融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取

针对复杂场景下高分辨率遥感影像中建筑物提取精度低的问题,本文提出了一种融合多特征改进型PSPNet模型,在PSPNet网络的基础上,加入膨胀卷积模块并融合图像的浅层特征。试验结果表明,融合多特征改进型PSPNet模型的预测结果总体精度为95.90%,建筑物提取精度平均为77.77%,均高于其他模型。其在不同场景上的表现有所差异：复杂场景1的预测精度为80.35%;以城中村建筑物为主的场景2的预测精度为75%;以高层建筑物为主的场景3的预测精度为78.11%。因此本模型可有效地提升高分辨率遥感影像中复杂场景下的建筑物提取精度。     

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。     

基于改进型U-Net网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法自动化程度低、过分依赖人工设计的特征,以及现有的深度学习方法中存在的提取精度不高等问题,提出了一种基于改进型U-Net网络的高分辨率遥感影像建筑物提取方法。首先将空洞卷积加入到网络中,利用不同尺度的空洞卷积对来自网络编码部分的结果进行多尺度特征提取;再对提取的特征进行特征融合,并输入到网络的下一层;然后将制作的数据集输入到网络中进行训练;最后利用Softmax得到最终分割结果。在建筑物公开的数据集中进行测试,提取结果的像素精度为96.26%;Iou精度为78.59%、Recall为95.65%,表明该方法具有良好的鲁棒性和精度,能从影像中准确地提取建筑物。     

基于改进U-Net的建筑物集群识别研究

针对U-Net在高分影像建筑物提取中部分建筑物边缘特征易模糊或丢失的问题,提出一种对高分影像建筑物边缘增强,同时对U-Net部分卷积过程进行改进的优化的建筑物提取方法。首先利用域变化递归滤波的方式对建筑物边缘进行增强,将增强后影像输入U-Net神经网络中进行训练;其次为充分利用建筑物在高分影像上丰富的细节特征,尝试在原U-Net结构基础上,从训练图像和标签中提取成对的补丁以增加训练数据,这些补丁进一步加强了正反向深度学习中建筑物高维特征的获取;最后在影像上实现建筑物提取。对辽宁省盘锦市邻接渤海湾地区2017年9月29日高分二号影像建筑物提取实验结果表明,对于包含阴影区域干扰较多的非理想样本数据,用U-Net识别建筑物得到的整体分类精度为75.99%,而改进方法最高整体分类精度可达83.12%,较原U-Net网络精度提高7.13百分点,证明该方法行之有效。     

基于编解码网络的航空影像像素级建筑物提取

建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器，导致精度较低。本文基于编解码结构的卷积神经网络CNN(Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景，实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成，编码子网络对输入图像进行空间分辨率压缩，完成特征提取；解码子网络从特征中提升空间分辨率，完成像素级的建筑物提取。此外，本文使用视野增强FoVE(Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响，并分别在两个建筑物提取标准数据集上的实验表明，编解码卷积神经网络能有效实现像素级建筑物提取，FoVE能有效提高建筑物提取准确率；通过改变预测时切片大小和重叠度，分析其对建筑物提取结果的影响，揭示了FoVE的饱和性。     

膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取

由于农村建筑物结构多样、空间分布复杂等特征,自动提取面临较多困难。针对该问题,本文提出采用膨胀卷积和金字塔池化表达的神经网络模型用于遥感影像中农村建筑物自动提取。在膨胀卷积神经网络模块中,通过改变孔尺寸的大小,获取不同感受野的特征信息;在金字塔表达方面,每个模块输入不同尺度的信息,且同时下采样的倍率也不同,获取多维的金字塔尺度特征;最终将提取的浅层及深层尺度特征信息进行融合,构建一个改进的适用于农村建筑物目标自动提取的深度学习模型。试验结果表明,与FCN-8s和DeepLab模型提取的结果相比,本文方法在农村建筑物提取中表现较好的性能,提取精度明显提高,且更好保留了目标边界细节信息,减少了噪声。     

基于密集卷积神经网络的遥感影像超分辨率重建

针对传统遥感影像超分辨率重建方法依赖同一场景多时相图像序列且需预先配准等缺点,本文提出了一种基于密集卷积神经网络的遥感影像超分辨率重建的方法。该网络直接将低分辨率遥感影像作为网络的初始输入,通过密集卷积神经网络学习影像的高阶表示,获得更具有表达能力的深层特征;同时,在网络中采用并行的1×1卷积滤波器结构,通过该结构减少模型参数;在重建网络中使用亚像素卷积可以更快地实现特征图的重建。在UCMerced_LandUse公共数据集上的实验表明:本文的网络模型提升了传统深度网络的影像重建性能,增强了重建图像的纹理细节并改善影像边缘失真,提升了重建影像的性能。     

