高分辨率遥感影像建筑物提取的空洞卷积E-Unet算法

利用高分辨率遥感影像提取建筑物是目前研究热点之一,但由于建筑物颜色各异、形状大小不同、细节繁多,提取结果普遍存在边缘模糊、转角圆滑和细节丢失等问题。本文提出一种基于空洞卷积的E-Unet深度学习网络。在E-Unet的结构设计中,引入跳跃连接以减少边缘和转角的细节损失;采用新设计的卷积模块,使其扩大感受野的同时减少参数量;底层增加Dropout模块避免网络发生过拟合现象;遥感影像输入网络前先进行直方图均衡化、高斯双边滤波和波段间比值运算,然后合并为多波段张量输入模型（不转换为灰度图像）。为验证网络性能、明确性能提升的原因,本文在Massachusetts和WHU建筑物数据集上设计了两组试验。第1组是E-Unet、Unet和Res-net 3种网络的对比试验,结果表明E-Unet不仅精度评价结果优于Unet和Res-net,而且建筑物边角的细节被完整提取。第2组是消融试验,目的是明确预处理模块对提取精度的提升效果,结果表明预处理模块能提升不同网络提取精度。通过这两组试验证明了预处理模块的有效性和本文提出网络的优越性。     

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.     

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;...     

改进特征金字塔网络的遥感影像崩滑体提取

针对大多数网络存在精度低,特征冗余,计算量大,训练时间长等问题,提出密集连接特征金字塔网络(DCFPN),将特征提取网络得到的特征图通过一组并行深度可分离空洞卷积进一步计算其全局语义信息,并搭建解码上采样网络,加入连接组合特征层的结构,对遥感影像进行语义分割实现崩滑体提取,较好地解决了参数量过多,计算时间较长和精度较低等问题.通过特征金字塔网络(FPN)和DCFPN在崩滑体数据集上的大量对比实验表明,DCFPN在崩滑体语义分割方面有更高的精度并且计算量更少,训练时间更短,能够更好地为应急抢险工作.     

结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割

针对多模态、多尺度的高分辨率遥感影像分割问题,提出了结合空洞卷积的FuseNet变体网络架构对常见的土地覆盖对象类别进行语义分割。首先,采用FuseNet变体网络将数字地表模型（digital surface model,DSM）图像中包含的高程信息与红绿蓝（red green blue,RGB）图像的颜色信息融合;其次,在编码器和解码器中分别使用空洞卷积来增大卷积核感受野;最后,对遥感影像逐像素分类,输出遥感影像语义分割结果。实验结果表明,所提算法在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的Potsdam、Vaihingen数据集上的m_F1得分分别达到了91.6%和90.4%,优于已有的主流算法。     

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。     

空洞卷积模型遥感影像建筑快速检测方法研究

基于端到端的检测框架,使用多空洞率卷积核组作为特征提取模块,并在不同特征提取层间设置了密集连接,来加强不同尺度特征图内的信息复杂度;以多尺度特征图融合为基础,构建了4个输出层的特征图上采样金字塔,最后通过数据增强提高了训练集内目标的表达能力。测试结果表明,本文方法在测试数据集上能够达到较高的检测精度,体现了良好的实时检测能力,并且对不同背景下多角度的房屋目标具有很好的泛化性能。该方法在城市违章建筑监管与智慧城市建设等领域具有较高的实用价值。     

基于AlexNet网络的高分辨率遥感影像建筑物提取方法研究

高分辨率遥感影像的数据源日益增长使得其成为主要的遥感数据源之一。本文研究了一种基于AlexNet网络的高分辨率遥感影像建筑物提取方法,该方法是在卷积神经网络的基础上,建立一种端到端自动提取影像中建筑等物体位置的方法:首先使用图像增广技术增加数据集的丰富性和多样性;再通过超参数搜索选择网络使用的较优参数,最终实现了遥感影像中建筑物的自动提取。实验结果表明,该方法可达到75%的提取精度;与传统方法进行定性和定量对比,该方法具有耗时少、精度高的特性,对后续城市规划、三维建模等应用有着重要意义。     

结合空洞卷积的条件对抗网络遥感影像生成

针对利用土地覆盖与数字高程模型生成遥感影像存在部分细节缺失的问题,该文提出结合空洞卷积的条件对抗网络以生成高分辨率遥感影像。首先,生成器网络采用空间自适应归一化结构将土地覆盖特征与数字高程模型特征融合;其次,将并行空洞卷积模块嵌入生成器网络中的编码器中,以改善融合后的特征;最后,解码器输出的影像输入判别器网络进行判别,输出生成结果。为验证该文网络的有效性,与现有的条件生成对抗网络在GeoNRW和DFC2020数据集上进行实验。结果表明：该文网络在GeoNRW数据集上的距离得分较对比网络平均降低0.11,整体平均交并比较对比网络平均提升0.77%,生成的影像地物细节更丰富;此外,该文网络在DFC2020数据集上具有一定的泛化能力,生成的影像优于对比网络生成的影像。     

融合UNet++网络和注意力机制的高分辨率遥感影像变化检测算法

针对高分辨率遥感影像变化检测存在漏检和检测边界粗糙的问题,提出一种基于UNet++和注意力机制的高分辨率遥感影像变化检测算法.该算法采用UNet++网络作为基础网络提取特征,并在基本卷积单元中引入注意力机制突出重要特征,由此完成遥感影像端到端的变化检测.在高分辨率卫星影像变化检测数据集中进行了验证,相比于经典语义分割网...     

