融合多尺度与边缘特征的道路提取网络

P231; 利用遥感影像提取道路对城市发展有重要意义.但是由于道路尺度多变、易被遮挡等因素,导致出现道路漏检、边缘不完整等问题.针对以上问题,本文提出了一种融合多尺度与边缘细节特征的道路提取网络(MeD-Net).MeD-Net包括道路分割与边缘提取两部分.道路分割网络使用多尺度深层特征处理模块(MDFP),提取顾及全局与局部信息的多尺度特征,在卷积后使用组归一化优化模型训练;边缘提取网络利用细节引导融合算法提升深层边缘特征的细节信息,并利用注意力机制进行特征融合.为验证算法性能,本文利用Massachusetts道路数据集和青岛地区GF-2号道路数据集进行试验.试验表明,MeD-Net在两个...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 53; no. 12; pp. 2233 - 2243
Main Authors 孙根云, 孙超, 张爱竹
Format Journal Article
LanguageChinese
Published 青岛海洋科学与技术试点国家实验室海洋矿产资源评价与探测技术功能实验室,山东青岛 266237%中国石油大学(华东)海洋与空间信息学院,山东青岛 266580 06.01.2025
自然资源部华南热带亚热带自然资源监测重点实验室,广东 广州 510700
中国石油大学(华东)海洋与空间信息学院,山东青岛 266580
Subjects
语义分割
多尺度特征
edge extraction
multi-scale features
边缘提取
road extraction
semantic segmentation
道路提取
Online AccessGet full text
ISSN1001-1595
DOI10.11947/j.AGCS.2024.20230291

Cover

More Information
Summary:P231; 利用遥感影像提取道路对城市发展有重要意义.但是由于道路尺度多变、易被遮挡等因素,导致出现道路漏检、边缘不完整等问题.针对以上问题,本文提出了一种融合多尺度与边缘细节特征的道路提取网络(MeD-Net).MeD-Net包括道路分割与边缘提取两部分.道路分割网络使用多尺度深层特征处理模块(MDFP),提取顾及全局与局部信息的多尺度特征,在卷积后使用组归一化优化模型训练;边缘提取网络利用细节引导融合算法提升深层边缘特征的细节信息,并利用注意力机制进行特征融合.为验证算法性能,本文利用Massachusetts道路数据集和青岛地区GF-2号道路数据集进行试验.试验表明,MeD-Net在两个数据集上交并比和F1值均取得最高精度,能够提取不同尺度道路和更完整地保持道路边缘.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2024.20230291