基于混合损失函数的U-Net网络建筑物提取

针对传统卷积神经网络进行建筑提取时效果不佳的问题，本文以U-Net网络为基础，在U-Net网络的跳跃连接结构中加入注意力门机制，并且使用混合交叉熵损失函数和Lovasz损失函数的策略监督训练。上述方法可有效解决不同层级特征在跳跃连接时，因语义鸿沟而造成拼接后的特征语义损失的问题，而混合损失函数的策略还能有效整合多个不同混合损失函数的优势，从而增强模型的鲁棒性。定性和定量化的实验结果均表明，本文方法的建筑物提取结果错漏较少，建筑物提取效果较为完整，并且精度较其他对比方法有一定优势。