基于多尺度特征融合的遥感图像建筑物提取算法研究

TP751; 由于高分辨率遥感图像中的建筑物尺寸多样,且背景复杂,因此在对遥感图像中的建筑物进行提取时,往往存在细节丢失、边缘模糊等问题,从而影响模型的分割精度.为了解决这些问题,提出了具有空间和语义信息的双分支架构网络B2Net.首先,在语义信息分支上建立交叉特征融合模块,充分捕获上下文信息,以聚合更多的多尺度语义特征;其次,在空间信息分支上将空洞卷积和深度可分离卷积进行组合,提取图像的多尺度空间特征,并通过优化膨胀率扩大网络的感受野;最后,构建内容感知注意力模块,对图像中的高频和低频内容进行自适应选择,以达到细化建筑物分割边缘的效果.在两个建筑物数据集上对B2Net进行训练与测试.在WHU...

Full description

Saved in:
Bibliographic Details
Published in计算机科学 Vol. 50; no. 9; pp. 202 - 209
Main Authors 陈国军, 岳雪燕, 朱燕宁, 付云鹏
Format Journal Article
LanguageChinese
Published 中国石油大学(华东)计算机科学与技术学院 山东青岛266580 2023
Subjects
特征融合
建筑物提取
内容感知注意力
Building extraction
Feature fusion
Depthwise separable convolution
Content aware attention
空洞卷积
Atrous convolution
深度可分离卷积
Online AccessGet full text
ISSN1002-137X
DOI10.11896/jsjkx.220800086

Cover

More Information
Summary:TP751; 由于高分辨率遥感图像中的建筑物尺寸多样,且背景复杂,因此在对遥感图像中的建筑物进行提取时,往往存在细节丢失、边缘模糊等问题,从而影响模型的分割精度.为了解决这些问题,提出了具有空间和语义信息的双分支架构网络B2Net.首先,在语义信息分支上建立交叉特征融合模块,充分捕获上下文信息,以聚合更多的多尺度语义特征;其次,在空间信息分支上将空洞卷积和深度可分离卷积进行组合,提取图像的多尺度空间特征,并通过优化膨胀率扩大网络的感受野;最后,构建内容感知注意力模块,对图像中的高频和低频内容进行自适应选择,以达到细化建筑物分割边缘的效果.在两个建筑物数据集上对B2Net进行训练与测试.在WHU数据集上,与基线模型相比,B2Net在精度、召回率、F1分数以及交并比上皆达到了最佳效果,分别为98.60％,99.40％,99.30％,88.50％;在Massachusetts建筑物数据集上,4个指标比BiSeNet分别提高了0.9％,1.9％,1.7％,2.2％.实验结果证明,B2Net可以更好地捕获空间细节信息和高级语义信息,提高了复杂背景下的建筑物进行分割精度,满足了对建筑物快速提取的需求.
ISSN:1002-137X
DOI:10.11896/jsjkx.220800086