基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为：① 基于Unet网络结构,利用金字塔池化模块 (Pyramid Pooling Module, PPM )的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;② 基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。     

融合网格注意力阀门和特征金字塔结构的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络（AFP-Net）可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。     

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型。该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型。与U-Net和ResUnet模型相比,DAFCResUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影遮挡等造成的道路空洞、误提和漏提现象。     

基于MAEU-CNN的高分辨率遥感影像建筑物提取

从高空间分辨率图像（HSRI）中提取建筑物信息在遥感应用领域具有重要意义。然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务。特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大。为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物。所设计的网络称为MAEU-CNN（Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint）。首先,在设计的网络编码部分加入多尺度特征融合（MFF）模块,使网络能够更好地聚集多个尺度特征。然后,在编码器和解码器部分之间添加了多尺度特征增强模块（MFEF）,以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息。在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物。最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络中以优化提取的建筑物边界,最终获得精确边界的建筑物信息。MAEU-CNN在ISPRS Vaihingen语义标记数据集和WHU航空影像数据集2种不同尺度建筑物数据集上进行了试验分析,在ISPRS Vaihingen语义标记数据集上,MAEU-CNN在精度、F1分数和IoU指标中获得了最高精度,分别达到了93.4%、93.62%和88.01%;在WHU航空影像数据集上,召回率、F1分数和IoU指标中也获得了最高精度,分别达到了95.45%、95.58%和91.54%。结果表明,本文所提出的MAEU-CNN从遥感图像中提取建筑物信息精度较高,并且对于不同尺度具有较强的鲁棒性。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

利用基于残差多注意力和ACON激活函数的神经网络提取建筑物

针对目前主流深度学习网络模型应用于高空间分辩率遥感影像建筑物提取存在的内部空洞、不连续以及边缘缺失与边界不规则等问题,本文在U-Net模型结构的基础上通过设计新的激活函数（ACON）、集成残差以及通道-空间与十字注意力模块,提出RMAU-Net模型。该模型中的ACON激活函数允许每个神经元自适应地激活或不激活,有利于提高模型的泛化能力和传输性能;残差模块用于拓宽网络深度并降低训练和学习的难度,获取深层次语义特征信息;通道-空间注意力模块用于增强编码段与解码段信息的关联、抑制无关背景区域的影响,提高模型的灵敏度;十字注意力模块聚合交叉路径上所有像素的上下文信息,通过循环操作捕获全局上下文信息,提高像素间的全局相关性。以Massachusetts数据集为样本的建筑物提取实验表明,在所有参与比对的7个模型中,本文提出的RMAU-Net模型交并比与F1分数2项指标最优、查准率和查全率两项指标接近最优, RMA-UNet总体效果优于同类模型。通过逐步添加每个模块来进一步验证各模块的有效性以及本文所提方法的可靠性。     

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。     

基于光谱-空间残差网络模型的高光谱遥感图像分类

残差网络是近几年提出的一种新型深度卷积网络,通过增加网络深度提高分类的准确率,也解决了网络退化问题。基于残差学习原理,设计了针对高光谱遥感图像分类的光谱-空间残差网络模型。首先,将原始高光谱遥感数据三维立方体输入网络模型,并使用特定的卷积核对光谱特征进行降维;然后,利用光谱残差模块和空间残差按模块分别且连续地学习光谱和空间特征;最后,对提取到的特征进行池化操作并分类。此外,为规范训练数据和防止过拟合,学习过程中使用了批量归一化和dropout的方法。所设计网络模型在Indian Pines和Pavia U数据集上进行了验证实验,结果表明,所提方法有效地缓解了网络退化的问题,且在分类精度上也高于支持向量机、卷积神经网络等现有算法。     

POI辅助下的高分辨率遥感影像城市建筑物功能分类研究

城市建筑物是城市的重要组成部分,对城市建筑物进行功能分类可以为城市功能区划分提供有利依据,辅助政府部门对城市规划、土地利用、资源、人口等方面的分布与分配进行管理与决策,有助于推进城镇化建设的可持续发展。仅利用目前的遥感分类技术难以对高分辨率遥感影像的城市建筑物信息进行功能分类,然而将遥感、互联网兴趣点（Point of Interest, POI）数据以及GIS技术有效地结合在一起,可以更为细致地分析城市信息,不仅实现了建筑物功能分类,而且提高了分类的准确率与可信度。本文首先选取卷积神经网络（Convolutional Neural Networks, CNN）方法对高分辨率遥感影像数据进行建筑物提取;然后,对POI数据的城市商服、公建和住宅用地进行核密度分析;最后分别统计每个建筑物3种用地的核密度平均值,并将该值设置为此建筑物的属性值,并结合POI数据的实际情况选择具有最佳功能分类精度的属性值作为阈值提取3种用地信息,从而完成不同功能的城市建筑物分类。精度评价结果表明,该方法对3种用地的提取效果良好,分类精度达到86%以上。     