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。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

基于多层次感知网络的GF-2遥感影像建筑物提取

高分辨率遥感影像建筑物提取任务在城市规划、城镇化进程等领域发挥着重要作用.针对现有的深度学习提取方法存在浅层特征未得到有效利用、小目标信息容易丢失等问题,提出了一种多层次感知网络.该网络利用密集连接机制充分提取特征信息,并构建平行结构保留不同特征分辨率的空间信息,增强不同深度、尺度特征信息,减少细节特征的丢失;同时利用...     

高空间分辨率遥感影像建筑物提取方法综述

高空间分辨率光学遥感影像中建筑物的提取对城市空间数据库的更新、城市动态监测以及建设"智慧城市"等方面具有极其重要的意义。本文首先介绍了高空间分辨率遥感影像中建筑物的特点,然后介绍了基于高空间分辨率遥感影像中建筑物自动提取的四种主要方法,即多尺度分割提取方法;基于边缘和角点检测与匹配的提取方法;基于区域分割的提取方法和基于数学工具;新理论以及多种方法结合的提取方法,分析讨论了各种方法的研究进展以及各方法的优缺点,同时对建筑物提取研究中需要解决的问题和研究趋势进行了总结。最后对高空间分辨率遥感影像建筑物提取研究前景进行了展望,认为可以从多源或多时相数据、边缘检测以及阴影辅助作用等方面提取建筑物,提高建筑物提取精度和高分遥感影像的利用率。     

改进SegNet与迁移学习的遥感建筑物分割方法

针对传统SegNet应用于遥感影像建筑物分割出现分割不连续的问题,该文提出了一种改进的SegNet模型,并引入迁移学习方法,以提高遥感影像建筑物分割精度。以SegNet为基础,加入能够提取多尺度特征的改进空洞空间卷积池化金字塔模块,并引入跳层连接使分割结果更为精细。选取了FCN、SegNet、载入ImageNet预训练权重参数的SegNet作为对比算法,对遥感建筑物分割数据集Inria Aerial Image Labeling Dataset进行训练和测试。实验结果表明,在有限的迭代次数及实验区域内,该文算法拥有更好的分割效果和更强的泛化能力。     

基于SegNet＿CRF的遥感影像水体提取方法

水体的自动提取对于洪水监测、水资源管理等方面有着重要意义。本文提出了SegNet＿CRF语义分割方法,可从遥感影像上自动提取水体。首先,在SegNet编码器和解码器之间植入空洞卷积特征提取块,融合不同尺度的特征,然后在分类后处理中引入条件随机场,对提取结果进行精细化处理,最后与FCN、经典SegNet网络水体提取结果对比,结果表明,SegNet＿CRF网络结构在Recall、Precision以及F1-score指标上都有所提高,水体提取结果更加准确完整,抑制噪声能力更强。SegNet＿CRF网络可有效地实现水体提取任务。     

多尺度特征融合深度学习建筑物的提取方法

提出一种基于多尺度特征融合的建筑物提取方法,结合新的网络DenseASPP-UNet,以实现影像多尺度特征的融合,进而高精度提取建筑物.通过Inria开源建筑物航空影像数据集进行验证,表明DenseASPP-UNet相比其他深度学习方法建筑物提取精度有很大的提升.     

高分辨率遥感影像建筑物提取多路径RSU网络法

针对卷积神经网络在提取建筑物的过程中,存在建筑物边界不准确和建筑物内部空洞等问题,提出以RSU模块（residual U-block）为核心的MPRSU-Net （multi-path residual U-block network）。该模块利用编码器-解码器结构和残差连接,实现了局部特征和多尺度特征的融合。由于一个RSU模块提取的信息有限,MPRSU-Net进一步通过多路径结构并行了不同尺度的RSU模块,并在这些模块之间进行信息交换,提高了特征聚集效率。在分辨率为0.3 m的WHU和Inria建筑物数据集上进行试验,精度分别达95.65%和88.63%,IoU分别达91.17%和79.31%,验证了本文方法的有效性。此外,本文方法相较于U²Net,计算量明显降低,模型参数量减少68.63%,表明本文方法具有一定的应用价值。