基于卷积神经网络的城市水体提取方法研究

针对传统方法在城市水体提取中容易受到建筑物阴影影响和难以精确提取细小水体等问题,提出了一种基于逐像元分类和多尺度分割技术的卷积神经网络遥感水体提取方法。该方法利用像元的光谱特征向量构建光谱特征矩阵,作为卷积神经网络输入特征训练水体提取模型,以多尺度分割结果抑制分类离散点与水体边缘误分现象,进一步提高提取精度。试验结果表明,该方法在细小水体的提取精度和细节上比改进的归一化水体指数算法表现更好,不仅能有效抑制建筑物阴影的影响,还能够有效区分一些相对细小的建筑对象如桥梁等,提取结果边缘也更光滑。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6 WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开。本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法。首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对象的CART决策树消除椒盐现象的同时提取植被区域,并转化为卷积神经网络的输入数据,最后基于Python和Numpy库构建的卷积神经网络模型(RE-CNN)用于影像作物分类及精度验证。有无红边波段的两组分类实验结果表明:在红边波段组,卷积神经网络(RE-CNN)作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,验证了GF-6 WFV红边波段对作物分类的有效性。为GF-6 WFV红边波段影像用于作物的分类研究提供技术参考和借鉴价值。     

空洞卷积U-Net的遥感影像道路提取方法

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.     

端到端堆叠沙漏网络的遥感影像建筑物轮廓重构

针对如何以端到端可训练的方式重构建筑物轮廓的问题,本文提出了一种端到端多残差模块堆叠沙漏网络的建筑物轮廓重构方法。首先,采用多残差模块堆叠沙漏网络提取建筑物角点和边缘特征;其次,利用角点检测模块匹配对应角点的相对位置,以获取候选角点;然后,通过线段采样将候选角点生成候选轮廓线;最后,线验证模块利用候选线段及多残差模块堆叠沙漏网络得到特征图,并验证每个线段是否为建筑物轮廓线,以获得建筑物轮廓重构结果。试验结果表明,在SpaceNet建筑物数据集上,本文方法能检测出建筑物角点及边缘,并有效实现了以端到端可训练的方式重构建筑物轮廓。     

几种具有编解码结构的深度学习模型在建筑物综合中的应用与比较

深度学习技术促使诸多领域研究取得突破性进展, 基于深度神经网络的地图综合研究备受期待。将建筑物综合过程抽象解释为编解码过程, 系统地研究基于编解码结构的深度神经网络在建筑物综合中的应用。首先, 利用空间划分与矢量-栅格数据转换相结合的方式构建样本和样本集; 然后, 利用样本集训练基于编解码结构的深度神经网络, 实现建筑物综合学习泛化并测试、评估其效果; 最后, 搭建5种代表性的基于编解码结构的深度神经网络, 分析比较各模型在建筑物综合中的应用效果。实验结果表明, 基于编解码结构的深度神经网络能够从建筑物综合样本中学习或推理出部分建筑物综合知识和综合操作, 且5种模型中Pix2Pix更适用于建筑物综合的学习模拟。     

空间信息感知语义分割模型的高分辨率遥感影像道路提取

道路信息自动化提取已经成为遥感领域热门的研究方向,而基于深度学习的遥感影像道路信息提取方法已经取得了许多成果。但由于受到网络中卷积和池化等操作的影响,基于深度学习的道路提取方法存在着空间特征和地物细节信息丢失等问题,造成许多误提现象。针对此问题,本文设计了一种改进的道路提取语义分割网络模型,该网络以改进的ResNet网络为主体,并引入坐标卷积和全局信息增强模块,用于增强空间信息和全局上下文信息的感知能力,突出道路边缘特征进而确保道路分类的精确性。本文方法在公开道路数据集和高分数据集上获得了显著的提取效果,与其它方法相比取得了明显提高;并且,在一定程度上减少了树木、建筑阴影等自然场景因素遮挡的影响,可以完整准确地提取出道路;此外,模型对多尺度道路也可以实现有效地提取。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

MS-VSCN:用于影像匹配的多尺度视觉相似度比较网络

影像匹配在多种计算机视觉任务中起着重要的作用。提出一种用于影像匹配的多尺度视觉相似度比较网络。该网络基于孪生网络结构进行构建,将普通卷积与空洞卷积进行融合,使得卷积神经网络在多个尺度上提取到的视觉特征实现互补。首先,网络的输入由两幅待匹配的影像组成,使用权值共享的两个网络分支分别提取两幅影像的深度特征;其次,在网络中与每个普通卷积模块平行设置一个或多个空洞卷积模块,得到的特征经过融合后输入下一个网络层进行特征提取;最后,根据网络输出特征间的欧氏距离对影像的相似度进行比较,从而完成影像匹配关系的判别。实验结果表明,本文提出的方法在测试数据集上的性能优于对比方法,能够有效地完成影像匹配任务。     

基于多重信息融合的高分辨率遥感影像道路信息提取

在高分辨率遥感影像上进行道路提取一直被认为是一项具有重要意义但很困难的工作。尤其一些与道路光谱相近的地物,分类后与道路相互连接,难以区分。基于面状道路和边缘相互验证和辅助的思想,提出一种高分辨率遥感影像上提纯道路信息的方法。该方法首先在面状和边缘两个方面同时提高提取精度,然后由他们之间的逻辑互运算分割道路与非道路对象,并应用有效的形状指数（如：极惯性矩和狭长度指数）刻画和区分道路与非道路面状目标（如楼房等）,最终达到提纯道路的目的。实验结果表明了本文方法在去除非道路目标,提纯道路网络方面的有效性。