咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >遥感影像建筑物提取多尺度特征深度学习网络 收藏

遥感影像建筑物提取多尺度特征深度学习网络

Building Extraction Deep Neural Network for Remote Sensing Images Based on Multi-scale Features

作     者:赵元昊 赵莹莹 刘东升 张爱竹 孙根云 ZHAO Yuanhao;ZHAO Yingying;LIU Dongsheng;ZHANG Aizhu;SUN Genyun

作者机构:中国石油大学(华东)海洋与空间信息学院青岛266580 青岛海洋国家实验室海洋矿产资源评价与探测技术功能实验室青岛266237 长沙市规划勘测设计研究院长沙410007 航天宏图信息技术股份有限公司北京100195 

出 版 物:《航天返回与遥感》 (Spacecraft Recovery & Remote Sensing)

年 卷 期:2022年第43卷第4期

页      面:25-35页

核心收录:

学科分类:0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基  金:国家自然科学基金(41971292,41871270) 国家重点研发计划(2019YFE0126700) 

主  题:深度学习 建筑物提取 语义分割 特征组合 遥感应用 

摘      要:语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络(Multi-scale building extraction network,Msb-Net),该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论:相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分