度和相位中所蕴含的丰富目标特征，获取精细的语义分割结果；GAN的判别器为实数多分辨卷积神经网络，它和生成器进行对抗学习后，能进一步使得语义分割后的数据分布逼近于真实标签。4个PolSAR数据集的实验结果表明，该文所提方法比DeepLabv3+和轻量级复数DeepLabv3+具有更高的平均交并比、整体精度和平均像素精度。