结合模糊度和形态学指数约束的深度学习建筑物提取

基于高分辨率遥感影像的建筑物提取一直是研究的热点问题,深度学习的深层次特征提取方法,非常适合高分辨率影像中建筑物的提取,但使用深度学习提取建筑物时,大多以改变网络结构为主进行算法优化,很少与其他方法结合。本文研究在改进深度学习网络结构的基础上,结合影像模糊度约束增强、形态学建筑指数约束增强等方法,对建筑物提取方法进行更全面更有针对性的改进。本文主要改进内容为：① 提出PwDeepLab网络,该网络基于DeepLab v3+网络结构,在特征融合方式和损失函数等方面进行了改进。② 提出模糊度约束方法,在固定影像块大小的情况下,通过影像模糊度约束对影像进行上采样增强。③ 提出形态学指数约束方法,通过形态学建筑物指数（MBI）约束范围拉伸增强的方法,在较少改变原始影像特征的情况下,突出建筑信息。本文在Massachusetts数据集和武汉大学的Satellite Dataset Ⅱ(East Asia) 数据集上进行验证, 2个数据集的主要建筑类型存在较大区别。本文提出的方法在2个数据集上的精度相对于DeepLab v3+分别提高了10.9%和3.8%,相对于U-Net分别提高了10.0%和9.6%。实验结果表明本文提出的方法对建筑物提取效果有明显提升,且具有很好的鲁棒性和通用性。     

基于特征增强和ELU的神经网络建筑物提取研究

近年来,城市发展快速,大量人口奔向城市工作生活,城市建筑物的数量有如雨后春笋般扩张,需要合理地规划城市土地资源,遏制违规乱建现象,因此基于高分辨率遥感影像,对建筑物进行准确提取,对城市规划和管理有着重要辅助作用。本文基于U-Net网络模型,使用美国马萨诸塞州建筑物数据集,对网络模型结构进行探究,提出了一种激活函数为ELU、“编码器-特征增强-解码器”结构的网络模型FE-Net。实验首先通过比较不同网络层数的U-Net5、U-Net6、U-Net7的建筑物提取效果,找到最佳的基础网络模型U-Net6;其次,基于该模型,加入特征增强结构得到“U-Net6+ReLU+特征增强”的网络模型;最后,考虑到ReLU容易产生神经元死亡,为优化激活函数,将激活函数替换为ELU,从而得到网络模型FE-Net（U-Net6+ELU+特征增强）。比较3个网络模型（U-Net6+ReLU、U-Net6+ReLU+特征增强、FE-Net（U-Net6+ELU+特征增强））的建筑物提取结果,表明FE-Net网络模型的建筑物提取效果最好,精度放松F1值达到97.23%,比“U-Net6+ReLU”和“U-Net6+ReLU+特征增强”2个网络模型分别高出0.36%和0.12%,且与其他具有相同数据集的研究成果比较,具有最高的提取精度,它能较好地提取出多尺度的建筑物,不仅对小尺度建筑物有较好的提取效果,而且能大致、较完整地提取出形状不规则的建筑物,有相对更少的漏检和错检,较准确地实现了端到端的建筑物提取。     

基于多任务学习的高分辨率遥感影像建筑提取

建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。     

基于高分辨率遥感目标特征库的地震灾情快速评估方法

高分辨率遥感影像已逐步成为地震灾害快速评估的主要数据源之一,但现有的遥感地震灾害信息提取方法存在对研究人员目视解译经验依赖性强和利用高分辨率影像提取结果精度不高的问题。因此,本文提出了一种基于目标特征库的高分辨率遥感灾害信息快速提取方法,用于提升遥感影像灾害信息提取的效率和自动化程度,并对基于目标特征库进行地震灾情快速评估的几项关键技术（目标特征库构建、样本匹配方法和自动分类方法）进行了阐述,最后,以云南鲁甸地震龙头山镇地区为研究区,基于高分辨率遥感影像在目标特征库支持下开展了地震灾情快速评估实验。通过与灾后调查数据的对比分析发现,基于高分辨率遥感灾害目标特征库的地震灾情快速评估结果在精度上可以满足灾情快速评估的业务需要,同时还具有更好的时效性。     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

基于双注意力残差网络的高分遥感影像道路提取模型

高分辨率遥感影像中,道路光谱信息丰富,且空间几何结构更清晰。但是,基于高分遥感影像的道路提取面临道路尺寸变化大、容易受树木、建筑物及阴影遮挡等因素影响,导致提取结果不完整。此外,高分遥感影像中同物异谱和异物同谱现象较为严重,从而影响道路提取结果连续性及细小道路信息完整性,而且难以区分道路和非道路不透水层。因此,本文提出基于双注意力残差网络的道路提取模型DARNet,利用深度编码网络,获取细粒度高阶语义信息,增强网络对细小道路的提取能力,通过嵌入串联式通道-空间双重注意力模块,获取道路特征图逐通道的全局语义信息,实现道路特征的高效表达及多尺度道路信息的深层融合,增强阴影和遮挡环境下网络模型的鲁棒性,改善道路提取细节缺失现象,实现复杂环境下高效、准确的道路自动化提取。本文在3个实验数据集对DARNet和DLinkNet、DeepLabV3+等5个对比模型进行对比试验和定量评估,结果表明,本文DARNet模型的F1分别为77.92%、67.88%和80.37%,高于对比模型。此外,定性比较表明,本文提出模型可以有效克服由于物体阴影、遮挡和高分影像光谱变化导致道路提取不准确与不完整问题,改善细...