基于监督对比学习正则化的高分辨率SAR图像建筑物提取方法

TP753; 近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用.不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果.该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像素在特征空间中的相似性以及不同类别像素之间的差异性,使得深度学习模型能更加关注SAR图像中建筑物与非建筑物区域在特征空间中的区别,从而提升建筑物识别精度.利用公开的大场景SpaceNet6数据集,通过对比实验,提出的正则化方法,其建筑物提取精度相比于常用的分割方法在...

Full description

Saved in:
Bibliographic Details
Published in雷达学报 Vol. 11; no. 1; pp. 157 - 167
Main Authors 康健, 王智睿, 祝若鑫, 孙显
Format Journal Article
LanguageChinese
Published 中国科学院网络信息体系技术科技创新重点实验室 100190%西安测绘研究所地理信息工程国家重点实验室 西安 710054%中国科学院空天信息创新研究院 北京 100190 2022
中国科学院网络信息体系技术科技创新重点实验室 100190
中国科学院大学电子电气与通信工程学院 北京 100190
苏州大学电子信息学院 苏州 215006%中国科学院空天信息创新研究院 北京 100190
Subjects
合成孔径雷达;SAR建筑物提取;深度学习;语义分割;对比学习
Online AccessGet full text
ISSN2095-283X
DOI10.12000/JR21124

Cover

More Information
Summary:TP753; 近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用.不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果.该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像素在特征空间中的相似性以及不同类别像素之间的差异性,使得深度学习模型能更加关注SAR图像中建筑物与非建筑物区域在特征空间中的区别,从而提升建筑物识别精度.利用公开的大场景SpaceNet6数据集,通过对比实验,提出的正则化方法,其建筑物提取精度相比于常用的分割方法在不同网络结构下至少提升1％,分割结果证明了该文方法在实际数据上的有效性,可以对复杂场景下的城市建筑物区域进行有效分割.此外,该方法也可以拓展应用于其他SAR图像像素级别的地物分割任务中.
ISSN:2095-283X
DOI:10.12000/JR21124