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.